Een AI hallucinatie is output die overtuigend en vloeiend klinkt, maar feitelijk onjuist of volledig verzonnen is. Het model presenteert een fout antwoord met dezelfde stelligheid als een correct antwoord. Dat maakt hallucinaties lastig, want je ziet ze niet aan de toon af maar alleen aan de inhoud.
Waarom AI hallucineert
AI hallucineert omdat een taalmodel geen feiten opzoekt, maar het meest waarschijnlijke volgende woord voorspelt op basis van patronen in zijn trainingsdata. Er zit geen ingebouwde toets aan de werkelijkheid tussen. Het resultaat is tekst die past bij het patroon, niet tekst die per definitie klopt.
Dit voorspellende mechanisme zit in de kern van generatieve AI, die tekst genereert op basis van kansberekening in plaats van een feitelijke bron. De onderliggende mechaniek van hoe AI werkt draait om waarschijnlijkheid, niet om een controle of iets waar is.
Twee factoren vergroten de kans op een hallucinatie. Als de trainingsdata een onderwerp niet of onvolledig dekt, vult het model de gaten op met aannames. En hoe vager je vraag, hoe meer ruimte het model krijgt om te gokken.
Lange gesprekken en grote documenten spelen ook mee. Bij veel context tegelijk raakt een model eerder de draad kwijt, waardoor het informatie van eerder verwisselt of verkeerd terugciteert. Een hallucinatie ontstaat dan niet uit onwetendheid, maar uit een overvol venster.
Welke soorten AI hallucinaties er zijn
AI hallucinaties komen in verschillende vormen voor, maar in professioneel werk zijn er drie die het vaakst schade aanrichten. Het gaat om verzonnen verwijzingen, verzonnen cijfers en verzonnen technische output. Ze delen hetzelfde probleem, want alle drie ogen ze plausibel.
Verzonnen bronnen en citaten
Een verzonnen bron is de hallucinatie die het vertrouwen het snelst ondermijnt. In de periode dat ik ChatGPT intensief gebruikte, noemde het regelmatig onderzoeken, rapporten en citaten die bij controle niet bleken te bestaan. Voor elk type tekst waarin je autoriteit opbouwt met externe verwijzingen is dat een reëel risico.
Verzonnen cijfers en feiten
Verzonnen cijfers zijn een hallucinatie die extra gevaarlijk is, omdat een getal betrouwbaar oogt. Een terugkerend patroon dat ik bij ChatGPT zag, was dat het bij een ingevoerd zoekwoord ongevraagd een zoekvolume plaatste, terwijl er geen koppeling met een keyword-tool als Ahrefs of SEMrush bestaat. Wie zelf geen toegang tot die data heeft, neemt zo’n cijfer al snel voor waar aan.
Ook simpele feiten gaan mis. Vraag naar de hoofdstad van Australië en een model kan met stelligheid Sydney noemen, terwijl het Canberra is.
Verzonnen code en technische details
Bij programmeren levert een hallucinatie code op die op het oog klopt, maar niet werkt. Niet-bestaande Python-functies, WordPress-hooks die nergens gedocumenteerd staan en verzonnen CSS-eigenschappen kwam ik regelmatig tegen. Vaak blijkt het pas als je de code draait, wat tijd kost in het ontwikkelproces.
Hoe je een AI hallucinatie herkent
Je herkent een AI hallucinatie zelden aan de vorm, want de toon is even zelfverzekerd als bij een correct antwoord. De enige betrouwbare check is de inhoud terugleggen tegen een onafhankelijke bron. Ik kijk naar AI-output met de vraag of ik dit onder mijn eigen naam zou publiceren, en die bril legt hallucinaties sneller bloot.
Let extra op samenvattingen. In de periode dat ik ChatGPT gebruikte, vatte het documenten soms samen op een manier die plausibel klonk maar inhoudelijk afweek van de bron. Wie alleen de samenvatting leest en niet teruggaat naar het origineel, krijgt onjuiste informatie zonder het te merken.
Een tweede signaal is een antwoord dat precies past bij wat je hoopte te horen. Taalmodellen zijn getraind om behulpzaam te zijn, en bij twijfel tussen erkennen dat het antwoord ontbreekt of alsnog iets produceren, wint vaak het antwoord. Als iets te mooi of te compleet klinkt, is dat reden om beter te controleren, niet minder.
Niet elk model hallucineert even vaak, en het verschil tussen Claude en ChatGPT komt ook hierin terug. In mijn eigen overstap van ChatGPT naar Claude viel me op dat Claude minder snel bronnen en cijfers verzint, al blijft controle bij beide nodig.
Wil je ChatGPT leren inzetten met vaste controlestappen zodat hallucinaties niet in je werk sluipen, dan bouwt de ChatGPT cursus die werkwijze stap voor stap op.
Hoe je AI hallucinaties voorkomt
AI hallucinaties voorkom je niet volledig, maar je verkleint de kans en vangt de rest op met een paar vaste controles. De eerste zit al in je vraag. Een scherpe, afgebakende vraag geeft het model minder ruimte om te gokken, en daarmee zijn goede vragen stellen aan AI je eerste controle nog voor je de output leest.
De tweede controle komt na de output. Het four-eyes-principe uit mijn jaren bij grootbanken neem ik mee naar AI-werk, want niets gaat de deur uit zonder tweede controle. Soms zet ik Claude in als tweede lezer van ChatGPT-output, of andersom, zodat een tweede model de eerste toetst.
De derde is de feitencheck, en dat is meteen de stap die het vaakst wordt overgeslagen. Feitencheck op bronnen en cijfers is iets waar ik zelf scherper in kan worden, en ik zie veel professionals tegen dezelfde valkuil aanlopen. Het besef dat een model overtuigend kan klinken zonder te kloppen is er wel, de bijbehorende werkstap moet alleen consequent worden ingebouwd.
Wanneer een hallucinatie het grootste risico vormt
Een AI hallucinatie is niet overal even schadelijk, want het risico hangt af van wat je met de output doet. Uit de bankenpraktijk neem ik mee dat niet elke taak hetzelfde risicoprofiel heeft. Een interne notitie die je zelf nog naleest vraagt minder controle dan een gepubliceerd artikel of een advies dat rechtstreeks naar een klant gaat.
Die hiërarchie bepaalt hoeveel controle een taak verdient. Hoe hoger de inzet, hoe strakker de check erop. De verantwoordelijkheid voor de output ligt bij jou, niet bij het model, en dat blijft zo ongeacht hoe overtuigend het antwoord klinkt.
Dit inzicht hoort bij de AI-basiskennis die je nodig hebt voordat je AI op echt werk loslaat. Wie ChatGPT gestructureerd wil leren inzetten, met promptopbouw en outputcontrole als één werkwijze, kan terecht bij de ChatGPT e-learning van LearnLLM.
