Kort antwoord: AI verzint soms bronnen, cijfers of citaten die overtuigend klinken maar niet kloppen. Dat heet hallucineren. Je voorkomt het niet door het model te vertrouwen, maar door het te binden aan je eigen bronnen, elke bewering te laten onderbouwen met een vindplaats en een mens de output te laten controleren voordat die naar buiten gaat.
Vraag een AI naar een cijfer dat het niet kent, en het geeft je vaak toch een antwoord. Keurig geformuleerd, met een bron erbij, alsof het zeker weet waar het over praat. Alleen bestaat die bron niet, en het cijfer evenmin. Dat is hallucineren: het model verzint iets dat plausibel klinkt. Het is geen bug die je met een update wegpoetst, maar een gevolg van hoe deze modellen werken. Ze voorspellen het meest waarschijnlijke volgende woord op basis van patronen in taal. Ze hebben geen ingebouwd besef van waar of onwaar. Wat vloeiend klinkt en wat waar is, zijn voor een taalmodel niet hetzelfde.
Op kantoor is een verzonnen zin snel gecorrigeerd. In een offerte, een rapport of een klantantwoord ligt dat anders. Deloitte leverde in 2025 een rapport op aan de Australische overheid, een opdracht van omgerekend zo'n 290 duizend dollar, waarin een AI verwijzingen naar niet-bestaande onderzoeken en een verzonnen citaat uit een rechtszaak had opgenomen. Een oplettende wetenschapper prikte erdoorheen, het bureau moest een deel van het geld terugbetalen en het nieuws ging de wereld over. De les is niet dat AI onbruikbaar is, maar dat output zonder controle een risico is. Verkeerde beslissingen, een boze klant of reputatieschade beginnen vaak met een zin die niemand narekende.
De sterkste rem op hallucineren heet grounding: je geeft het model niet de vrije hand, maar laat het antwoorden uit een vaste set documenten die jij aanlevert. Je handleidingen, je prijslijsten, je veelgestelde vragen, je eigen teksten. Het model mag putten uit die bron en uit niets anders, en vermeldt er de vindplaats bij. Weet het het antwoord niet, dan hoort het dat te zeggen in plaats van iets te verzinnen. Dit is precies waarop de knowledge bases van Roal gebouwd zijn: AI-antwoorden op basis van jouw eigen content, met bronvermelding, zodat je elk antwoord kunt terugvinden en controleren.
Werk je met een gewone chatbot zonder eigen bronnen, dan haal je alsnog veel risico weg met een paar gewoontes. Vraag standaard om de bron bij elke bewering, en controleer of die bron echt bestaat en het getal er letterlijk in staat. Laat een cijfer nooit los in een document voordat je het hebt nagerekend. Splits grote vragen op in kleine stappen, want hoe algemener de vraag, hoe groter de kans dat het model gaten opvult met gis. En houd er rekening mee: hoe stelliger een AI klinkt, hoe verleidelijker het is om de controle over te slaan. Juist dan moet je hem doen.
Geen enkele techniek sluit hallucineren volledig uit. Daarom hoort er bij alles wat naar buiten gaat, naar een klant, in een rapport, op je site, een mens tussen het model en de wereld. Niet om alles zelf over te typen, maar om de feiten te checken en de toon te bewaken. Zie AI als een snelle, ijverige stagiair: enorm behulpzaam, maar je zet zijn werk niet ongelezen op de deurmat van je belangrijkste klant. Die controlelaag kost tijd, en die tijd is de goedkoopste verzekering die er is.
Kijk waar in je bedrijf AI-output rechtstreeks naar buiten gaat, en zet daar als eerste een controle op. Gebruik je AI voor klantvragen of kennis die moet kloppen, overweeg dan een knowledge base die alleen uit je eigen bronnen put. Wil je weten welke tool bij je past en welke standaard bronnen toont, lees dan welke AI-tool past bij mijn bedrijf? En zet je klantgegevens of gevoelige informatie in een AI-tool, lees dan eerst mag ik klantgegevens in ChatGPT zetten? Twijfel je hoe je dit slim inricht, bel me gerust even.
Hallucineren is het verschijnsel dat een AI een antwoord verzint dat overtuigend klinkt maar niet klopt: een bron die niet bestaat, een cijfer dat nergens vandaan komt, een citaat dat nooit is uitgesproken. Het model liegt niet bewust, het voorspelt het meest waarschijnlijke volgende woord en heeft geen ingebouwd besef van waar of onwaar.
Nee, volledig uitsluiten kan niet. Je kunt de kans wel sterk verkleinen door het model te binden aan je eigen bronnen, elke bewering te laten onderbouwen met een vindplaats en een mens de output te laten controleren voordat die naar buiten gaat. Betrouwbaarheid komt uit de aanpak eromheen, niet uit het model alleen.
Door een knowledge base op te zetten: het model krijgt alleen jouw documenten, handleidingen en teksten als bron en antwoordt daaruit, met bronvermelding erbij. Weet het het niet, dan zegt het dat, in plaats van iets te verzinnen. Dat is precies waar de knowledge bases van Roal op gebouwd zijn.
Er is geen tool die nooit hallucineert. Tools die hun antwoord onderbouwen met zichtbare bronnen, zoals Perplexity, maken het makkelijker om te controleren, maar de bron kan nog steeds verkeerd begrepen zijn. De winst zit in je werkwijze: bronnen vragen, cijfers narekenen en niets ongezien publiceren.
Bronnen: Frankwatching: controlelaag tegen hallucinaties (30 juni 2026) · Fortune: Deloitte-rapport met AI-hallucinaties (7 oktober 2025) · The Register: Deloitte betaalt terug (6 oktober 2025)
Met een knowledge base put je AI alleen uit je eigen bronnen, met bronvermelding. Bel me even, dan kijken we samen.
