Een hallucinatie is een aannemelijk antwoord dat toevallig onjuist is
Vraag een taalmodel naar het paginanummer van een citaat uit een boek waarover het heeft gelezen maar dat het nooit heeft gezien, en het geeft je een paginanummer. Het zal niet zeggen "dat kan ik niet weten". Het nummer is correct opgemaakt, staat in een zin die klinkt als elk ander citaat in de trainingsdata, en is verzonnen.
Dat is een hallucinatie: een vlotte, zelfverzekerde bewering zonder feit erachter. Het woord is een metafoor, en een enigszins misleidende, want er functioneert niets fout. Aan het model werd gevraagd om het meest waarschijnlijke vervolg van een citaat, en het produceerde er een. Bij een vraag waar het meest aannemelijk klinkende antwoord ook het ware antwoord is, wat bij de meeste vragen zo is, is datzelfde proces wat het model nuttig maakt.
De vormen die het aanneemt zijn voorspelbaar: verzonnen bronvermeldingen en URL's, statistieken zonder bron, citaten toegeschreven aan echte mensen die ze nooit hebben uitgesproken, functies van een product die niet bestaan, en juridische of medische beweringen die als vaststaand feit worden gepresenteerd. Waarom AI dingen fout heeft behandelt hoe je elk type herkent; deze pagina gaat over waarom ze überhaupt gebeuren.
Waarom een model dat het hele internet heeft gelezen toch dingen verzint
Twee mechanismes, en ze stapelen op elkaar.
Het model voorspelt, het haalt niet op. Een taalmodel heeft geen index van feiten. Alles wat het heeft gelezen is gecomprimeerd in zijn parameters, en op het moment van antwoorden regenereert het tekst token voor token uit die compressie, waarbij elk token wordt gekozen op basis van waarschijnlijkheid. Wanneer het juiste antwoord vaak voorkwam in de trainingsdata, is het waarschijnlijke vervolg ook het juiste. Wanneer het zeldzaam, afwezig of tegengesproken was, moet het model nog steeds een token kiezen, en het kiest een aannemelijke. Wat is een LLM legt de architectuur uit; de korte versie is dat er geen stap bestaat waarin het model zichzelf afvraagt of de zin die het schrijft echt is.
Training beloont gokken. In september 2025 publiceerde OpenAI een paper getiteld "Why Language Models Hallucinate", waarin wordt gesteld dat de benchmarks waarop modellen worden beoordeeld een fout antwoord en een blanco antwoord even hoog scoren, namelijk nul, terwijl een gelukkige gok volle punten scoort. Een model dat op die beoordeling wordt geoptimaliseerd, leert dezelfde les als een student bij een meerkeuzetoets zonder aftrek voor foute antwoorden: gok altijd. Het voorstel van het paper is om de beoordeling zo te veranderen dat "ik weet het niet" meer waard is dan een zelfverzekerde misser.
Twee rechtszaken die een dollarbedrag op een hallucinatie plakten
Mata tegen Avianca, New York, 2023. Twee advocaten dienden een pleitnota in met verwijzingen naar zes rechterlijke uitspraken die ChatGPT had geproduceerd. Geen van de zes bestond. De rechter legde de advocaten in juni 2023 een boete van $5,000 op en liet hen brieven schrijven aan de rechters aan wie de verzonnen uitspraken waren toegeschreven. Screenshots bij de verklaring van de advocaat tonen hem terwijl hij ChatGPT vraagt of de zaken echt waren, en ChatGPT bevestigt dat ze dat waren.
Moffatt tegen Air Canada, British Columbia, 2024. De chatbot op de website van Air Canada vertelde een klant dat hij een volledig geprijsd ticket voor een begrafenis kon boeken en achteraf een rouwkorting kon aanvragen. Het daadwerkelijke beleid van de luchtvaartmaatschappij zei het tegenovergestelde. Toen Air Canada aanvoerde dat de chatbot een aparte rechtspersoon was die verantwoordelijk was voor zijn eigen woorden, verwierp het Civil Resolution Tribunal dat in februari 2024 en verplichtte de luchtvaartmaatschappij $812.02 te betalen.
Geen van beide modellen was defect. Elk produceerde het meest aannemelijk klinkende antwoord op een vraag waarvan het ware antwoord buiten zijn bereik lag. De kosten kwamen terecht bij degene die niet controleerde.
Hallucinatie is een van vier soorten fouten, en de oplossingen verschillen
Mensen gebruiken het woord voor elk fout antwoord, en dat verhult dat de vier veelvoorkomende fouten vier verschillende oorzaken hebben.
| Fout | Wat er gebeurde | Hoe je het herkent | De oplossing |
|---|---|---|---|
| Hallucinatie | Het model verzon een feit om een aannemelijke zin af te maken | Specifiek, controleerbaar, zonder bron | Vraag om de bron, open die dan; vraag een tweede model |
| Verouderde kennis | Het feit klopte toen de training eindigde en klopt nu niet meer | Prijzen, versies, functiehouders, alles wat gedateerd is | Zet webzoeken aan of plak de actuele pagina |
| Ophaalfout | Zoeken of het geüploade bestand gaf de verkeerde passage terug | Het antwoord citeert je document maar behandelt een andere vraag | Lees de geciteerde passage, niet alleen de verwijzing |
| Verkeerd gelezen | Het model beantwoordde een net andere vraag dan je stelde | Het antwoord klopt over iets anders | Herformuleer de vraag met de beperking expliciet gemaakt |
Alleen de eerste rij is een hallucinatie in strikte zin. Rijen twee en drie zijn groundingproblemen en worden grotendeels opgelost door het model iets te geven om te lezen. Rij vier is een promptprobleem. Alle vier behandelen als één mysterieuze fout leidt mensen naar de verkeerde oplossing, meestal "gebruik een groter model", wat het minst helpt bij rij één.
De dubbele-modelcheck, en wat die kost
De betrouwbaarste gewoonte tegen de strikte vorm van hallucinatie is een tweede, ander model dezelfde vraag te stellen en te vergelijken. Twee modellen van verschillende labs, getraind op verschillende data met verschillende post-training, verzinnen zelden hetzelfde citaat. Overeenstemming is een zwak bewijs dat het feit klopt. Onenigheid is een sterk signaal om te controleren voordat je handelt.
De reden dat dit werkt waar "vraag hetzelfde model om dubbel te checken" niet werkt: een tweede ronde door hetzelfde model is dezelfde voorspeller die opnieuw gokt vanuit dezelfde compressie. Een ander model is een andere compressie.
De tweede mening hoeft niet van een duur model te komen. Op de Artificial Analysis Intelligence Index, een samengestelde score van publieke redenerings-, codeer- en kennisbenchmarks gelezen op 2026-09-17, scoort DeepSeek V4 Flash 40 en kost 1 Whizi credit per bericht; Claude Sonnet 5 scoort 38 en kost 10. De stippellijn is de frontier, de beste score per prijs, en elk punt erop is een ander lab. Een kruiscontrole met twee labs voor 1 en 10 credits kost 11 credits, en de side-by-side weergave stuurt één vraag naar beide op één scherm. De advocaten in Mata tegen Avianca betaalden $5,000 voor de controle die ze niet uitvoerden.
Wat hallucinaties vermindert, gerangschikt naar hoeveel
- Grounding. Webzoeken, een geüpload document of een geplakte bron verandert de taak van "onthouden" in "lezen en samenvatten", wat modellen veel betrouwbaarder doen. Dit is de grootste reductie van allemaal en het is een productinstelling, geen prompttruc.
- Een tweede model. Andere training, andere faalpatronen. Vangt de meeste verzonnen specifieke details.
- Om bronnen vragen en ze openen. Een model dat gevraagd wordt te citeren, zal citeren; de check is of de bron bestaat en zegt wat het antwoord beweert.
- Toestemming om nee te zeggen. "Als je het niet zeker weet, zeg dat dan" verandert wat het meest waarschijnlijke vervolg is, waardoor het model bij lastige vragen vaker weigert in plaats van te verzinnen.
- Een groter model. Frontier-modellen hallucineren minder over algemene kennis dan kleine modellen, maar het verschil is het kleinst juist waar het ertoe doet, bij zeldzame en specifieke feiten.
De volgorde is het punt. De meeste mensen grijpen eerst naar punt vijf, en dat is de zwakste hendel op de lijst.
- Behandel elke specifieke, controleerbare bewering zonder bron als onbevestigd: een citaat, een statistiek, een quote, een productfunctie
- Zet webzoeken aan of voeg het document toe wanneer het antwoord afhangt van iets recents, privés of precies
- Vraag een tweede model van een ander lab voordat je handelt op basis van een cijfer of citaat; onenigheid betekent controleren
- Open de geciteerde bron en bevestig dat die zegt wat het antwoord beweert, niet alleen dat die bestaat
- Voeg "zeg het als je het niet zeker weet" toe aan prompts bij lastige vragen
Veelgestelde vragen
Waarom hallucineren AI-modellen?
Omdat ze de meest aannemelijke volgende woorden genereren in plaats van feiten op te zoeken, en omdat hun training een zelfverzekerde gok beloont boven toegeven dat ze iets niet weten. OpenAI's paper uit september 2025, "Why Language Models Hallucinate", laat zien dat de benchmarks een blanco antwoord en een fout antwoord identiek beoordelen, waardoor gokken de winnende strategie is die het model leert.
Kunnen AI-hallucinaties helemaal worden voorkomen?
Niet met de huidige modellen, want aannemelijke tekst genereren is hetzelfde mechanisme dat zowel juiste als verzonnen antwoorden oplevert. Ze kunnen wel flink worden verminderd: het model grounden in zoekresultaten of een document, een tweede model raadplegen, en bronnen eisen die je vervolgens opent, verwijderen samen een groot deel. Wat overblijft is het resterende risico bij zeldzame, specifieke feiten.
Welke AI hallucineert het minst?
Frontier-modellen van OpenAI, Anthropic en Google hallucineren minder dan kleine modellen bij algemene kennis, maar het verschil wordt kleiner bij zeldzame en specifieke feiten, precies waar de schade zit. Een gegrond klein model met webzoeken aan verslaat vaak een ongegrond frontier-model bij feitelijke vragen, dus de instelling telt meer dan het label.
Is een hallucinatie hetzelfde als een fout?
Het is één soort. Een hallucinatie is een verzonnen feit dat zelfverzekerd wordt gepresenteerd. Verouderde kennis (klopte tijdens training, klopt nu niet meer), een ophaalfout (de verkeerde passage werd opgehaald) en een verkeerd gelezen vraag zijn andere fouten met andere oplossingen, en alleen de eerste reageert op "vraag om bronnen".
Wat gebeurde er in de ChatGPT-advocatenzaak?
In Mata tegen Avianca, aangespannen in New York, dienden twee advocaten een pleitnota in met verwijzingen naar zes zaken die ChatGPT had verzonnen. De rechtbank legde hen in juni 2023 een boete van $5,000 op. Een jaar later, in Moffatt tegen Air Canada, verplichtte een tribunaal de luchtvaartmaatschappij $812.02 te betalen nadat de chatbot een verzonnen rouwkortingsbeleid had verzonnen, en verwierp het argument dat de chatbot verantwoordelijk was voor zijn eigen uitspraken.
