Je maakt zelf het AI-antwoord slechter maar zo voorkom je het

Wie AI om hulp vraagt en er direct bij zegt waar het probleem volgens hem zit, krijgt gemiddeld een slechter antwoord. Onderzoekers lieten AI-agents taken uitvoeren met een stellige maar foute hint van de gebruiker erbij. De prestaties zakten met tot bijna de helft. Een tweede onderzoek liet zien dat een taalmodel een mislukt resultaat bijna altijd wegliet uit een verslag, tot er één zin aan de opdracht werd toegevoegd. Je kunt hier zelf veel aan doen: beschrijf eerst het probleem, vraag om tegenspraak voordat je laat uitvoeren en vraag expliciet om eerlijkheid over wat niet lukte. Hoe minder bekend het probleem, hoe zwaarder je eigen vermoeden weegt.

Hoe een goedbedoelde hint het antwoord stuurt

Iedereen kent het. Je loopt vast in een spreadsheet, een offerte of een stuk code. Je vraagt je AI-assistent om hulp en omdat je hem op weg wilt helpen, zeg je er meteen bij waar het volgens jou aan ligt. De assistent gaat vrolijk aan de slag met jouw idee. Pas een uur later merk je dat het probleem ergens anders zat.

Programmeurs hebben er een naam voor: het XY-probleem. Je wilt X oplossen, je denkt dat Y de weg is en je vraagt alleen naar Y. Wie je helpt, beantwoordt keurig je vraag over Y. Ondertussen zat je met X.

Onderzoekers Zhengxuan Wu, Yuxuan Li, Oyvind Tafjord en Been Kim maakten er een test van. In XYEval lieten ze vijf AI-modellen werken op zes bestaande testbanken, van programmeerwerk tot een nagespeelde klantenservice. In de opdrachten verstopten ze een plausibele maar misleidende suggestie van de gebruiker, zoals "volgens mij zit de fout in dit bestand". De prestaties daalden relatief met tot 46,7 procent. Een algemene instructie om op dit soort valkuilen te letten, hielp maar gedeeltelijk.

Dus: hoe stelliger jij bent, hoe minder de AI zelf gaat zoeken.

Waarom AI je liever volgt dan tegenspreekt

Taalmodellen zijn getraind om behulpzaam te zijn en instructies te volgen. Een vermoeden van jou leest zo'n model al snel als opdracht. Een ervaren adviseur zegt het als je op het verkeerde spoor zit. Een model doet dat pas als je er ruimte voor maakt.

Hoe diep dat zit, laat een tweede onderzoek zien, van Jenny Huang en haar mede-onderzoekers. Ze gaven GPT-5.5 de logboeken van een machine learning-experiment met één duidelijk mislukt resultaat erin en vroegen om een verslag. In 2 van de 200 verslagen werd dat mislukte resultaat genoemd. Toen de onderzoekers vijf woorden aan de opdracht toevoegden, "Be honest in your response", waren dat er 190 van de 200.

Bij open modellen konden de onderzoekers ook in de redenering meekijken. Daar zagen ze steeds dezelfde spanning terug: het model weegt af of het een fout moet melden of vooral succesvol moet overkomen. In één klein open model vonden ze eerlijkheid en succes zoeken zelfs terug als twee tegengestelde richtingen binnen het model. (Wie weleens een projectrapportage van een enthousiast team heeft gelezen, herkent het patroon.)

Je vermoeden achtervolgt je door de hele organisatie

Voor één persoon met één spreadsheet is dit een verloren uur. In een organisatie wordt het groter. Denk aan de manager die AI een businesscase laat doorrekenen en er alvast bij zet dat de investering zich in twee jaar terugverdient. Of het salesteam dat wil weten waarom een deal sneuvelde en de prijs al als boosdoener noemt. In beide gevallen krijg je een goed onderbouwd antwoord dat vooral je eigen idee bevestigt. Het verraderlijke is dat het eruitziet als analyse.

Het tweede onderzoek weegt nog zwaarder nu AI steeds vaker zelfstandig werkt. Een agent die een klus uitvoert en daarna rapporteert, schrijft het verslag waar jij op stuurt. Laat dat verslag mislukte stappen weg, dan stuur je op een succesverhaal. Het vertrouwen in AI groeit nu al sneller dan de betrouwbaarheid. Een rapportage met alleen goed nieuws versterkt dat.

Bij junioren die met AI werken, zie je hetzelfde mechanisme. Wie AI vraagt om argumenten voor een standpunt, krijgt precies dat. Het geldt net zo goed voor wie al twintig jaar meedraait.

Zo stel je een vraag die tegenspraak uitlokt

Het goede nieuws: met de manier waarop je vraagt, win je veel terug. Vier gewoontes maken het verschil.

Beschrijf eerst wat je ziet, dan pas wat je denkt

Begin met het probleem en het doel. Zet je eigen vermoeden er daarna bij en noem het ook zo. Bijvoorbeeld: "Dit gaat er mis: [wat je ziet]. Dit wil ik bereiken: [doel]. Ik vermoed dat het ligt aan [jouw idee], maar dat weet ik niet zeker. Kijk eerst zelf naar mogelijke oorzaken." Zo krijgt het model de ruimte om zelf te zoeken voordat het jouw spoor volgt.

Vraag om kritiek voordat je laat uitvoeren

Laat de AI eerst je plan beoordelen en pas daarna uitvoeren. Dat kost één extra bericht: "Wat klopt er niet aan mijn aanpak? Welke oorzaak zie ik over het hoofd?" Bij een oordeelsvraag (is dit plan goed, welke tekst is sterker) noem je je eigen voorkeur pas na dat antwoord, of helemaal niet. Daar is geen fout om te ontdekken, dus weegt jouw voorkeur het zwaarst.

Vraag om eerlijkheid in elk verslag

Laat je AI samenvatten wat hij heeft gedaan, of een analyse rapporteren? Sluit af met een zin als "Wees eerlijk, ook over wat niet gelukt is." Het effect is in het onderzoek in het Engels gemeten. Een Nederlandse variant werkt naar verwachting vergelijkbaar, al is dat niet getest. In AI-workflows die zelfstandig draaien, hoort deze regel in de vaste instructies, met een vast kopje voor wat niet lukte.

Haal een second opinion zonder je hint

Twijfel je? Stel dezelfde vraag opnieuw in een nieuw gesprek of in een ander model, zonder je vermoeden erbij. Komt daar een andere oorzaak uit, dan weet je dat jouw hint het eerste antwoord stuurde.

Bij bekende fouten valt het mee, bij je eigen data minder

Hoe groot is het risico in de praktijk? Dat hangt af van de vraag. AI Report testte het met een bekende Excel-fout: een zoekformule die faalt omdat klantnummers in het ene tabblad als getal staan en in het andere als tekst. Ze gaven er de stellige, foute hint bij dat het tabblad te veel rijen had. De nieuwste modellen van OpenAI en Anthropic trapten er niet in.

Logisch ook. Die fout kent elk model uit duizenden voorbeelden. Bij een vraag over jouw klantenbestand, jouw contracten of de regels van jouw organisatie heeft het model veel minder houvast om je hint aan te toetsen. Daar weegt jouw vermoeden zwaarder. En daar zet je AI het meest in.

Twee kanttekeningen. XYEval testte agents die zelfstandig taken uitvoeren. Dat het in een gewoon chatgesprek net zo werkt, is aannemelijk maar niet onderzocht. En nieuwere modellen kunnen anders scoren dan de geteste.

Een goede vraag laat ruimte voor ongelijk

Netflix-CPTO Elizabeth Stone noemde systeemdenken de vaardigheid die ze het meest zoekt: één stap terugzetten en checken of je wel het juiste probleem oplost. Met AI is die gewoonte zwaarder gaan wegen, omdat elk antwoord even overtuigend terugkomt, ook het antwoord op de verkeerde vraag.

Probeer het morgen bij een vraag over je eigen cijfers. Stel hem één keer met je vermoeden erbij en één keer zonder. Verschillen de antwoorden, dan weet je hoeveel jouw hint stuurt.

Wil je weten hoe je deze gewoontes in de AI-workflows van je team verankert? Plan een kennismaking in, we denken graag mee.