19 okt 2026 AI-hallucinaties: zo test je of je AI-toepassing dingen verzint

In het kort: Een AI-hallucinatie is een antwoord dat goed klinkt, maar verzonnen is. In je eigen AI-toepassing is dat een verkeerde belofte namens je bedrijf. Je test erop met vijf soorten vragen: bekende feiten, vragen buiten het onderwerp, bronchecks, verzonnen details en sturende vragen. Daarna meet je na elke wijziging hoeveel antwoorden verzonnen zijn.

De meeste artikelen over AI-hallucinaties zijn geschreven voor mensen die ChatGPT gebruiken. Check de bronnen, schrijf een betere prompt, vertrouw het niet blind. Goed advies. Maar draait je bedrijf een chatbot, een assistent of een zoekfunctie met AI erin, dan kunnen je klanten niets checken. Zij nemen het antwoord voor waar aan. Voor je team is de vraag dus een andere: hoe vaak verzint je toepassing iets, en hoe kom je daar eerder achter dan je klanten?

Wat is een AI-hallucinatie?

Een AI-hallucinatie is een antwoord van een AI-model dat zelfverzekerd en vloeiend klinkt, maar onjuist of verzonnen is. Het kan een fout feit zijn, een regeling die niet bestaat, een verzonnen bron, een nep-link of een prijs die nooit op je website stond. Het gebeurt omdat een taalmodel de meest waarschijnlijke volgende woorden voorspelt. Het zoekt de waarheid niet op. Weet het model het niet, dan maakt het vaak toch iets dat aannemelijk klinkt. Onderzoek van OpenAI verklaart een deel daarvan: de manier waarop modellen worden getraind en beoordeeld, beloont gokken boven “dat weet ik niet”. Nieuwere modellen maken minder fouten, maar geen enkel model is er vrij van. De OWASP Top 10 voor LLM-toepassingen noemt misinformatie, waaronder hallucinaties, als een van de grootste risico’s van toepassingen op basis van taalmodellen.

Waarom is een hallucinatie een testprobleem?

Een hallucinatie wordt een testprobleem zodra je toepassing het antwoord aan een klant geeft. Voor die klant komt het antwoord van je bedrijf, niet van een model. Een bekende zaak laat zien wat dat betekent. De chatbot van Air Canada vertelde een klant iets over korting bij een sterfgeval in de familie. Die korting kon hij volgens de chatbot na zijn vlucht nog aanvragen. Het echte beleid van de maatschappij zei iets anders. In 2024 oordeelde een Canadees tribunaal dat Air Canada verantwoordelijk was voor wat zijn chatbot zei, en moest betalen. De maatschappij had nog betoogd dat de chatbot zelf verantwoordelijk was voor zijn woorden. Daar ging het tribunaal niet in mee. De les voor elk team: elk antwoord van je AI is een uitspraak van je bedrijf. Je test het zoals elke andere functie die klanten iets belooft.

Hoe test je op hallucinaties?

Je test op hallucinaties met vragen waarvan je weet wat het antwoord moet zijn, en met vragen die de AI uitlokken om iets te verzinnen. Vijf soorten tests dekken het grootste deel van het risico:

1. Bekende feiten. Vragen waarvan het antwoord in je eigen documenten staat: prijzen, voorwaarden, openingstijden, productinformatie. Vergelijk het antwoord met de bron.
2. Buiten het onderwerp. Vragen die je toepassing niet hoort te beantwoorden, of niet kan. Het goede antwoord is “dat weet ik niet” of een verwijzing naar een medewerker. Een antwoord vol overtuiging is fout.
3. Bronchecks. Zoekt je AI eerst documenten op voordat hij antwoordt? Controleer dan of elke bewering in het antwoord ook in die documenten staat. Een waar feit dat niet in de bron staat, betekent nog steeds dat de AI zijn eigen gang ging.
4. Verzonnen details. Zoek naar bronnen, links, namen, getallen en wetsartikelen die niet bestaan. Die zijn makkelijk automatisch te controleren, dus doe dat elke keer.
5. Sturende vragen. Vragen met een onjuiste aanname, zoals “Mijn garantie is toch vijf jaar, dus kan ik…?” terwijl het twee jaar is. Een goed antwoord corrigeert de aanname. Een slecht antwoord gaat erin mee.

Stel belangrijke vragen meer dan één keer. Software met AI erin geeft niet altijd hetzelfde antwoord, dus één goed antwoord zegt weinig. Een simpele geslaagd of gezakt is niet genoeg: je geeft de antwoorden een score en kijkt naar de spreiding.

Hoe blijf je het meten?

Je blijft hallucinaties meten door dezelfde testset op vaste momenten en na elke wijziging te draaien. Per categorie houd je bij hoeveel antwoorden verzonnen zijn. Eén getal voor de hele toepassing verbergt te veel. Tien procent verzonnen antwoorden over openingstijden is vervelend. Twee procent over contractvoorwaarden kan een juridisch probleem zijn. Groepeer de vragen dus op onderwerp en risico, en bekijk elke groep apart. Draai de set opnieuw na elke nieuwe modelversie, aangepaste prompt of nieuwe lading documenten. Een modelupdate kan hallucinaties op het ene gebied verminderen en op het andere vergroten. Het is dezelfde cirkel als in ons model in vijf stappen voor AI testen na livegang. Vragen, ritme, scores, fouten koppelen aan regels en rapporteren.

Kun je hallucinaties voorkomen?

Je kunt hallucinaties verminderen, maar niet helemaal voorkomen. Testen blijft dus nodig. Verschillende maatregelen helpen. Laat de AI antwoorden uit je eigen documenten in plaats van uit zijn geheugen, vaak retrieval-augmented generation (RAG) genoemd. Vertel hem duidelijk dat “dat weet ik niet” een goed antwoord is. Beperk waar hij over mag praten. Voeg controles toe die antwoorden tegenhouden met prijzen of voorwaarden die niet kloppen met je data. Elk van deze maatregelen verlaagt het risico. Geen ervan bewijst dat het risico weg is. Alleen tests laten zien hoe vaak je toepassing nog iets verzint, en op welk gebied.

Daar lopen de meeste teams na een paar maanden op vast. Daarom hebben we VeritasAI gebouwd, onze eigen tool om AI-toepassingen te testen. Daarmee testen we je AI-toepassing als dienst. VeritasAI draait je testvragen doorlopend en controleert of de antwoorden kloppen. Het operationele dashboard laat zien welke vragen fout gaan, met de prompt, het antwoord en een prioriteitsscore. Zo lost je team eerst de antwoorden op die de meeste schade doen. Het managementdashboard laat zien of je toepassing over tijd beter of slechter wordt. Lees meer op onze pagina over AI Compliance Testing.

Veelgestelde vragen

Hallucineert AI in 2026 nog steeds?

Ja. Nieuwere modellen maken minder feitelijke fouten dan oudere, maar elk taalmodel hallucineert nog weleens. Hoe vaak hangt af van het model, het onderwerp en hoe je toepassing is gebouwd. Daarom meet je het in je eigen toepassing, in plaats van te vertrouwen op algemene ranglijsten.

Waarom hallucineert ChatGPT?

Taalmodellen voorspellen waarschijnlijke woorden; ze zoeken geen feiten op. Heeft het model geen goed antwoord, dan maakt het vaak een antwoord dat aannemelijk klinkt. Trainingsmethoden die gokken belonen boven onzekerheid toegeven, maken dat erger.

Kun je voorkomen dat AI hallucineert?

Niet helemaal. Antwoorden uit je eigen documenten, duidelijke instructies en controles op de uitvoer verminderen hallucinaties flink. Regelmatige tests laten zien wat er overblijft, en waar.

Wat lokt AI-hallucinaties het vaakst uit?

Vragen over iets wat het model niet weet, en vragen met een onjuiste aanname. Verzoeken om bronnen of exacte getallen. En onderwerpen waarover de documenten van de AI onvolledig of verouderd zijn.