AI-hallucinatie

Wat is AI-hallucinatie?

AI-hallucinatie ontstaat wanneer een AI-systeem output genereert die feitelijk onjuist, verzonnen of niet onderbouwd is door de trainingsdata of het bronmateriaal. Bij large language models (LLM's) betekent hallucinatie dat het model stellige, vloeiende tekst produceert met verzonnen feiten, niet-bestaande bronvermeldingen of onjuiste beweringen. De term verwijst naar menselijke hallucinatie: het systeem neemt iets waar (of genereert iets) dat er niet is.

Voor klantenservice is AI-hallucinatie geen abstract onderzoeksprobleem, maar een concreet operationeel risico. Als een AI-agent een retourbeleid verzint, een productfunctie bedenkt of een verkeerd rekeningsaldo noemt, ondermijnt dat het vertrouwen van klanten en ontstaat er aansprakelijkheid. Volgens een benchmark van AIMultiple, bijgewerkt in januari 2026, bevatte meer dan 15% van de output van 37 geteste LLM's gehallucineerde content, en noemt 77% van de bedrijven hallucinatie een van de grootste zorgen bij de inzet van AI.

Hoe AI-hallucinatie ontstaat

Hallucinatie komt voort uit de manier waarop LLM's worden getraind. LLM's voorspellen het meest waarschijnlijke volgende token in een reeks. Dat doel beloont vloeiendheid en aannemelijkheid, niet feitelijke juistheid. Het model heeft statistische patronen geleerd en genereert tekst die bij die patronen past, geen geverifieerde feiten.

Hallucinatie heeft 3 hoofdoorzaken. Ten eerste problemen met trainingsdata: ruis, vooroordelen of verouderde informatie in het pretrainingscorpus nestelen onjuistheden in het model. Ten tweede een verkeerd doel: het voorspellen van het volgende token beloont een aannemelijk vervolg boven epistemische eerlijkheid. Ten derde kwetsbare retrieval: als de opgehaalde context in RAG-systemen onvolledig of irrelevant is, kan het model gaan hallucineren om de gaten op te vullen.

Belangrijkste soorten AI-hallucinatie

Intrinsieke hallucinatie: De gegenereerde output spreekt het bronmateriaal tegen dat het model heeft gekregen. Een AI-agent die een kennisbankartikel samenvat, stelt bijvoorbeeld het tegenovergestelde van wat er in het artikel staat.

Extrinsieke hallucinatie: De gegenereerde output bevat informatie die in geen enkele aangeleverde bron te verifiëren is. Dit is het klassieke 'dingen verzinnen', zoals verwijzen naar een niet-bestaand onderzoek of een productspecificatie bedenken.

Entiteits- en getalshallucinatie: Het model verwisselt de ene entiteit met de andere (een functie toeschrijven aan het verkeerde product) of verzint getallen, datums en prijzen. Deze soorten zijn vooral gevaarlijk in financiële dienstverlening, facturatie en orderbeheer.

Waarom AI-hallucinatie belangrijk is voor de klantervaring

In klantenservice is nauwkeurigheid niet optioneel. Een gehallucineerd antwoord kan ertoe leiden dat een klant een verkeerde prijs krijgt, onjuiste stappen om een probleem op te lossen of een verzonnen beleid dat het bedrijf vervolgens moet nakomen of betwisten. De kosten daarvan lopen op via terugbetalingen, escalaties, complianceschendingen en blijvende schade aan het vertrouwen in je merk.

Gartner noemt hallucinatie een belangrijke drempel voor de adoptie van generatieve AI in grote organisaties en beveelt meerlaagse maatregelen aan, waaronder retrieval-grounding, fine-tuning van modellen en verificatie na generatie, als essentiële onderdelen van elke AI-implementatie in productie.

Op schaal wordt de uitdaging nog groter. Een organisatie die miljoenen interacties per jaar verwerkt, kan niet elk AI-antwoord handmatig controleren. De aanpak moet in de systeemarchitectuur zijn ingebouwd, niet achteraf worden toegevoegd.

Zo beperk je AI-hallucinatie

Retrieval-augmented generation (RAG): Baseer elk antwoord op opgehaalde brondocumenten uit een geverifieerde kennisbank. RAG elimineert hallucinatie niet, maar beperkt sterk wat het model kan genereren.

Grounding met een knowledge graph: Gebruik knowledge graphs om gestructureerde, feitelijke context te bieden in plaats van alleen te vertrouwen op het ophalen van ongestructureerde tekst. Antwoorden die gegrond zijn in een graph hebben een verifieerbare redeneerketen.

Verificatie na generatie: Pas na het genereren factcheckmodules, betrouwbaarheidsdrempels en controles op bronvermeldingen toe. Is de output van het model niet terug te voeren op een bron, markeer die dan voor controle of laat het model geen antwoord geven.

Gekalibreerde onzekerheid: Recent onderzoek (arXiv, 2025) naar gedragsmatig gekalibreerd reinforcement learning traint modellen om eerlijk aan te geven hoe zeker ze zijn en geen antwoord te geven bij twijfel, in plaats van te gokken.

Domeinspecifieke fine-tuning: Fine-tune modellen op zorgvuldig samengestelde, hoogwaardige domeindata om de invloed van ruis in de pretrainingsdata op de output in gespecialiseerde sectoren te verkleinen.

Het voordeel van Maven

Het platform van Maven AGI is zo ontworpen dat hallucinatie op elk niveau tot een minimum wordt beperkt. Het systeem gebruikt RAG uit meerdere bronnen, gegrond in geverifieerde bedrijfsdata, intentieherkenning om antwoorden nauwkeurig af te bakenen en verificatie na generatie om de juistheid te controleren voordat een antwoord de klant bereikt. Bij lage betrouwbaarheid schakelt Maven via AI Copilot een medewerker in in plaats van te gokken.

Check, een bedrijf in overheidstechnologie, behaalde met Maven AGI 85% nauwkeurigheid bij complexe vragen over regelgeving en compliance. Dat laat zien dat nauwkeurigheid op enterpriseniveau haalbaar is, zelfs in domeinen waar hallucinatie echte gevolgen heeft.

Wil je meer lezen over onderzoek naar hallucinatie? Bekijk dan dit uitgebreide overzicht van technieken om hallucinatie te beperken op arXiv, of verdiep je in het onderzoek van Stanford HAI naar AI-hallucinaties.

Veelgestelde vragen

Kun je AI-hallucinatie volledig uitbannen?

Geen enkele huidige techniek bant hallucinatie volledig uit. Het doel is om die terug te brengen tot een acceptabel niveau voor de toepassing en systemen te bouwen die hallucinatie herkennen en er goed mee omgaan. Productiesystemen moeten meerdere lagen combineren (RAG, verificatie, gekalibreerde onzekerheid, escalatie naar medewerkers) om het risico en de impact van gehallucineerde output te minimaliseren.

Hoe herken je AI-hallucinatie in productie?

Detectiemethoden zijn onder meer controles op bronvermelding (is de output terug te voeren op een opgehaald document?), scores voor semantische consistentie (spreekt het antwoord het bronmateriaal tegen?), betrouwbaarheidsdrempels (ligt de zekerheid van het model onder een veilig niveau?) en human-in-the-loop-steekproeven, waarbij reviewers een willekeurige selectie van AI-antwoorden vergelijken met de brondata.

Is RAG genoeg om hallucinatie te voorkomen?

RAG vermindert hallucinatie aanzienlijk door generatie te baseren op opgehaalde documenten, maar is op zichzelf niet genoeg. Is de opgehaalde context onvolledig, verouderd of irrelevant, dan kan het model alsnog hallucineren om de gaten op te vullen. Effectieve systemen combineren RAG met grounding via een knowledge graph, verificatie na generatie en escalatie op basis van betrouwbaarheid.

Waarom hallucineren LLM's zelfs als ze juiste informatie krijgen?

LLM's verwerken informatie op basis van waarschijnlijkheid, niet op basis van logica. Zelfs met de juiste context in de prompt kan de voorspelling van het volgende token afdwalen van het bronmateriaal, vooral bij langere output of als de bron redeneren in meerdere stappen vereist. Daarom zijn verificatielagen essentieel: het generatieproces zelf brengt onzekerheid met zich mee, ongeacht de kwaliteit van de input.