Een AI-model dat zijn eigen antwoord nog eens nakijkt, voelt intuïtief als een extra zekerheid. Onderzoek uit het voorjaar van 2026 maakt duidelijk dat die zekerheid grotendeels schijn is. Het peer-reviewed werk Fragment-Level Verification Across Diverse LLMs vertrekt van een simpele vaststelling: een model is geen betrouwbare beoordelaar van zijn eigen output. Effectieve verificatie ontstaat pas wanneer je generatie en controle scheidt, en de controle bij modellen legt die zich aantoonbaar anders gedragen.
Voor professionals die met vertrouwelijke of hoog-trust informatie werken, is dat geen academisch detail. Het raakt de kern van de vraag hoeveel je op een enkel AI-antwoord kunt bouwen.
Waar één model ophoudt betrouwbaar te zijn
Benchmarkcijfers suggereren vaak een geruststellend laag foutpercentage. De praktijk is grilliger. Het overzicht A Survey on Hallucination in Large Language Models vat zes grote benchmarks samen en laat zien dat de hallucinatieratio van hetzelfde model sterk varieert met taak en meetmethode: van rond de 22% tot 94%. Een model dat op de ene taak vrijwel foutloos oogt, kan op de andere structureel misgaan. Top-detectietools onderscheppen volgens hetzelfde overzicht zo'n 90 tot 91% van de hallucinaties — wat betekent dat ongeveer één op de tien onopgemerkt blijft.
De recentere synthese AI Hallucination Statistics (2026) versterkt dat beeld: het benchmarkontwerp bepaalt de kopcijfers vaak sterker dan het model zelf. Eén model plus één benchmark is daarmee nooit een volledige maat voor betrouwbaarheid. Voor een gevoelige beslissing zegt een gunstig benchmarkgetal weinig over hoe het model presteert op jouw specifieke, vaak atypische taak.
Praktijkdata onderstrepen dit. De Multi-Model AI Divergence Index Q1 2026 analyseerde 1.324 multi-modelturns en vond dat in 99,1% van de gevallen minstens één ander model een correctie, tegenspraak of aanvullend inzicht leverde ten opzichte van het eerste antwoord. Bij sommige modellen werd ongeveer de helft van de hoog-confidence antwoorden door peers inhoudelijk gecorrigeerd of tegengesproken. Zelfvertrouwen van een model is dus geen betrouwbare indicator van juistheid.
Waarom ‘een tweede model’ niet automatisch helpt
De voor de hand liggende reactie — laat een tweede of derde model meekijken — lost het probleem maar deels op. De studie How Independent are Large Language Models? laat zien dat grote taalmodellen onderling sterk gedragscorreleren. Modellen die op vergelijkbare data zijn getraind, delen vaak dezelfde blinde vlekken. Een naïeve meerderheidsstem over zulke modellen kan gedeelde biases en hallucinaties juist bevestigen in plaats van corrigeren.
De auteurs introduceren een statistisch raamwerk om deze ‘behavioral entanglement’ te auditen en verifier-ensembles te herwegen op basis van gemeten onafhankelijkheid. Pas met die herweging verbetert de verificatie meetbaar — met circa 4,5 procentpunt ten opzichte van simpele voting. De les is scherp: multi-modelverificatie werkt alleen als je de onafhankelijkheid tussen modellen expliciet ontwerpt en meet, niet als je er blind vanuit gaat.
Het Fragment-Level-kader wijst de weg naar hoe het wél kan. In plaats van een heel antwoord goed of fout te verklaren, worden claims fragment voor fragment tegen elkaar afgezet. Zo kunnen fouten gerichter worden opgespoord, en kunnen zelfs uit meerdere deels foutieve antwoorden de correcte deelclaims worden samengesteld. Verificatie wordt daarmee geen extra knopje op een model, maar een aparte architectuur met bewust verschillend gedragende modellen.
Verificatie als ontworpen keten
Voor hoog-trust workflows volgt hieruit een paar concrete ontwerpprincipes. Kies verifiers uit andere modelfamilies dan de generator, zodat de correlatie laag blijft. Werk op claim-niveau in plaats van op antwoordniveau. Vertrouw benchmarkcijfers niet als eindoordeel, maar behandel ze als één signaal tussen vele. En reserveer menselijke review juist voor die claims waar modellen structureel van elkaar verschillen of waar zij gedeelde onzekerheid tonen — dat zijn de plekken waar geautomatiseerde verificatie het minst betrouwbaar is.
Belangrijk daarbij: ook een goed ontworpen ensemble is geen garantie. De divergentiecijfers laten zien dat multi-modelreview fouten substantieel reduceert, maar niet volledig wegneemt. Het menselijke eindoordeel blijft nodig, en het is verstandig dat oordeel te richten op de meest onzekere onderdelen in plaats van op het geheel.
Waar Vera in past
Deze inzichten sluiten aan bij hoe wij Vera hebben opgezet. Vera is geen chatbot en geen eigen taalmodel, maar een verificatielaag. Een taak kan via geselecteerde, onafhankelijke AI-modellen worden geleid, waarbij de verificatiestappen, correcties, tegenspraak en bronnen zichtbaar worden gemaakt voor inspectie. Dat maakt controle mogelijk en geeft meer zicht op waar één model ophield betrouwbaar te zijn en waar modellen elkaar tegenspraken — maar het garandeert geen juistheid en neemt hallucinaties niet volledig weg.
Voor gevoelige documenten is er de Semantic Privacy Shield: gevoelige waarden kunnen op EU-infrastructuur worden vervangen door synthetische, sessiegebonden equivalenten voordat de AI-keten aan de slag gaat. De workflow is ontworpen om alleen geanonimiseerde inhoud door te sturen en is fail-closed — als de privacycontrole mislukt, wordt het document niet doorgestuurd. Meer daarover staat op de pagina over de Privacy Shield. De zichtbare sporen van welke modellen zijn ingezet en welke checks zijn gedaan, ondersteunen audit en incidentanalyse; zie de evidence-pagina.
De onderliggende boodschap uit het onderzoek en uit onze eigen keuzes is dezelfde: verificatie is geen eigenschap van een enkel model, maar een keten die je expliciet ontwerpt, meet en zichtbaar maakt. En aan het einde van die keten blijft het professionele oordeel — en de definitieve beslissing — bij de gebruiker.