Je vraagt een collega wanneer een bepaald gebouw werd opgetrokken. Hij kijkt even naar het plafond, fronst en zegt dat het waarschijnlijk ergens in de jaren twintig was, maar dat hij het zou moeten nakijken. Daarna stel je dezelfde vraag aan een AI-assistent. Binnen enkele seconden verschijnt een keurig antwoord met een exact jaartal, de naam van een architect, een bouwstijl en een korte verklaring over de historische context. Geen aarzeling. Geen zichtbare twijfel. Geen spoor van onzekerheid.

Het tweede antwoord voelt beter.

Dat gevoel is precies waar een van de merkwaardigste problemen van generatieve kunstmatige intelligentie begint. Een taalmodel kan een verkeerd antwoord formuleren in dezelfde beheerste, verzorgde taal waarmee het een juist antwoord geeft. Voor de lezer ontbreekt daardoor een signaal dat in menselijke communicatie voortdurend aanwezig is: de kleine hapering waarmee iemand laat merken dat zijn kennis ophoudt.

Recente experimenten laten zien dat dit meer is dan een theoretisch ongemak. Mensen blijken de betrouwbaarheid van antwoorden van grote taalmodellen moeilijk te kunnen inschatten op basis van de tekst alleen. Ze kunnen een uitvoerige uitleg zelfs betrouwbaarder vinden dan een korte uitleg, terwijl die extra woorden de kans dat het antwoord correct is helemaal niet verhogen. De overtuigingskracht van het antwoord en de kwaliteit van de onderliggende kennis lopen dus niet noodzakelijk samen.

Daarmee ontstaat een nieuw soort informatieprobleem. Niet alleen onjuiste informatie vormt een risico. Vooral onjuiste informatie die eruitziet alsof er nauwelijks reden is om eraan te twijfelen verdient aandacht.

Een fout zonder aarzeling

Menselijke twijfel heeft een taal. We zeggen 'volgens mij', 'ik denk dat', 'ik ben niet helemaal zeker' of gewoon 'dat weet ik niet'. Zelfs zonder die woorden verraden een stilte, een correctie halverwege een zin of een aarzelende formulering vaak dat iemand zijn antwoord minder vertrouwt.

Bij een chatbot werkt dat anders. Een groot taalmodel produceert tekst op basis van statistische patronen die het tijdens zijn training heeft geleerd. Het berekent welke volgende woorden waarschijnlijk passend zijn binnen de gegeven context. Dat proces kan bijzonder krachtige resultaten opleveren. Moderne modellen kunnen teksten samenvatten, complexe concepten uitleggen, programmeren, redeneringen structureren en verbanden leggen die voor gebruikers indrukwekkend nuttig zijn.

Maar waarschijnlijk taalgebruik is niet hetzelfde als betrouwbare kennis.

Een model kan bijvoorbeeld geleerd hebben dat een antwoord op een historische vraag meestal bestaat uit een naam, een datum en wat context. Wanneer de precieze informatie ontbreekt of moeilijk uit de geleerde patronen af te leiden is, kan het toch een antwoord construeren dat precies op zo'n historisch antwoord lijkt.

Daarvoor wordt vaak het woord 'hallucinatie' gebruikt. Dat begrip is inmiddels zo breed geworden dat onderzoekers steeds vaker specifieker spreken over confabulaties: vloeiende, plausibele beweringen die niet voldoende door feiten worden gedragen. Het model fantaseert daarbij niet zoals een mens fantaseert. Het probeert ook niet bewust te liegen. Het genereert eenvoudig een taalpatroon dat lokaal aannemelijk is, terwijl de feitelijke basis onvoldoende stevig kan zijn.

Onderzoek naar de oorsprong van zulke fouten wijst bovendien op een subtiel structureel probleem. Veel taalmodellen worden niet alleen getraind om nuttige antwoorden te produceren, ze worden ook geëvalueerd op het aantal vragen dat ze correct beantwoorden. Wanneer 'ik weet het niet' bij zo'n test even weinig punten oplevert als een fout antwoord, ontstaat er een impliciete prikkel om toch te gokken. Een fout antwoord heeft immers nog een kans om toevallig juist te zijn. Niet antwoorden heeft die kans niet. Onderzoekers beschreven in 2026 hoe klassieke nauwkeurigheidsscores daardoor onbedoeld gedrag kunnen belonen dat op overtuigend gokken lijkt.

Dat maakt de vergelijking met een examenstudent verrassend bruikbaar. Wie geen punten verliest voor gokken, vult bij twijfel toch een antwoord in. Alleen schrijft een taalmodel die gok niet als een haastig kruisje op een meerkeuzeformulier. Het kan er drie verzorgde alinea's omheen bouwen.

Vloeiend taalgebruik voelt als kennis

Daar komt een menselijke eigenschap bij. We gebruiken voortdurend oppervlakkige signalen om te bepalen of informatie betrouwbaar lijkt. Een spreker die helder formuleert, zonder voortdurend terug te krabbelen en met voldoende details, komt gemakkelijker deskundig over dan iemand die stottert en iedere zin relativeert.

Dat is niet per definitie irrationeel. In het dagelijkse leven zijn dergelijke signalen vaak bruikbaar. Iemand die zijn vak goed kent, hoeft bij elementaire vragen doorgaans minder lang na te denken. Een arts, technicus of advocaat gebruikt specifieke begrippen die een leek niet spontaan zou hanteren. Vloeiendheid en detail kunnen dus echte aanwijzingen voor expertise zijn.

Bij kunstmatige intelligentie worden die vertrouwde vuistregels minder betrouwbaar.

Een taalmodel is namelijk juist gebouwd om vloeiende taal voort te brengen. Stilistische zekerheid kan daardoor aanwezig blijven terwijl inhoudelijke zekerheid sterk daalt. De machine kent niet dezelfde spontane uiterlijke symptomen van twijfel die mensen bij elkaar herkennen. Een chatbot wordt niet stil omdat hij zich een naam niet meer kan herinneren. Hij kijkt niet zoekend naar boven. Zijn stem begint niet te haperen.

Op het scherm verschijnt gewoon een volgende zin.

Experimenten naar die menselijke interpretatie van AI-antwoorden brachten een opvallend effect aan het licht. Wanneer deelnemers langere verklaringen te zien kregen, nam hun vertrouwen in het antwoord toe. De langere tekst maakte hen echter niet beter in het onderscheiden van juiste en onjuiste antwoorden. Meer uitleg werd deels ervaren als meer bewijs, terwijl lengte op zichzelf niets over correctheid zegt.

Dat is belangrijk, omdat generatieve AI precies uitblinkt in het produceren van uitleg. Vraag om meer details en er komen meer details. Vraag om vijf redenen en je krijgt vijf redenen. Vraag om een professioneel klinkende analyse en de tekst krijgt het register van een rapport.

De hoeveelheid taal is daardoor bijna onbeperkt geworden. De hoeveelheid zekerheid niet.

Een verzonnen detail kan de rest geloofwaardiger maken

De gevaarlijkste fout hoeft zelfs niet het centrale antwoord te zijn. Stel dat een AI-assistent een grotendeels correcte uitleg over een bouwtechniek geeft, maar daarbij een niet-bestaande norm vermeldt. Of een correcte historische beschrijving aanvult met een verkeerd jaartal. Of een echte studie combineert met een verzonnen onderzoeker.

Juist omdat het grootste deel van de tekst aannemelijk klinkt, kan zo'n detail ongemerkt passeren.

Dat verschilt van veel menselijke fouten. Wanneer iemand duidelijk aan het gokken is, worden luisteraars vaak voorzichtiger. Bij een uitgebreid AI-antwoord ontbreekt die sociale waarschuwing. Feiten, waarschijnlijkheden en verzonnen elementen kunnen met exact dezelfde typografie en dezelfde grammaticale zekerheid naast elkaar staan.

Daarom zijn zogenaamde hallucinaties moeilijker te bestrijden dan simpelweg door modellen groter te maken. Betere modellen verminderen veel soorten fouten, maar volledige zekerheid is principieel lastig. Sommige feiten komen nauwelijks in trainingsgegevens voor. Sommige vragen zijn dubbelzinnig. Andere informatie verandert voortdurend. Soms bestaat het gevraagde antwoord eenvoudigweg niet.

Onderzoekers hebben daarom technieken ontwikkeld om onzekerheid beter zichtbaar te maken. Een interessant voorbeeld kijkt niet uitsluitend naar één gegenereerd antwoord, maar laat een model meerdere mogelijke antwoorden produceren en vergelijkt hun betekenis. Wanneer verschillende generaties inhoudelijk sterk uiteenlopen, kan dat een aanwijzing zijn dat het model weinig houvast heeft. Deze benadering, bekend als semantische entropie, bleek bruikbaar om bepaalde vormen van confabulatie te signaleren.

Het is geen universele leugendetector. Een model kan immers consequent dezelfde fout herhalen. Maar het illustreert wel een belangrijke verschuiving in AI-onderzoek. De vraag wordt steeds minder alleen: 'Kan het model een antwoord geven?' Minstens zo belangrijk wordt: 'Kan het systeem herkennen wanneer dat antwoord onvoldoende betrouwbaar is?'

Twijfel is geen zwakte

Daarmee krijgt een menselijke eigenschap die vaak als gebrek wordt gezien plots een nieuwe waarde.

Wie zegt 'ik weet het niet', levert minder informatie dan iemand die onmiddellijk antwoordt. Toch kan die terughoudendheid precies de meest nuttige informatie bevatten. Ze vertelt iets over de grens van iemands kennis.

In de wetenschap is dat vanzelfsprekend. Een onderzoeker maakt onderscheid tussen wat gegevens aantonen, wat waarschijnlijk is en wat voorlopig onbekend blijft. Een weersverwachting spreekt over kansen. Een arts werkt met waarschijnlijkheden. Een ingenieur rekent met veiligheidsmarges. Deskundigheid bestaat niet alleen uit weten wat juist is, maar ook uit herkennen wanneer zekerheid niet gerechtvaardigd is.

Bij AI wordt die tweede vaardigheid minstens even belangrijk.

Dat betekent niet dat taalmodellen altijd blind overtuigd zijn van hun eigen antwoorden. Onder bepaalde omstandigheden bevatten hun interne berekeningen wel degelijk informatie waarmee correcte en incorrecte antwoorden gedeeltelijk van elkaar kunnen worden onderscheiden. Onderzoek laat zien dat modellen in sommige taken behoorlijk bruikbare onzekerheidssignalen hebben. Het probleem is dat die interne onzekerheid niet automatisch correct wordt vertaald naar taal die mensen begrijpen. Een gebruiker ziet geen kansverdeling achter de woorden. Hij ziet alleen de woorden.

Dat verschil is cruciaal. Een model kan intern relatief onzeker zijn en toch een nette, stellige alinea genereren. De menselijke lezer kan vervolgens veel meer zekerheid uit die tekst halen dan gerechtvaardigd is.

Toen onderzoekers taalmodellen hun onzekerheid explicieter lieten verwoorden, werden gebruikers beter in het inschatten van de betrouwbaarheid van antwoorden. Formuleringen die aangaven dat een antwoord onzeker was, bleken dus niet louter cosmetisch. Ze hielpen mensen hun vertrouwen beter af te stemmen op de werkelijke prestaties van het systeem.

Misschien ligt daar een deel van de toekomst van betrouwbare AI. Niet in systemen die doen alsof ze overal een antwoord op hebben, maar in systemen die beter leren aangeven waar het vaste land ophoudt.

Het probleem groeit wanneer onze eigen kennis afneemt

Er zit nog een ongemakkelijk element in onze verhouding met AI. We controleren vooral antwoorden wanneer we voldoende van een onderwerp weten om te beseffen dat controle nodig is.

Vraag je een chatbot iets over je eigen beroep, dan springt een vreemde term onmiddellijk in het oog. Een fout technisch begrip voelt verkeerd. Een onwaarschijnlijk cijfer roept twijfel op.

Maar juist voor onderwerpen waarover je weinig weet, gebruik je een assistent vaak het meest. Daar verdwijnt je ingebouwde foutdetectie.

Een consument die een contract probeert te begrijpen, een student die een onbekende theorie bestudeert of een medewerker die informatie zoekt over regelgeving kan moeilijk beoordelen welke details controle verdienen. Hoe overtuigender en vollediger de uitleg klinkt, hoe verleidelijker het wordt om het hele antwoord als één betrouwbaar pakket te behandelen.

Dat mechanisme sluit aan bij breder onderzoek naar vertrouwen in geautomatiseerde beslissingsondersteuning. Mensen kunnen AI-advies blijven volgen wanneer dat advies botst met andere beschikbare informatie, vooral wanneer het systeem als gezaghebbend of behulpzaam wordt ervaren. Tegelijk bestaat ook het omgekeerde verschijnsel: mensen kunnen algoritmen te weinig vertrouwen nadat ze één fout hebben gezien. Het doel is daarom niet maximaal vertrouwen, maar gekalibreerd vertrouwen, vertrouwen dat ongeveer overeenkomt met wat een systeem werkelijk kan.

Dat onderscheid verandert ook de discussie over AI-geletterdheid. 'Controleer alles wat AI zegt' klinkt verstandig, maar is nauwelijks werkbaar wanneer iemand dagelijks tientallen antwoorden gebruikt. Een technologie die pas veilig wordt wanneer iedere zin handmatig door een deskundige wordt nagelopen, verplaatst een groot deel van haar werk terug naar de gebruiker.

Betrouwbaarheid moet daarom ook in het systeem zelf worden ontworpen.

Zoeken helpt, maar maakt de fout niet onmogelijk

Een belangrijke ontwikkeling is dat moderne AI-systemen steeds vaker externe hulpmiddelen gebruiken. Ze kunnen informatie opzoeken, databanken raadplegen, documenten analyseren of berekeningen uitvoeren in plaats van uitsluitend op hun aangeleerde taalpatronen te vertrouwen.

Dat kan fouten aanzienlijk verminderen.

Wanneer een model een exact cijfer rechtstreeks uit een betrouwbare bron kan halen, hoeft het dat cijfer niet uit zijn statistische geheugen te reconstrueren. Wanneer het verschillende bronnen vergelijkt, ontstaat bovendien een mogelijkheid om inconsistenties te ontdekken.

Toch verdwijnt het probleem niet helemaal. Een model kan een juiste bron verkeerd interpreteren. Het kan relevante en irrelevante passages verwarren. Het kan een recente bron combineren met verouderde kennis. En zelfs wanneer alle opgezochte informatie correct is, kan de uiteindelijke conclusie nog verkeerd zijn.

De aanwezigheid van bronnen of zoekfuncties verandert dus vooral de kans op fouten, niet de logica van vertrouwen.

Dat is zeker belangrijk in toepassingen waar fouten grote gevolgen kunnen hebben. Een verzonnen restauranttip is vervelend. Een fout antwoord over medicatie, juridische verplichtingen, veiligheidsvoorschriften of technische installaties kan iets heel anders betekenen.

Daar hoort een andere norm bij. Naarmate de gevolgen van een fout groter worden, moet ook de drempel stijgen waarop een antwoord zonder verdere controle bruikbaar is. Dat principe gold altijd al voor menselijke informatie. Niemand verwacht dat één onbekende gesprekspartner het laatste woord heeft over een medische diagnose of een constructieberekening.

Alleen ziet een chatbot er op het scherm bij iedere vraag even competent uit.

De beste AI hoeft niet altijd iets te zeggen

Daarmee komen ontwikkelaars voor een paradox te staan. Gebruikers waarderen systemen die snel antwoorden. Een assistent die voortdurend 'dat weet ik niet' zegt, voelt weinig nuttig. Maar een systeem dat bijna altijd iets produceert, kan twijfel verbergen onder een laag grammaticale perfectie.

De oplossing ligt waarschijnlijk niet in permanente voorzichtigheid, maar in beter afgestemde voorzichtigheid.

Een goed ontworpen AI-assistent zou bij een eenvoudige, goed ondersteunde vraag direct moeten kunnen antwoorden. Bij een ambigu verzoek kan hij om verduidelijking vragen. Bij ontbrekende actuele informatie kan hij eerst zoeken. Bij zwakke aanwijzingen kan hij expliciet aangeven dat het antwoord onzeker is. En wanneer een betrouwbaar antwoord werkelijk niet beschikbaar is, kan zwijgen informatiever zijn dan improviseren.

Dat klinkt eenvoudig, maar het raakt aan een fundamentele verandering in wat we van kunstmatige intelligentie verwachten. De eerste generaties generatieve AI maakten vooral indruk doordat ze bijna altijd iets konden zeggen. De volgende stap is veel moeilijker: bepalen wanneer iets gezegd zou moeten worden.

Ook gebruikers zullen hun intuïtie moeten aanpassen. Een vloeiende formulering is geen bewijs. Een lang antwoord is geen controlemechanisme. Een exacte datum is niet automatisch nauwkeuriger dan een schatting. En een zelfverzekerde toon is geen meetinstrument voor waarheid.

Dat betekent evenmin dat menselijke twijfel altijd superieur is. Mensen herinneren zich feiten verkeerd, vertellen overtuigende onwaarheden en kunnen met grote zekerheid complete nonsens verkondigen. Wie ooit twee getuigen een gebeurtenis volledig verschillend heeft horen beschrijven, weet hoe beperkt menselijke zekerheid kan zijn.

Het verschil zit ergens anders.

Bij mensen hebben we eeuwen ervaring opgebouwd met de signalen rondom een uitspraak. We horen aarzeling, herkennen reputatie, kennen expertise en kunnen doorvragen. Bij generatieve AI wordt een groot deel van die sociale laag vervangen door één strak tekstvenster waarin correcte kennis en overtuigende fouten vrijwel hetzelfde uniform dragen.

Daarom krijgt de aarzelende collega uit de openingsscène achteraf iets sympathieks. Zijn antwoord was misschien minder indrukwekkend. Hij gaf geen jaartal tot op de dag nauwkeurig, geen architect en geen historische uitweiding. Maar met één kleine toevoeging gaf hij informatie die in het veel langere AI-antwoord ontbrak: 'Ik zou het moeten nakijken.'

In een tijd waarin machines steeds beter leren spreken, zou precies die zin wel eens een van de belangrijkste tekenen van intelligentie kunnen worden.