Van Dale koos ‘hallucineren’ tot Woord van het Jaar 2025. Niet de meest voor de hand liggende keuze, totdat je beseft hoeveel mensen dagelijks met AI werken zonder te weten dat een taalmodel je met een rechte rug iets kan vertellen dat volledig verzonnen is.
Stel: je vraagt een AI-tool om de vijf beste e-mailmarketingtools van dit moment. Drie namen kloppen, één bestaat niet meer en de vijfde heeft nooit bestaan. Je krijgt die lijst zonder voorbehoud, in vloeiend Nederlands, met de toon van iemand die het zeker weet.
Dat is een hallucinatie. Ken je het mechanisme niet, dan zet je vroeg of laat iets door dat niet klopt, zonder het door te hebben. Hoe controleer jij nu wat AI je vertelt?
Het model weet niet wat het niet weet, en zegt dat niet
Denk aan de autocorrectie op je telefoon. Die weet niet wat je wil zeggen, alleen welke woorden meestal op elkaar volgen. Soms maakt die iets af wat nergens op slaat, maar plausibel klinkt. Een taalmodel werkt precies zo, alleen op veel grotere schaal.
Het model berekent welk woord het meest logisch volgt op jouw vraag, op basis van patronen uit de trainingsdata. En omdat het is geoptimaliseerd om te antwoorden, niet om te twijfelen, vult het altijd iets in.
OpenAI publiceerde in september 2025 onderzoek naar waarom dit zo werkt: modellen worden getraind op menselijke feedback, en mensen waarderen zelfverzekerde antwoorden. Het model leert dat twijfelen niet loont.
Het gevolg zie je terug in de praktijk: studies met verzonnen titels, URL’s naar pagina’s die niet bestaan.
Wanneer gaat het mis?
Stel je vraagt AI om een quote van een bekende marketingexpert. Je krijgt een naam en een uitspraak. Zelfs een jaar erbij. De naam bestaat. De quote niet. Je plakt hem in je nieuwsbrief, stuurt hem naar drieduizend lezers en twee mensen sturen je een berichtje terug.
Geen ongeluk, zo werkt het model.
Bij specifieke cijfers is het risico het grootst. Een conversiepercentage of marktaandeel klinkt betrouwbaar, maar het model produceert getallen die plausibel zijn zonder dat ze ergens op gebaseerd hoeven te zijn. Bij recente informatie speelt bovendien de trainingsgrens: de meeste modellen weten niet wat er na een bepaalde datum is gebeurd, maar melden dat lang niet altijd.
Frankwatching beschreef hoe het risico toeneemt naarmate vragen vager zijn: hoe minder afgebakend je vraag, hoe meer ruimte voor het model om in te vullen.
Hoe je het herkent
Eén vuistregel werkt bijna altijd: hoe specifieker het antwoord, hoe kritischer je moet zijn.
Een percentage met twee decimalen, een studie met een exacte publicatiedatum: dat zijn geen tekenen van betrouwbaarheid. Als je iets niet kunt vinden als je zelf de bron gaat onderzoeken, bestaat het waarschijnlijk niet.
Let ook hierop: modellen bevestigen liever dan dat ze tegenspreken. Stel je een vraag waarop je een verwacht antwoord hebt, dan is de kans groot dat je dat antwoord ook krijgt. Of het klopt, is een andere vraag.
Zo voorkom je hallucinaties
Gebruik AI voor structuur en feedback, niet voor feiten. Breng zelf de feiten in, of controleer ze altijd voor publicatie. Hoe je dat efficiënt inricht, lees je in dit artikel over prompten voor marketingcontent.
Vraag het model expliciet naar zijn zekerheid. Voeg aan je prompt toe: “Geef aan hoe zeker je bent van elk feit dat je noemt, en waar ik dit kan controleren.” Het model geeft dan vaker aan waar het twijfelt. Waterdicht is het niet, maar het haalt twijfelgevallen eerder boven water.
Verifieer elke statistiek en elk citaat voor publicatie. Eén foutieve bronvermelding ondermijnt je geloofwaardigheid op een manier die je niet gemakkelijk repareert. Controleer ook als het er betrouwbaar uitziet. Juist als het er betrouwbaar uitziet.
Kies voor modellen met zoekfunctie bij feitelijke vragen. Tools als Perplexity, of Claude en Gemini met webzoeken, koppelen hun antwoorden aan actuele bronnen. Dat verkleint het risico fors bij vragen waarbij feiten ertoe doen. Een vergelijking van de meest gebruikte tools vind je in dit overzicht van AI-tools voor marketeers.
Behandel AI als een slimme junior, niet als een expert. Een vaardige stagiair schrijft vloeiend en denkt snel mee, maar je controleert het werk. Niet uit wantrouwen, maar omdat jij eindverantwoordelijk bent. Hoe je die samenwerking verder inricht, leer je in de AI Marketing Club.
Jij bent degene die weet of het klopt
Een taalmodel klinkt als iemand die het zeker weet, maar heeft geen idee of het klopt. Het is vooral heel goed in overtuigend klinken.
Jij bent degene die weet of het klopt. Of in elk geval degene die het kan controleren. Doe dat dus.
Veelgestelde vragen
Ja. Het is een structureel kenmerk van hoe taalmodellen werken, geen fout van één product. Sommige modellen zijn beter getraind op nauwkeurigheid, maar geen enkel model is vrij van dit risico.
Niet per definitie. Een tool met webzoeken geeft bij feitelijke vragen betere resultaten, omdat die antwoorden verankert in actuele bronnen. Maar ook dan blijf jij verantwoordelijk voor de controle. Alle modellen hebben de neiging om bevestigend en overtuigend te antwoorden, ook als het niet klopt.
Een fout is een vergissing in redenering. Een hallucinatie is het produceren van informatie die niet bestaat, terwijl het model doet alsof het zeker is. Geen rekenfout dus, maar een gevolg van hoe taalmodellen werken.
Ze worden kleiner. Technieken zoals Retrieval Augmented Generation (RAG) helpen modellen om antwoorden te verankeren in echte bronnen. Volledig verdwijnen is onwaarschijnlijk zolang de basisarchitectuur van taalmodellen hetzelfde blijft.
Meer blogs lezen
Plaud Note vs Otter.ai vs Fireflies.ai vs Fathom: welke AI-recorder past bij jou in 2026?
Het AI-kompas: drie vragen voor betere AI-resultaten
AI voor e-mailmarketing
AI content workflow
AI-hallucinaties: hoe zit het nu precies?
