Hallucinatiedetectie richting 2026: waarom losse tools falen en een gelaagde verificatieworkflow nodig is

Hallucinatiedetectie signaleert automatisch dat AI-uitvoer feitelijk onjuist is of niet door de meegegeven context wordt gedragen. Recente studies laten zien dat geen enkele methode universeel werkt; behandel detectie daarom als een gelaagde workflow die broncontrole, kennisgrafen, modelgedrag en interne signalen combineert met menselijke beoordeling.

De directe aanleiding is een ACL 2026-publicatie, Hallucination Detection in Long-Form Text Generated by LLMs, die een benchmark (LHD) en een black-boxmethode (HRKG-HD) introduceert. Die methode zet lange antwoorden om in hyperrelationele kennisgrafen en controleert via multi-hop-relaties of feiten binnen de tekst en tussen onderling verbonden claims consistent zijn; de studie ondersteunt structurele verificatie van feitelijke consistentie, maar bewijst geen universele controle tegen de externe werkelijkheid. De kern is dat lange AI-antwoorden detectieproblemen opleveren die benchmarks voor korte, lokale controles mogelijk missen: fouten zitten niet alleen in losse zinnen, maar kunnen ook ontstaan in de samenhang tussen claims verderop in de tekst.

Naar onze inschatting is dat de praktisch belangrijkste verschuiving voor iedereen die AI gebruikt bij lange dossiers, adviezen of samenvattingen. Een detector die alleen lokale, per-zin plausibiliteit toetst, kan tegenstrijdigheden missen die over meerdere alinea's ontstaan. Dit kan spelen bij modellen van uiteenlopende aanbieders; de aangehaalde studie onderzoekt de detectie-uitdaging van lange modelantwoorden en onderbouwt geen specifieke gebruiksfrequentie of inzet van OpenAI-modellen.

Wat meet hallucinatiedetectie precies: factuality of faithfulness?

De systematic literature review van Tampere University, gepubliceerd via CEUR Workshop Proceedings op basis van een analyse van vijftig studies, onderscheidt twee vragen die vaak door elkaar lopen:

• Factuality: klopt de bewering met de externe werkelijkheid? Een antwoord kan intern netjes zijn en toch feitelijk onjuist.
• Faithfulness: blijft het antwoord trouw aan de aangeleverde context of bron? Bij samenvattingen en retrieval-augmented generation (RAG) is dit de kritieke vraag, want het model kan een correcte maar niet-ondersteunde bewering toevoegen.

Voor gevoelig werk telt dit onderscheid zwaar. Een antwoord dat feitelijk klopt maar niet uit het aangeleverde dossier volgt, is in een juridische of medische context alsnog onbruikbaar. Beide moeten apart worden gecontroleerd.

Welke geautomatiseerde detectiemethoden bestaan er en hoe verschillen ze?

De review onderscheidt white-box- en black-boxmethoden; wij groeperen de daarin besproken technieken hier in vier praktische families:

1. Externe bron- en claimverificatie: het antwoord wordt tegen echte bronnen gehouden en per claim gecontroleerd. Dit sluit aan bij AI-citaties controleren in drie stappen: bestaan de bronnen, dekken ze de bewering, en klopt de koppeling?
2. Kennisgrafen en structurele consistentie: de HRKG-HD-methode uit de ACL 2026-studie zet claims om in grafen en toetst of beweringen over de hele tekst onderling consistent zijn.
3. Black-boxgedrag: self-consistency (meerdere antwoorden vergelijken), metamorphic testing, natural language inference en LLM-as-a-judge. De review meldt dat black-boxmethoden domineren, maar dat LLM-as-a-judge zelf risico op hallucinaties, bias en inconsistente beoordelingen houdt.
4. White-boxsignalen: logits, entropy, activaties en attention-patronen uit het model zelf. Deze vereisen toegang tot het model, maar hoeven geen extra antwoorden te genereren.

De review is expliciet dat geen enkele familie universeel betrouwbaar is. Dat sluit aan bij de grenzen van zelfverificatie door één AI-model: een model dat zijn eigen output beoordeelt, erft dezelfde blinde vlekken.

Wat verandert er richting 2026 in onderzoek en producten?

Twee bewegingen vallen op. Ten eerste verschijnen white-boxachtige methoden die proberen detectie efficiënter te maken. Tech Xplore beschrijft, op basis van onderzoek van Skoltech en Sberbank, de detector TOHA. Die meet topologische verschillen in grafen van attention-matrices in RAG-systemen en correleert volgens de beschreven evaluatie met antwoorden die niet door de meegegeven context worden gedragen. Volgens de beschreven evaluatie gebruikt TOHA geen afzonderlijk classifier-model en is voor kalibratie slechts beperkte annotatie beschreven; de implementatie zit in de open-source SIRIN-library.

Ten tweede worden detectoren onderdeel van bredere productworkflows. In een door Superhuman verspreide aankondiging, waarvan de aangeleverde Business Wire-pagina bij controle niet toegankelijk was, wordt de voorgenomen overname van GPTZero beschreven, waarbij de aankondiging hallucinatiedetectie positioneert als onderdeel van een bredere authenticity-laag met onder meer citation verification, plagiaatcontrole en authorship tracking. Volgens de aankondiging zoekt de detector naar verzonnen citaten, verzonnen statistieken en niet-ondersteunde feitelijke claims, terwijl citation verification controleert of bronnen bestaan en de bewering daadwerkelijk dekken. Zulke detectoren zijn bedoeld voor uitvoer van uiteenlopende modellen; de aangehaalde aankondiging onderbouwt geen specifieke toepassing op OpenAI-modellen.

Naar onze inschatting bevestigt dit de rode draad: detectie wordt niet als losse tekstclassificatie aangeboden, maar gekoppeld aan bronbewijs en documentworkflows. Vergelijkbare validatielogica beschrijven wij bij de NIST-maatregelen voor validatie van generatieve AI.

Hoe richt ik detectie in als gelaagde verificatieworkflow voor gevoelig werk?

Omdat elke methode blinde vlekken heeft, is de praktische consequentie dat detectie een gelaagde workflow moet zijn, niet één knop. Een werkbare volgorde:

• Scheid de vraag naar factuality van die naar faithfulness, en toets beide apart.
• Combineer minimaal twee onafhankelijke signalen, bijvoorbeeld externe broncontrole plus een structurele of interne consistentiecheck.
• Behandel citaties niet als bewijs: controleer of de bron bestaat en of die de bewering echt dekt.
• Leg per gevoelige taak vast welke detectoren draaiden, welke bronnen zijn gebruikt en welke onzekerheden overbleven.
• Escaleer bij twijfel naar menselijke beoordeling; het eindoordeel blijft bij de professional.

Wie hiermee verder wil, vindt aanvullende methoden in de themahub over AI-verificatie en controlemethoden. De kern blijft dat detectoruitkomsten signalen zijn die broncontrole en menselijke beoordeling ondersteunen, maar niet vervangen.

Bronnen: Het artikel steunt op de ACL 2026-studie op arXiv, de systematic literature review via CEUR Workshop Proceedings (Tampere University), Tech Xplore over TOHA (Skoltech en Sberbank) en de Superhuman-aankondiging via Business Wire over de overname van GPTZero.