Een hallucinatie is een uitkomst waarbij een AI-taalmodel feitelijk onjuiste informatie genereert en presenteert alsof het correct is. Het model verzint geen feiten met kwade opzet — het produceert statistische voorspellingen van plausibele tekst, en soms is de meest statistische "plausibele" uitkomst feitelijk onjuist.

De term is misleidend: het gaat niet om beleving of bewustzijn bij het model. Het is een technisch fenomeen waarbij de tekstgenerator divergeert van de werkelijkheid.

Waarom Taalmodellen Hallucineren

Taalmodellen zijn getraind om tekst te genereren die coherent en plausibel klinkt, niet om feitelijke juistheid te garanderen. Wanneer een model een vraag beantwoordt over een onderwerp dat ondervertegenwoordigd is in zijn trainingsdata — of een vraag buiten zijn kennisgrens — genereert het een antwoord dat syntactisch correct is maar semantisch onjuist kan zijn.

Factoren die hallucinaties verhogen:

  • Vragen over obscure of gespecialiseerde onderwerpen waarover weinig trainingsdata bestaat
  • Vragen over recente gebeurtenissen na de kennisafsnijdatum van het model
  • Vragen die specifieke cijfers, namen of datums vereisen — het model interpoleert waar het geen exacte data heeft
  • Erg lange prompts waarbij het model de vroege context verliest

Hoe Hallucinaties Zich Manifesteren

Hallucinaties zijn niet altijd duidelijk fout — dat maakt ze gevaarlijk. Voorbeelden:

  • Een fictieve wetgeving die overtuigend klinkt maar niet bestaat
  • Een correct lopend wetenschappelijk citaat met een verzonnen auteursnaam
  • Statistieken die intern consistent zijn maar nergens vandaan komen
  • Een bedrijfsgeschiedenis die grotendeels klopt maar cruciale feiten verdraait

Het gevaar zit in de overtuigingskracht: goed proza, correcte structuur, plausibele details. Gebruikers die niet verifiëren, nemen de output voor waar.

Risicobeheer in de Praktijk

Verificatieplicht Voor elk feitelijk gegeven dat consequenties heeft — juridisch advies, financiële data, medische informatie — moet menselijke verificatie in het proces ingebakken zijn. AI-output mag nooit de enige bron zijn.

RAG implementeren Retrieval-Augmented Generation koppelt het model aan een verificeerbare kennisbron (uw eigen documenten, databases). Het model genereert antwoorden op basis van opgehaalde bronnen in plaats van alleen trainingsgeheugen. Dit vermindert hallucinaties drastisch voor domeinspecifieke vragen. Voor praktische richtlijnen over documentkwaliteit en governance, zie Data Governance Beleid.

Bronvermelding afdwingen Instrueer het model expliciet om bronnen te vermelden bij feitelijke beweringen. Modellen die bronnen moeten opgeven, hallucineren minder — en als ze dat toch doen, is de fictieve bron een duidelijk signaal.

Domein afbakenen Beperk het model tot taken waarvoor het aantoonbaar betrouwbaar is. Een AI die contracten samenvat, hoeft geen juridisch advies te geven. Hoe specifieker de taak en hoe concreter de invoerdocumenten, hoe lager het hallucinatierisico.

Hallucinatie versus Fout

Een hallucinatie is niet hetzelfde als een rekenfout of een misverstand. Bij een fout is het model inconsistent met zijn eigen kennis. Bij een hallucinatie heeft het model de kennis niet maar genereert toch een antwoord. Dit onderscheid is relevant voor mitigatie: fouten los je op met betere prompts; hallucinaties vereisen architectuurmaatregelen (RAG, verificatielagen).

De Trend

Nieuwere modellen hallucineren minder dan hun voorgangers, maar het fenomeen is niet opgelost. Elk productiesysteem dat AI-output gebruikt voor beslissingen met reële gevolgen, moet een verificatie- of human-in-the-loop stap bevatten. Dit is geen optie — het is een basisvereiste voor verantwoord AI-gebruik.