AI hallucinaties zijn een van de meest onderschatte valkuilen bij het werken met tools als ChatGPT, Claude of Gemini. De tekst leest vloeiend, de toon klopt, de opbouw is netjes. En toch staat er iets in dat gewoon niet waar is. Een jaartal dat niet bestaat, een wet die anders heet, een onderzoek dat nooit is uitgevoerd. Voor een ondernemer die snel een blog, offerte of nieuwsbrief wil maken, is dat een vervelend risico.
Wat het lastig maakt: een hallucinatie ziet er niet uit als een fout. Er staat geen waarschuwing bij, geen twijfel in de formulering. De AI schrijft een verzonnen feit met precies dezelfde zelfverzekerde toon als een kloppend feit. Wij merken dat veel mensen daardoor pas achteraf ontdekken dat er iets misging, vaak op het moment dat een klant of collega ernaar vraagt.
In dit stuk leggen we rustig uit waar dat gedrag vandaan komt, hoe je het herkent zonder dat je alles hoeft na te zoeken, en hoe je je werkwijze zo inricht dat de kans op onzin klein blijft. Niet met angst voor AI, want de tools zijn nuttig. Wel met een manier van werken die past bij een bedrijf dat serieus genomen wil worden.
AI-hallucinaties in één zin
Een AI-hallucinatie is een antwoord dat klopt qua vorm, maar niet qua inhoud. Het model produceert informatie die logisch klinkt en die nergens op gebaseerd is. Denk aan een verzonnen bronvermelding, een niet-bestaande functie in een softwarepakket, of een cijfer over de Nederlandse markt dat niemand ooit heeft gemeten.
De term komt uit de wereld van taalmodellen, maar de betekenis is voor iedere gebruiker hetzelfde. Je stelt een vraag, je krijgt een antwoord, en dat antwoord bevat iets dat je zelf niet had kunnen verzinnen maar de AI ook niet uit een bron heeft gehaald. Het is ontstaan tijdens het schrijven.
Wat opvalt bij het werk dat wij dagelijks zien: hallucinaties zitten zelden in de grote lijn. De hoofdgedachte van een tekst klopt meestal prima. Het zit in de details. Namen, jaartallen, percentages, wetsartikelen, tarieven. Precies de onderdelen die een lezer gebruikt om te bepalen of jij weet waar je het over hebt.
Waarom een taalmodel dingen verzint
Een taalmodel is geen zoekmachine en geen database. Het heeft geen lijstje met feiten waar het uit put. Het voorspelt, woord voor woord, welk woord waarschijnlijk volgt op wat er al staat. Die voorspelling is gebaseerd op enorme hoeveelheden tekst waarop het model is getraind.
Dat werkt verrassend goed voor taal. Zinsbouw, toon, structuur en samenhang komen er meestal netjes uit. Maar hetzelfde mechanisme dat mooie zinnen maakt, maakt ook een plausibel klinkend jaartal. Als de vraag om een cijfer vraagt, komt er een cijfer. Of dat cijfer bestaat, is een andere kwestie.
Daar komt bij dat de meeste modellen zijn afgericht om behulpzaam te zijn. Ze geven liever een antwoord dan geen antwoord. Zeg je “geef me drie onderzoeken die dit onderbouwen”, dan krijg je drie onderzoeken. Ook als er maar één bestaat. Nieuwere modellen zijn hier voorzichtiger in geworden en geven vaker aan dat ze iets niet zeker weten, maar het gedrag is niet verdwenen.
Een taalmodel is goed in klinken alsof het iets weet. Dat is iets anders dan iets weten.
Het verschil met een gewone fout
Het is nuttig om onderscheid te maken tussen twee dingen die vaak op één hoop worden gegooid. Een verouderd antwoord is geen hallucinatie. Als een model met een kennisgrens van vorig jaar iets vertelt over een regeling die inmiddels is aangepast, dan klopte het ooit wel. Dat is een kwestie van actualiteit, en daar kun je omheen werken door recente informatie zelf mee te geven.
Een hallucinatie is anders. Die informatie heeft nooit bestaan. Er is geen versie van de werkelijkheid waarin dat onderzoek is gepubliceerd of die functie in het pakket zat. Dat maakt het ook moeilijker te vangen: je kunt niet vertrouwen op je gevoel dat iets “van vroeger” is.
Voor jouw werk betekent dat verschil vooral iets voor je controle. Bij verouderde informatie check je de datum. Bij een hallucinatie check je het bestaan. Beide horen erbij, maar het tweede vraagt om een net andere reflex.
Waar het in marketingwerk vaak misgaat
In de praktijk zien we een aantal terugkerende plekken waar het fout gaat. De eerste is de bronvermelding. Vraag een model om een blog met onderbouwing en je krijgt keurige verwijzingen naar rapporten van bekende instituten. Klik je erop, dan bestaat de link niet of leidt hij naar iets heel anders.
De tweede plek is branchespecifieke regelgeving. Juridische termen, HR-regels, beroepsvoorwaarden en tarieven zijn precies het soort informatie dat er in tekstvorm heel overtuigend uitziet. Een advocatenkantoor of HR-dienstverlener kan zich geen tekst veroorloven waarin een verkeerde termijn staat.
De derde plek zijn cijfers over de Nederlandse markt. Veel trainingsdata is Engelstalig, dus als je vraagt hoeveel procent van de Nederlandse MKB-bedrijven iets doet, wordt er soms iets aangenomen op basis van Amerikaanse gegevens. Dat leest prima en klopt niet. Wie met AI in marketing aan de slag gaat, doet er goed aan juist deze drie categorieën standaard na te lopen.
Hoe je een hallucinatie herkent zonder expert te zijn
Je hoeft geen technische kennis te hebben om de meeste onzin eruit te halen. Er zijn een paar signalen die vrijwel altijd opgaan. Het duidelijkste: hoe specifieker het detail, hoe groter de kans dat het gecontroleerd moet worden. Een algemene uitspraak over klantgedrag is meestal veilig. Een uitspraak met een percentage achter de komma is dat niet.
Een tweede signaal is de bron die net iets te goed uitkomt. Als je om onderbouwing vraagt en je krijgt precies het onderzoek dat jouw punt bevestigt, met een titel die klinkt alsof hij voor jou is geschreven, dan is dat reden om te kijken.
Een derde is de toon van absolute zekerheid over iets dat in werkelijkheid genuanceerd ligt. Onderwerpen waarover deskundigen van mening verschillen, komen er bij AI vaak uit als een uitgemaakte zaak. Dat is geen leugen, maar wel een vertekening die je zelf moet rechtzetten.
En als laatste: alles wat je niet zou durven verdedigen tegenover een klant die doorvraagt. Dat is eigenlijk de bruikbaarste toets die er is.
Wat we vaak zien bij ondernemers die hier net mee beginnen, is dat ze in het begin alles nalezen en na een paar weken bijna niets meer. Dat is begrijpelijk, want de kwaliteit is meestal goed. Toch is juist die gewenning het moment waarop het misgaat. Een vast klein rondje langs de details kost twee minuten en voorkomt het soort fout dat je later moet uitleggen.
Zo verklein je de kans op verzonnen informatie
Je kunt hallucinaties niet helemaal uitsluiten, maar je kunt de kans flink terugbrengen door anders te vragen en anders te werken. Het begint bij wat je het model meegeeft.
Geef bronnen mee in plaats van erom te vragen
Het verschil tussen “schrijf een stuk over deze regeling” en “schrijf een stuk over deze regeling, gebruik uitsluitend de tekst die ik hieronder plak” is groot. In het tweede geval hoeft het model niets uit zichzelf op te halen. Het herschrijft en structureert wat jij al hebt gecontroleerd. Voor onderwerpen waarbij details ertoe doen, is dit veruit de rustigste werkwijze.
Vraag om onzekerheid
Een instructie als “geef bij elk cijfer aan hoe zeker je bent en waar het vandaan komt, en laat het weg als je het niet weet” verandert het gedrag merkbaar. Je krijgt kortere antwoorden, maar wel antwoorden waar je iets aan hebt. Meer hierover lees je in onze stukken over prompts en AI-toepassingen.
Verder helpt het om je vraag op te knippen. Eén grote opdracht levert meer verzonnen invulling op dan drie kleine opdrachten waarbij je tussendoor meekijkt. Dat kost iets meer tijd en levert veel minder herstelwerk op.
Wat dit betekent voor je vindbaarheid
Er is nog een reden om hier scherp op te zijn, en die heeft met vindbaarheid te maken. Wij kijken bij Triple Search Marketing naar drie zoek-werelden: Google, Meta en AI-zoekmachines zoals ChatGPT, Perplexity en de AI-antwoorden in Google. In alle drie speelt betrouwbaarheid een rol.
Google beoordeelt al jaren of een pagina laat zien dat er echte kennis achter zit. Een artikel met een verzonnen bron of een onjuist cijfer ondermijnt dat. En bij AI-zoekmachines geldt iets vergelijkbaars: die modellen halen informatie op uit bronnen die ze als betrouwbaar inschatten. Publiceer je onzin, dan word je minder snel aangehaald.
Het gekke is dus dat slordig AI-gebruik je precies raakt op het punt waar je met AI wilde winnen. Wie zorgvuldig werkt, bouwt aan een site die zowel door Google als door AI-assistenten wordt gezien als een plek waar het klopt. Dat is een langzamer pad, maar wel een pad dat blijft werken.
Wat we vaak zien misgaan
De meest voorkomende misstap is dat er geen mens meer tussen zit. Iemand richt een werkwijze in waarbij een tekst wordt gegenereerd en direct wordt gepubliceerd. Dat gaat een tijdje goed, want de meeste teksten kloppen, en dan staat er ineens iets op de site dat een klant opmerkt.
Een tweede misstap is te veel vertrouwen op één controle. Iemand leest de tekst door op stijl en toon, vindt het lekker lopen, en gaat ervan uit dat de inhoud dan ook wel klopt. Terwijl juist de vloeiende stukken de plek zijn waar een verzonnen detail ongemerkt binnenglipt.
En de derde: geen afspraken maken binnen het team. Als drie mensen met AI werken en niemand weet wat de ander controleert, ontstaan er gaten. Een korte afspraak over wie wat nakijkt voordat iets naar buiten gaat, lost dat meestal op.
Een korte werkafspraak scheelt veel gedoe
Het klinkt bureaucratisch, maar in de praktijk is één A4 met afspraken genoeg om het grootste deel van de problemen voor te zijn. Niet als beleidsstuk, wel als iets waar iedereen even naar kan kijken als er twijfel is.
Wat er in elk geval in hoort: welke soorten teksten sowieso door een mens worden nagelezen voordat ze naar buiten gaan. Bij de meeste dienstverleners zijn dat alle publieke uitingen en alles wat met geld, termijnen of regelgeving te maken heeft. Interne samenvattingen en concepten mogen wat losser.
Daarnaast helpt het om vast te leggen welke informatie je nooit door AI laat invullen. Je eigen werkwijze, je tarieven, klantnamen en resultaten horen daarbij. Die haal je uit je eigen documenten en plak je erbij, in plaats van dat je erom vraagt.
En tot slot: spreek af wie de eindcheck doet. Niet omdat er per se iemand fout zit, maar omdat gedeelde verantwoordelijkheid in de praktijk vaak betekent dat niemand het doet. Bij ons loopt elke pagina langs een mens voordat hij live gaat, en dat is niet omdat we de tools wantrouwen. Het is omdat een naam onder een tekst iets betekent.
Wanneer je AI beter even niet inzet
Er zijn situaties waarin de moeite van controleren groter is dan de winst van sneller schrijven. Bij teksten waarin een fout juridische of financiële gevolgen heeft, is het vaak verstandiger om te beginnen bij een mens die het onderwerp kent en AI alleen te gebruiken om die tekst leesbaarder te maken.
Hetzelfde geldt voor alles wat over jouw eigen bedrijf gaat. Werkwijzen, tarieven, klantverhalen, geschiedenis. Een model weet dat niet en zal het aanvullen. Die aanvulling klinkt aannemelijk en is niet van jou.
Waar AI wel bijzonder goed werkt: structureren, herschrijven, samenvatten, varianten maken, ideeën opwerpen. Daar is het risico klein en de tijdwinst groot. Wij gebruiken het zelf vooral om het uitvoeringswerk te versnellen, terwijl de mensen in het team de inhoud sturen en elke pagina nalopen voordat hij live gaat.
Veelgestelde vragen over AI-hallucinaties
Wat zijn AI-hallucinaties precies?
Een AI-hallucinatie is informatie die een taalmodel zelf produceert zonder dat die op iets bestaands is gebaseerd. Denk aan een verzonnen onderzoek, een niet-bestaande bron of een cijfer dat nergens vandaan komt. Het antwoord klinkt overtuigend en klopt niet, wat het lastig maakt om te herkennen zonder te controleren.
Waarom verzint ChatGPT dingen?
Een taalmodel voorspelt welk woord waarschijnlijk volgt, het zoekt geen feiten op in een database. Als je vraag om een cijfer of bron vraagt, produceert het er een omdat dat past bij de vorm van het antwoord. Daarnaast zijn deze tools ingericht om behulpzaam te zijn, waardoor ze liever iets antwoorden dan aangeven dat ze het niet weten.
Hoe controleer je of AI-tekst klopt?
Loop de tekst na op specifieke details: cijfers, jaartallen, namen, bronnen en regelgeving. Klik elke verwijzing daadwerkelijk aan en kijk of hij bestaat en zegt wat er beweerd wordt. De algemene lijn van een tekst klopt meestal wel, dus richt je controle op de onderdelen waar een lezer je op zou kunnen aanspreken.
Zijn nieuwe AI-modellen minder gevoelig voor hallucinaties?
Nieuwere modellen geven vaker aan dat ze iets niet zeker weten en verzinnen minder vaak bronnen dan eerdere versies. Het gedrag is echter niet verdwenen, zeker niet bij Nederlandse cijfers en branchespecifieke regels. Ga er dus vanuit dat controleren onderdeel van het werk blijft, ongeacht welk model je gebruikt.
Schaadt AI-content mijn positie in Google?
Google kijkt niet naar hoe een tekst is gemaakt, maar naar of hij klopt en de lezer verder helpt. Teksten met onjuiste informatie of verzonnen bronnen presteren daardoor slechter, ook als ze door een mens waren geschreven. Zorgvuldig gecontroleerde AI-ondersteunde content kan prima goed ranken.
Werken met AI is voor de meeste dienstverleners inmiddels geen vraag meer. De vraag is hoe je het inricht zodat je er sneller van wordt zonder dat de kwaliteit eronder lijdt. Wij denken daar graag in mee, van de manier waarop je teksten laat maken tot de plek die ze innemen in je vindbaarheid bij Google, Meta en AI-zoekmachines. Wil je hier samen naar kijken? Plan een strategiegesprek, vrijblijvend en zonder verkooppraatje.
