02 nov 2026 AI-bias: zo test je of je AI-toepassing mensen verschillend behandelt

In het kort: AI-bias betekent dat een AI-systeem mensen of groepen zonder goede reden ongelijk behandelt. Je kunt erop testen zoals op elk ander risico. Stel dezelfde vraag twee keer, verander één detail zoals een naam, leeftijd of postcode, en vergelijk de antwoorden. Herhaal die tests in paren na elke wijziging, want bias kan ontstaan als het model, de prompt of de data verandert.

De meeste artikelen over AI-bias leggen uit waar het vandaan komt en waarom het ertoe doet. Minder artikelen vertellen wat een productteam op een dinsdagmiddag kan doen om te ontdekken of de eigen toepassing een probleem heeft. Voor een eerste antwoord heb je geen datascienceteam nodig. Je hebt concrete testgevallen nodig, een helder idee van welk verschil acceptabel is, en de discipline om de tests na elke wijziging opnieuw te draaien.

Wat is AI-bias?

AI-bias is wanneer een AI-systeem stelselmatig andere uitkomsten geeft voor mensen of groepen, zonder dat daar een goede reden voor is. Een selectietool die vrouwen lager rangschikt bij hetzelfde cv heeft bias. Een chatbot die kortere, minder behulpzame antwoorden geeft aan mensen die in eenvoudige taal schrijven ook. Het Amerikaanse normeninstituut NIST beschrijft drie bronnen van bias in AI. Systemische bias komt uit de samenleving en organisaties, en belandt in de data. Statistische bias komt uit data die niet iedereen goed vertegenwoordigt, of uit hoe een model is gebouwd. Menselijke bias komt uit de keuzes van de mensen die het systeem ontwerpen, testen en gebruiken. Een nuttig punt van NIST: bias is niet alleen een technisch probleem. Met een beter algoritme alleen los je het niet op. Je hebt ook mensen nodig die de juiste vragen stellen en de uitkomsten testen.

Waar komt bias in je toepassing vandaan?

Bias in je toepassing kan uit vier hoeken komen, en maar één daarvan is het model. Ten eerste het model zelf, getraind op data van internet met alle patronen die daarin zitten. Ten tweede je eigen data: de documenten, dossiers of historie die de AI gebruikt. Waren eerdere beslissingen ongelijk, dan leert de AI dat. Ten derde je ontwerp: de prompt, de instructies en de keuzes over wat de AI mag zeggen. Een prompt die zegt “houd het kort” kan sommige groepen harder raken dan andere. Ten vierde hoe de toepassing wordt gebruikt. Een tool die bedoeld is om te adviseren, kan ongemerkt de tool worden die beslist. Elk van deze vier kan na livegang veranderen. Daarom is een biastest vóór de lancering een begin, geen antwoord.

Hoe test je een AI-toepassing op bias?

Je test een AI-toepassing op bias met tests in paren: dezelfde vraag of hetzelfde geval, twee keer, met maar één kenmerk anders. Daarna vergelijk je de antwoorden. Is het enige verschil de naam of de leeftijd, en verandert de uitkomst, dan heb je iets gevonden om naar te kijken. Hieronder een voorbeeld voor een assistent die vragen over leningen voorbereidt.

Software met AI erin geeft niet altijd hetzelfde antwoord, dus draai elk paar meerdere keren en vergelijk patronen, geen losse antwoorden. Spreek vooraf af welk verschil je accepteert, en welk verschil een release tegenhoudt. Wees eerlijk over de grens: tests in paren vinden ongelijke behandeling in de gevallen die je test. Ze bewijzen niet dat die nergens anders bestaat.

Welke kenmerken test je?

Test de kenmerken die ertoe doen voor je gebruikers en die de wet beschermt. Begin bij de gronden uit de wetgeving over gelijke behandeling, zoals geslacht, leeftijd, afkomst, godsdienst en handicap. In Nederland ziet het College voor de Rechten van de Mens daarop toe. Voeg kenmerken toe die er ongemerkt voor in de plaats kunnen komen, zoals namen, postcodes, taalniveau of gaten in een cv. Voeg daarna toe wat specifiek is voor je toepassing. Een zorgassistent heeft andere paren nodig dan een chatbot van een webshop. Voor AI-systemen met een hoog risico is dit ook een wettelijke plicht. De AI-verordening verplicht aanbieders om hun data te onderzoeken op mogelijke vooroordelen. Ze moeten ook maatregelen nemen om die op te sporen, te voorkomen en te beperken (artikel 10). Bewaar je paren en resultaten, want dat onderzoek moet je kunnen laten zien.

Hoe houd je bias onder controle?

Je houdt bias onder controle door de tests in paren opnieuw te draaien na elke wijziging in model, prompt of data. En op vaste momenten in productie. Een nieuwe modelversie kan de ene bias oplossen en een andere introduceren. Nieuwe documenten in de kennisbank kunnen de antwoorden laten kantelen. Houd de resultaten per kenmerk over tijd bij, zodat je een trend ziet in plaats van één momentopname. Koppel elke bevinding aan de regel die erbij hoort en geef hem een prioriteit. Dit is de cirkel uit ons model in vijf stappen voor AI testen na livegang, toegepast op eerlijke behandeling.

Daar komt VeritasAI in beeld, onze eigen tool om AI-toepassingen te testen. Daarmee testen we je AI-toepassing als dienst. VeritasAI draait je testvragen doorlopend. Elk fout antwoord koppelt het aan de wet, regelgeving of het raamwerk waar het bij hoort, met een prioriteitsscore. Het operationele dashboard laat je team per fout de prompt en het antwoord zien. Het managementdashboard laat zien of je toepassing over tijd beter of slechter wordt. Lees meer op onze pagina over AI Compliance Testing.

Veelgestelde vragen

Wat is testen op AI-bias?

Testen op AI-bias controleert of een AI-systeem mensen of groepen zonder goede reden anders behandelt. Een praktische methode is testen in paren: hetzelfde geval twee keer, met één kenmerk anders, en de uitkomsten naast elkaar.

Heeft ChatGPT bias?

Elk groot taalmodel weerspiegelt patronen uit zijn trainingsdata, en daar zit bias in. Makers van modellen verminderen het, maar kunnen het niet helemaal weghalen. Voor je team telt hoe jouw toepassing zich gedraagt, met jouw prompt en jouw data. Test dat dus direct.

Kun je AI-bias helemaal weghalen?

Nee. Je kunt het verminderen en binnen afgesproken grenzen houden, door betere data, prompts en controles. Regelmatige tests laten zien of je binnen die grenzen blijft.

Wie is verantwoordelijk voor bias in een AI-systeem?

De organisatie die het systeem aanbiedt aan klanten of het gebruikt voor beslissingen. Onder de AI-verordening hebben aanbieders van systemen met een hoog risico specifieke plichten, en organisaties die ze gebruiken hebben eigen plichten. De voorwaarden van een modelleverancier nemen die verantwoordelijkheid niet bij je weg.