Hoe herken je wanneer AI iets verzint?

Je hebt AI om je heen. In je inbox, in je documentenbeheersysteem, in de tools van je salesteam. En ergens, op een moment dat je het niet verwacht, verzint die AI iets. Geen grote leugen. Een subtiel fout getal. Een naam die net niet klopt. Een juridische clausule die niet bestaat. Dat is een hallucinatie, en het is nog steeds het grootste onopgeloste probleem van moderne taalmodellen.

Tot nu toe kon je daar weinig precies mee. Detectiesystemen beoordeelden een heel antwoord als "betrouwbaar" of "niet betrouwbaar", maar ze wezen je niet op de specifieke zin die het probleem veroorzaakte. Dat is alsof je een boekhouder vraagt of de jaarrekening klopt, en die je antwoordt: "grotendeels wel." Niet handig als je moet weten op welke regel je een correctie moet doorvoeren.

Wat Apple's onderzoekers hebben uitgevonden

Onderzoekers verbonden aan Apple's AI-divisie publiceerden een paper met de naam Learning to Reason for Hallucination Span Detection. Ze bouwden een systeem dat ze RL4HS noemen: Reinforcement Learning for Hallucination Span Detection.

Het idee is deceptief eenvoudig. In plaats van een model te vragen "klopt dit antwoord?", trainen ze het model om stap voor stap te redeneren over élk onderdeel van een tekst. Het systeem leert niet alleen een eindbeoordeling te geven, maar elke stap in zijn redenering te verantwoorden. Dat doet het via een beloningssysteem dat werkt op zinsniveau: het model krijgt pas een beloning als het de juiste zin of het juiste zinsdeel als problematisch aanwijst, niet als het een heel antwoord correct of incorrect labelt.

De techniek bouwt voort op iets wat in de AI-wereld steeds meer aandacht krijgt: chain-of-thought redeneren. Dat is het idee dat een AI-model beter presteert als het gedwongen wordt om hardop te denken voordat het een conclusie trekt. Apple's team ging een stap verder: ze koppelden die redenering aan een beloningsstructuur op zinsniveau, via een aanpak die ze Class-Aware Policy Optimization (CAPO) noemen. Het resultaat is een model dat nauwkeuriger navigeert door zijn eigen output, en daadwerkelijk aanwijst waar het zelf ongefundeerde claims maakt.

Tests op de RAGTruth-benchmark (een standaard testomgeving die samenvatting, vraag-en-antwoord en data-naar-tekst-taken omvat) laten zien dat RL4HS beter presteert dan zowel klassieke fijn-afgestemde modellen als de meest recente redenerende modellen zonder deze aanpak.

Waarom hallucinaties zo hardnekkig zijn

Om te begrijpen waarom dit onderzoek ertoe doet, helpt het om te weten hoe hallucinaties ontstaan. Een taalmodel is gebouwd op één principe: voorspel het meest waarschijnlijke volgende woord. Dat werkt goed voor veelvoorkomende informatie. Maar voor zeldzame feiten, specifieke cijfers, namen van mensen of details uit jouw specifieke branche geldt dat die maar zelden in de trainingsdata voorkomen. Het model heeft dan onvoldoende basis om met zekerheid iets te zeggen, maar het is ook niet getraind om te zwijgen. Het vult de gaten op met het meest plausibele antwoord. En plausibel is niet hetzelfde als correct.

Onderzoekers onderscheiden drie typen hallucinaties. Ten eerste feitelijke hallucinaties: de uitkomst klopt niet met de werkelijkheid. Ten tweede input-hallucinaties: het model beantwoordt een andere vraag dan gesteld. Ten derde context-hallucinaties: bij langere conversaties verliest het model het overzicht en begint het te compenseren met verzonnen details.

In zakelijke omgevingen is het derde type bijzonder gevaarlijk. Een AI-assistent die een offerte samenwerkt met informatie uit meerdere gesprekken en documenten, een AI die een tender opstelt op basis van de briefing en eerdere projectdossiers, een redactionele assistent die content schrijft op basis van meerdere bronnen: allemaal situaties waarbij context-hallucinaties stille fouten kunnen introduceren die pas opvallen als het te laat is.

De stand van zaken: het wordt beter, maar het is nog niet opgelost

De goede nieuwsberichten zijn er wel degelijk. In 2025 hebben de beste taalmodellen hun hallucinatiepercentages teruggebracht tot onder de twee procent. Sommige modellen zitten nog lager. Tegelijkertijd lanceerde OpenAI recent GPT-5.3 Instant en GPT-5.4, waarbij GPT-5.3 Instant hallucinaties al met 26,8 procent vermindert ten opzichte van zijn voorganger. Dat zijn betekenisvolle stappen.

Maar twee procent klinkt geruststellend totdat je realiseert wat het in jouw context betekent. Als jouw salesteam AI inzet om honderd offertes per maand te schrijven, zijn dat twee offertes met een fout die je misschien niet opmerkt. Als je redactie AI gebruikt om twintig nieuwsartikelen per week te produceren, zitten er statistisch gezien elke maand fouten in. En anders dan bij menselijke fouten zijn AI-fouten niet willekeurig verdeeld over voor de hand liggende plekken. Ze zitten verborgen in de details die niemand als eerste controleert.

Technieken die het risico nu al verlagen

Terwijl onderzoek als dat van Apple aan de fundamenten werkt, zijn er praktische technieken die je vandaag al kunt inzetten om het risico van hallucinaties te beperken.

De eerste en meest effectieve is Retrieval-Augmented Generation, kortweg RAG. Bij RAG geef je het taalmodel geen vrij spel, maar voer je het eerst met de relevante, geverifieerde documenten en data die het nodig heeft om jouw vraag te beantwoorden. Het model kan dan putten uit die concrete context in plaats van uit zijn eigen geheugen. De kans op verzinnen daalt drastisch. Organisaties die werken met kennisbases, productdocumentatie, contractdossiers of juridische stukken kunnen dit vandaag al implementeren.

De tweede aanpak is structurering van je werkproces. AI werkt het beste als je het dwingt om stap voor stap te werken: eerst bronnen ophalen, dan samenvatten, dan schrijven, en elke stap expliciet controleerbaar maken. Dat is precies het principe achter Apple's RL4HS: dwing het systeem om elke stap te verantwoorden, niet alleen de conclusie.

De derde aanpak is simpelweg: houd een mens in de loop. Niet als bureaucratische stap, maar als echte kwaliteitscontrole. Zeker voor content die naar buiten gaat, voor offertes met juridische implicaties, voor nieuwsberichten met specifieke feiten.

Wat dit voor jou betekent

Als je AI inzet in je organisatie, en de kans is groot dat dit inmiddels het geval is, dan verandert dit onderzoek één ding fundamenteel: de verwachting dat AI óf goed is óf niet, wordt vervangen door een veel preciezer beeld. AI is niet compleet betrouwbaar of compleet onbetrouwbaar. Het heeft sterke en zwakke plekken die te identificeren, te monitoren en te verbeteren zijn.

Voor beslissers in het MKB betekent dit dat de vraag niet langer "kan ik AI vertrouwen?" is, maar: "op welke plekken in mijn proces is het risico op hallucinaties het grootst, en hoe organiseer ik daar de controle?" Dat is een veel productievere vraag, en een die je nu al kunt stellen.

Voor media-organisaties en redacties geldt dat feitencontrole niet verdwijnt met AI, maar verschuift. De journalist of redacteur die begrijpt waar AI het meest kwetsbaar is (bij zeldzame feiten, lange context, specifieke namen en cijfers) is de redacteur die AI veilig en effectief kan inzetten als werkinstrument.

Voor sales- en tenderprofessionals is de boodschap: gebruik AI zeker voor structuur, formulering en snelheid, maar bouw een verificatiestap in voor alle specifieke claims over producten, prijzen, regelgeving en referenties. Dat is niet meer werk dan voorheen: het is anders werk.

Onderzoek als dat van Apple legt de technische basis voor systemen die zichzelf steeds beter kunnen controleren. De richting is helder: AI die niet alleen output produceert, maar ook precies aangeeft waar die output onzeker is. Totdat die systemen breed beschikbaar zijn, is menselijk oordeel op de juiste plekken in het proces de slimste investering die je kunt doen.