Waarom AI soms fouten maakt: AI-hallucinaties uitgelegd

AI-hallucinaties zijn de keerzijde van het vertrouwde antwoord. Een taalmodel klinkt zeker, formuleert vloeiend en levert soms informatie die gewoon niet klopt. Geen bronnen, geen disclaimer, gewoon foutieve inhoud in kalme overtuigende taal. Dit artikel legt uit wat hallucinaties zijn, waarom ze structureel optreden bij grote taalmodellen, en wat je concreet doet om ze te herkennen en te beperken.

Wat zijn AI-hallucinaties?

Een AI-hallucinatie is een uitvoer van een groot taalmodel (LLM) die feitelijk onjuist is maar gepresenteerd wordt alsof het klopte. Denk aan: een niet-bestaand wetenschappelijk artikel dat geciteerd wordt met correcte auteur en jaar, een verkeerd BTW-tarief dat zelfverzekerd opgegeven wordt, of een specifieke Belgische wet die niet bestaat maar toch gedetailleerd beschreven wordt.

De term ‘hallucinatie‘ is misleidend: het model liegt niet bewust. Het is een statistisch systeem dat de meest waarschijnlijke volgende token genereert — en soms leidt die output naar iets wat niet overeenkomt met de werkelijkheid.

Waarom hallucineren LLM’s?

Drie mechanismen liggen aan de basis:

• Trainingsdata heeft gaten. Een LLM is getraind op tekst van het internet en boeken — maar niet op alle kennis die bestaat. Wanneer het model gevraagd wordt over iets wat nauwelijks in de trainingsdata zat, kan het gaan “invullen” op basis van patronen die lijken op wat het kent. Resultaat: plausibel klinkende maar verzonnen inhoud.
• Het model heeft geen extern geheugen. Een LLM heeft geen toegang tot een feitendatabank. Elke output is een kansverdeling over mogelijke tokens — het model weet niet wat het niet weet.
• Confidence is losgekoppeld van accuraatheid. Een LLM genereert tekst op een manier die vloeiend en zeker klinkt, ongeacht of de onderliggende informatie correct is. Het heeft geen intern signaal dat “ik weet dit niet” uitdrukt in de output.

Soorten hallucinaties

Drie categorieën die je in de praktijk tegenkomt:

• Feitelijke fouten. Het model geeft een verkeerd getal, een onjuiste datum, een foutief persoon. Voorbeeld: een vraag over de directeur van een specifiek Belgisch bedrijf levert de naam op van iemand die niet in die rol zit.
• Verzonnen bronnen. Het model citeert een boek, studie of website die niet bestaat — maar geeft wel het juiste formaat (auteur, jaar, publisher). Dit is verraderlijk omdat de vorm correct is terwijl de inhoud fictie is.
• Coherente maar onjuiste redenering. Het model bouwt een logisch klinkend argument op basis van een foute premisse. De redenering klopt intern, maar de conclusie is verkeerd omdat de startpositie niet klopte.

Wanneer zijn hallucinaties gevaarlijk?

Niet elk fout antwoord is even schadelijk. De ernst hangt af van de context:

• Hoog risico: juridische documenten, medische informatie, financieel advies, regelgeving. Een onjuist BTW-tarief of een niet-bestaande contractclausule kan reële schade veroorzaken.
• Middelhoog risico: offertes, klantcommunicatie, technische specificaties. Fouten zijn herstelbaar maar kosten vertrouwen.
• Laag risico: brainstorming, eerste drafts, structuurvoorstellen. Hallucinaties zijn hier hinderlijk maar zelden gevaarlijk omdat de output toch geverifieerd wordt voor gebruik.

Regel: hoe meer een AI-output direct gebruikt wordt zonder menselijke controle, hoe hoger het risico. Automatische pipelines die AI-output doorsturen naar klanten of systemen vragen extra waarborgen.

Hoe beperk je hallucinaties?

Vijf technieken die in de praktijk het verschil maken:

1. Geef context mee. Hoe meer relevante informatie je aan de prompt toevoegt, hoe minder het model hoeft te gokken. Stuur de relevante productnamen, tijdslijnen en feiten mee in je prompt.
2. Vraag naar bronnen én controleer ze. Vraag het model te vermelden waarop het zich baseert. Als het model geen bronnen kan geven, is de kans op hallucinatie hoger.
3. Gebruik RAG (Retrieval Augmented Generation). Bij RAG geef je het model toegang tot een gedocumenteerde kennisbasis — jouw producten, je FAQ, je CRM-data — voor het antwoord genereert. Het model put dan uit feitelijke bronnen, niet uit statistisch geheugen. Dit is de meest effectieve technische oplossing.
4. Vermijd open vragen bij feitenkritische taken. “Wat is het BTW-tarief voor X?” is een open vraag. “Controleer of dit BTW-tarief klopt: 21%” is een verificatietaak. Verificatietaken geven minder ruimte voor hallucinatie.
5. Train medewerkers om te dubbelchecken. De menselijke validatiestap is de simpelste barrière. Een medewerker die weet wat hallucinaties zijn, herkent ze sneller.

Praktische richtlijnen voor een KMO

Drie regels die je morgen kan invoeren zonder technische kennis:

• Gebruik AI nooit als eerste en enige bron voor feitenkritische informatie (wetteksten, prijzen, regelgeving). Gebruik het als startpunt dat je daarna verifieert.
• Zet in je AI-prompts een expliciete instructie: “Als je iets niet zeker weet, zeg het dan.” Moderne LLM’s zijn gevoelig voor dit soort instructies en geven vaker een onzekerheidssignaal.
• Houd een kort logboek bij van gevonden fouten. Na twee weken zie je patronen: welke types vragen leiden bij jou tot hallucinaties? Dat stelt je in staat prompts te structureren die die zwakke plekken omzeilen.

Voor meer context over waarom AI-implementaties mislukken, lees onze analyse over veelgemaakte fouten bij AI-implementatie. En voor de technische werking: hoe werkt AI, simpel uitgelegd.

Samengevat

AI-hallucinaties zijn geen bug die opgelost wordt — ze zijn een structurele eigenschap van hoe LLM’s werken. Ze zijn beheersbaar door context te geven, verificatietaken te stellen, RAG in te zetten waar accuraatheid kritisch is, en menselijke controle in te bouwen bij outputs die direct gebruikt worden. Wie dit begrijpt, gebruikt AI veiliger en effectiever dan wie het fenomeen negeert of er bang van is.