Je stelt een vraag aan ChatGPT en krijgt een vlot, keurig onderbouwd antwoord terug. Een naam, een jaartal, een bronverwijzing zelfs. Het klinkt kloppend. En dan blijkt het verzonnen: het boek bestaat niet, het citaat is nooit uitgesproken. De AI heeft niet getwijfeld, niet gehakkeld, niet gewaarschuwd. Het gaf de onzin met precies dezelfde overtuiging als een waar antwoord.
Dat verschijnsel heet een hallucinatie, en het is geen randgeval. Het zit ingebakken in hoe deze modellen werken. In september 2025 publiceerde een team van OpenAI-onderzoekers, samen met een hoogleraar van Georgia Tech, een paper die precies uitlegt waaróm het gebeurt. De titel is onomwonden: Why Language Models Hallucinate. En de kern is oncomfortabel eerlijk voor de makers zelf.
Het model gokt, en dat is aangeleerd
Een taalmodel doet in de basis één ding: het voorspelt het volgende woord. Tijdens de training leert het uit gigantische hoeveelheden tekst welke formulering het meest waarschijnlijk is. Niet welke formulering waar is — welke het meest plausibel is. Waarheid en plausibiliteit vallen vaak samen, maar niet altijd. Bij een obscuur feit dat maar een paar keer in de trainingsdata voorkwam, is een vloeiende gok soms waarschijnlijker dan een correcte weergave.
Tot zover niets nieuws. Het scherpe punt van de OpenAI-paper zit in het tweede deel: waarom hallucinaties blijven bestaan, ook nadat een model is bijgeschaafd. Het antwoord ligt bij de manier waarop we modellen beoordelen.
Beginner-tip:Zie een taalmodel als een heel belezen gesprekspartner die nooit zegt “geen idee”. Het vult de leemte liever met een gladde zin dan met een eerlijke stilte. Jij bepaalt of je die zin op zijn woord gelooft.
De meeste AI-benchmarks — de gestandaardiseerde tests waarmee modellen tegen elkaar worden afgezet — werken als een meerkeuze-examen. Een goed antwoord levert een punt op. “Ik weet het niet” levert nul op. Precies zoals bij een tentamen waar niet-invullen en fout-invullen allebei nul punten geven: dan kun je maar beter gokken. De onderzoekers formaliseren dit en laten zien dat modellen die gokken stelselmatig hoger op de ranglijsten eindigen dan modellen die netjes hun twijfel uitspreken.
Het resultaat: de industrie optimaliseert al jaren op modellen die goede testafleggers zijn. En een goede testaflegger bluft als hij het niet zeker weet.
Wat dit betekent voor jou
De praktische les is dat de zelfverzekerde toon van AI geen betrouwbaarheidsmeter is. Hoe overtuigend een antwoord klinkt, zegt niets over of het klopt. Dat voelt tegennatuurlijk, want bij mensen lezen we zekerheid vaak als competentie. Bij een taalmodel is die koppeling er niet.
Drie dingen helpen concreet. Vraag om een bron bij elke feitelijke claim en klik door: kan het model laten zien wáár iets staat, of blijft het bij “algemeen bekend”? Geef het model expliciet toestemming om te twijfelen — een zin als “zeg ‘ik weet het niet’ als je onzeker bent” verlaagt de drang om te gokken merkbaar. En check zelf de harde details: namen, bedragen, jaartallen en juridische termen zijn de plekken waar een hallucinatie het meeste kwaad doet.
De onderzoekers zelf pleiten niet voor een technische wondermiddel, maar voor een verandering in de spelregels: pas de scoring van de bestaande tests aan, zodat een eerlijk “ik weet het niet” niet langer wordt afgestraft. Zolang de ranglijsten gokken belonen, blijven de modellen gokken. Het is een verrassend menselijke conclusie over een machine: je krijgt het gedrag dat je beloont.
Voor jou als gebruiker verandert er intussen weinig aan de aanpak. Behandel een vlot AI-antwoord als een goed geïnformeerde tip, niet als een bevestigd feit. De machine klinkt zeker omdat ze zo is getraind, niet omdat ze het zeker weet.