Nieuws

Waarom taalmodellen hallucineren en waarom dat belangrijk is

8 september 20255 min lezen

AI heeft de afgelopen jaren enorme stappen gezet. Van rapporten opstellen tot ingewikkelde vragen beantwoorden: taalmodellen zoals ChatGPT en andere AI-agents zijn voor miljoenen mensen dagelijkse tools geworden. Toch delen deze systemen, hoe knap ze ook zijn, één frustrerend gebrek: ze geven soms zelfverzekerde, overtuigende antwoorden die gewoon niet kloppen.

Dit verschijnsel staat bekend als hallucinatie. De term klinkt misschien mysterieus, maar uit onderzoek blijkt dat hallucinaties geen storing in het systeem zijn: ze zitten ingebakken in de manier waarop deze modellen worden getraind en beoordeeld. Begrijpen waar ze vandaan komen is de eerste stap om AI verantwoord te gebruiken.

Wat bedoelen we met “hallucinatie”?

Een hallucinatie ontstaat wanneer een taalmodel aannemelijke maar onjuiste informatie genereert.

Vraag een AI wanneer Einstein geboren is en je krijgt vrijwel zeker het juiste antwoord.
Maar vraag je naar een weinig bekende wetenschapper of een zelden gedocumenteerd feit, dan kan het model met volle overtuiging een datum of detail noemen, ook als dat fout is.

In tegenstelling tot eerdere generaties chatbots produceren de systemen van nu zelden onzin die je meteen doorziet. Hun fouten voelen juist realistisch aan. Dat maakt hallucinaties zo lastig: ze zien eruit en klinken als echte kennis, maar zetten je op het verkeerde been.

Een paar voorbeelden uit recente evaluaties:

Drie verschillende (foute) geboortedata geven voor dezelfde persoon.
De letters in een woord verkeerd tellen en blijven volhouden dat het foute aantal klopt.
Verzonnen titels van wetenschappelijke artikelen produceren die officieel klinken.

In geen van deze gevallen liegt het model bewust. Het put uit statistische patronen in zijn trainingsdata, vult gaten op met de meest waarschijnlijke aanvulling en presenteert die als feit.

Waarom hallucineren taalmodellen eigenlijk?

Om te begrijpen waarom hallucinaties ontstaan, helpt het om te kijken naar hoe taalmodellen worden getraind.

Pretraining: patronen leren in plaats van feiten

Modellen worden eerst “voorgetraind” op enorme hoeveelheden tekst: boeken, websites, artikelen. Ze leren daar geen feiten uit, maar hoe waarschijnlijk het is dat woorden en zinnen samen voorkomen. Het zijn met andere woorden geoefende gokkers.

Zelfs met perfect schone trainingsdata zouden er fouten insluipen, omdat de training het voorspellen van het volgende woord beloont en niet het herkennen van waarheid. Statistisch gezien zijn fouten dus onvermijdelijk.

De vergelijking met een examen

Denk aan een student die een meerkeuze-examen maakt. Weet hij het antwoord zeker, dan vult hij het juiste in. Twijfelt hij, dan gokt hij. Soms heeft hij geluk, soms niet. Taalmodellen doen iets vergelijkbaars: ook als ze iets niet “weten”, geven ze toch een antwoord, want daar worden ze tijdens de training voor beloond.

Soorten hallucinatiefouten

Onderzoekers wijzen op verschillende oorzaken:

Willekeurige feiten: zeldzame details (zoals obscure geboortedata) komen maar één keer voor in de trainingsdata. Modellen kunnen die niet betrouwbaar leren, dus wordt er volop gegokt.
Beperkingen van het model: sommige taken (zoals letters tellen) leggen de grenzen van de techniek bloot. Een model dat tekst verwerkt in brokjes (“tokens”) in plaats van losse letters, heeft het lastig met simpel telwerk.
Rommel erin, rommel eruit: bevatten de trainingsdata fouten of halve waarheden, dan kunnen die fouten in de antwoorden terugkomen.

De conclusie: hallucinaties zijn geen willekeurige eigenaardigheden, maar statistische bijproducten van hoe modellen leren.

Waarom lossen aanpassingen achteraf het niet op?

Na de pretraining volgt een fase van natraining, bijvoorbeeld met een techniek waarbij mensen feedback geven op de antwoorden van het model (RLHF). Het doel is de modellen beter te laten aansluiten op wat mensen willen en het aantal fouten terug te dringen.

Maar hier zit het probleem: de manier waarop we AI-systemen beoordelen, houdt hallucinaties juist in stand.

Toetsen belonen gokken

De meeste benchmarks, de standaardtests waarmee modellen worden gescoord, kennen alleen goed of fout. Een antwoord als “ik weet het niet” levert geen punten op. Een model dat altijd gokt, scoort daardoor vaak beter dan een model dat af en toe toegeeft dat het twijfelt.

Het is opnieuw het schoolexamen-probleem: bluffen loont. Een stellig, specifiek antwoord als “30 september” scoort beter dan een eerlijk “ergens in het najaar” of “ik weet het niet”.

Ranglijsten en prestatiedruk

Omdat ranglijsten aanzien en gebruikers opleveren, sturen ontwikkelaars hun modellen op precies deze scores. Het onbedoelde gevolg is dat modellen worden getraind om goed te scoren op tests in plaats van betrouwbaar te antwoorden.

Dat verklaart waarom zelfs de allernieuwste systemen blijven hallucineren.

Kunnen we AI-modellen dan nog vertrouwen?

Hallucinaties betekenen niet dat AI nutteloos is. Ze betekenen wel dat je de juiste verwachtingen moet hebben.

Zoek- en opzoekfuncties (RAG, waarbij de AI eerst echte documenten raadpleegt) kunnen antwoorden onderbouwen met bronnen en zo hallucinaties beperken. Maar ook die systemen gaan de mist in als de gevonden informatie dubbelzinnig of onvolledig is.
Modellen met extra redeneerkracht kunnen beter letters tellen en problemen in meerdere stappen oplossen dan oudere versies, maar er blijven nadelen aan kleven.
Uiteindelijk hangt vooruitgang af van betere beoordelingsmethoden. Zouden de tests eerlijkheid belonen, bijvoorbeeld met deelpunten voor een model dat bij twijfel past, dan zouden modellen leren dat “ik weet het niet” zeggen soms de juiste zet is.

Wat dit betekent voor ondernemers en professionals

Voor bedrijven en professionals die met AI-tools werken, zijn de lessen duidelijk:

Gebruik AI als copiloot, niet als orakel. Behandel de output als concept of suggestie, niet als absolute waarheid.
Controleer kritieke informatie. Zeker bij juridische, medische of financiële onderwerpen blijft menselijk toezicht onmisbaar.
Bouw controles in je werkwijze in. Combineer de snelheid van AI met menselijk oordeel voor het beste resultaat.

Bij AgentAya geloven we dat inzicht in deze beperkingen hoort bij slimmer kiezen. Door de ruis weg te filteren en heldere vergelijkingen te bieden, helpen we professionals tools te vinden waarbij vernieuwing en betrouwbaarheid in balans zijn.

Conclusie

Hallucinaties zijn geen mysterieuze storingen, maar het logische gevolg van hoe taalmodellen worden gebouwd en getest. Van zeldzame feiten in de trainingsdata tot testmethoden die bluffen belonen: de oorzaken zitten in de structuur zelf.

Gelukkig valt er iets aan te doen. Met kennis van zaken, betere beoordelingsmethoden en een doordachte aanpak kan je hallucinaties beheersen in plaats van erdoor verrast te worden. AI is niet meer weg te denken, maar er verstandig op vertrouwen betekent weten wanneer het model misschien aan het gokken is.

Verder lezen:

Why Language Models Hallucinate (Kalai, Nachum, Vempala & Zhang, 2025)