Als AI dingen verzint: wat is hallucineren en wat doe jij daarmee?

Stel: je laat een AI-tool een re-integratieverslag controleren. Het antwoord dat terugkomt ziet er goed uit: duidelijk geformuleerd en professioneel van toon. Je neemt het over en stuurt het door naar het UWV, maar later blijkt dat een deel van de informatie gewoon niet klopt. AI heeft iets verzonnen dat er logisch uitziet, maar nergens op gebaseerd is.

Dit is geen fictief scenario. Het is iets wat kan gebeuren wanneer een AI-model hallucineert en als loopbaanprofessional is het belangrijk dat je weet wat dat is, waarom het gebeurt en, belangrijker nog, hoe je het voorkomt.

Wat bedoelen we met hallucineren?

Een AI-model werkt door te voorspellen wat de meest logische volgende zin is of zinnen zijn, op basis van alles waar dat model ooit op getraind is. Maar trainen is niet hetzelfde als weten. Een AI voorspelt en als er iets gevraagd wordt waar geen goed antwoord op bestaat, worden de gaten gewoon opgevuld. Het resultaat klinkt overtuigend, maar is simpelweg bedacht. Zonder aarzeling en zonder waarschuwing.

Dat noemen we hallucineren.

Wanneer gebeurt het?

Er zijn een aantal situaties waarin de kans op hallucineren groter is. Het helpt om die te herkennen.

1. Het model weet het antwoord niet. Elk AI-model heeft een einddatum waarop de training is gestopt (dit noemen we ‘knowledge cutoff’). Alles wat daarna is gebeurd, zoals een nieuwe wetgeving, recente ontwikkelingen, actuele nieuwsberichten, weet het model simpelweg niet. Tenzij het toegang heeft tot het internet, maar dat is niet altijd het geval. Vraag je het toch, dan zegt het niet “Dat weet ik niet”, maar is de kans groot dat het model iets verzint dat geloofwaardig klinkt.
2. Je gebruikt het verkeerde model voor de taak. Er zijn generieke modellen die breed inzetbaar zijn, maar ook gespecialiseerde modellen die uitblinken in één specifieke taak. Zet je zo’n gespecialiseerd model in voor iets waarvoor het niet is gebouwd, dan vergroot je de kans op foute output.
3. Je vraag is te vaag. Hoe vager de opdracht die je meegeeft, hoe meer ruimte het model heeft om er zelf invulling aan te geven en die invulling is niet altijd juist. Een scherpe, concrete vraag geeft het model minder ruimte om iets te verzinnen.
4. Een vroege fout groeit uit tot een groter probleem. Bij lange, complexe gesprekken met AI bouwt het model voort op eerdere antwoorden. Zit er aan het begin een foutje in, dan neemt het model die mee en vergroot het die soms zelfs. Wat begint als een kleine onnauwkeurigheid, kan zo uitgroeien tot een antwoord dat steeds verder van de werkelijkheid afstaat.

Wat kun jij doen om het te voorkomen?

Hallucineren is nooit volledig uit te sluiten, maar je kunt de kans erop wel flink verkleinen. Ik geef je een paar tips die je kunnen helpen:

1. Wees zo concreet mogelijk in wat je vraagt. Hoe specifieker de opdracht, hoe minder ruimte het model heeft om iets te verzinnen. Geef aan wat je wil weten, in welk format je het antwoord verwacht en wat de kaders zijn.
2. Geef de juiste achtergrondinformatie mee. Als het model context nodig heeft die buiten zijn kennis valt, kun je die zelf aanleveren. Denk aan een beleidsdocument, een verslag of specifieke richtlijnen die je in de vraag meestuurt. Let wel op: de output is zo goed als de informatie die je aanlevert. Geef je verkeerde of incomplete context mee, dan krijg je ook een verkeerd antwoord terug.
3. Geef het model een duidelijke rol. Je kunt in je vraag aangeven vanuit welk perspectief het model moet antwoorden. Bijvoorbeeld: “Je bent een ervaren verzekeringsarts. Beoordeel dit re-integratieverslag en geef feedback op de volledigheid.” Dat levert een veel gerichtere en betrouwbaardere output op dan alleen “Beoordeel dit verslag”.
4. Knip grote opdrachten op in kleinere stappen. Bij complexere taken is het slim om stap voor stap te werk te gaan en tussendoor te controleren of het model nog op de goede weg zit. Zo voorkom je dat een vroege fout zich door de rest van het gesprek verspreidt.
5. Vraag het model zijn eigen antwoord te controleren. Standaard kijkt een AI niet terug op wat het heeft gegeven. Maar je kunt het model expliciet vragen: “Controleer je antwoord nog eens en geef aan waar je minder zeker van bent.” Dit dwingt het model tot zelfreflectie en vergroot de kans dat zwakke plekken zichtbaar worden.
6. Gebruik een voorbeelddocument als referentie. Wil je dat het model een verslag beoordeelt? Geef dan ook een voorbeeld mee van hoe een perfect verslag eruitziet. Het model kan dan vergelijken en concreet aangeven wat er ontbreekt of niet klopt, in plaats van antwoorden op basis van aannames.
7. Werk met een vaste prompttemplate. Je hoeft niet bij iedere vraag opnieuw alle spelregels op te sommen. Bouw een vast template op met basisinstructies, zoals: wees bondig, vermeld je bronnen, controleer je antwoord voordat je het definitief maakt. Als die regels standaard worden meegestuurd, heb je veel minder corrigeerwerk achteraf.

Jij blijft de professional

Bovenstaande tips helpen allemaal, maar de belangrijkste maatregel is er eentje die geen techniek vereist: blijf zelf nadenken. AI kan veel, maar het heeft geen professioneel oordeel. Het kent jouw cliënt niet, weet niet wat er in het gesprek van vorige week is gezegd en begrijpt de nuance achter een dossier niet.

Wij geloven sterk in wat we de ‘human in the loop’ noemen: een professional die de output van AI beoordeelt voordat er iets mee gedaan wordt. Niet als formaliteit, maar als wezenlijk onderdeel van een verantwoorde werkwijze. Dat is trouwens ook precies wat de nieuwe Europese AI-regelgeving van organisaties verwacht. Daar schreven we eerder al een blog over. AI is een krachtig hulpmiddel, zolang jij degene bent die bepaalt wat ermee gebeurt.

Gebruik de output als vertrekpunt, niet als eindpunt. Dan haal je het beste uit AI, zonder de risico’s te negeren.