Wat gebeurt er met een beslissing wanneer een AI-model iets zelfverzekerd beweert dat simpelweg niet klopt? Een preregistreerd onderzoek getiteld When Hallucinations Travel zoekt daar een concreet antwoord op. In twee experimenten lazen deelnemers een AI-antwoord bij een medicatiekeuze, waarbij de sterkte van de hallucinatie varieerde. De uitkomst is nuchter maar veelzeggend: naarmate de verzonnen uitleg overtuigender oogde, veranderde de manier waarop mensen risico's inschatten, welke oorzaak-gevolgverhalen zij vormden en hoe goed zij zich achteraf herinnerden waar informatie vandaan kwam.
De onderzoekers noemen dit meereizen: gehallucineerde mechanismen sijpelen door in de eigen redenering van de gebruiker. Deelnemers namen verzonnen verklaringen over in hun beslissingstaal, steunden minder op de oorspronkelijke feiten en reconstrueerden bronherkomst slechter. Voor iedereen die met hoog-impact informatie werkt, is dat een belangrijke observatie: een hallucinatie is niet alleen een fout in de output, maar een input die de menselijke afweging subtiel maar systematisch kan vertekenen.
Van foutpercentage naar beslisdynamiek
Het is verleidelijk om hallucinaties te reduceren tot een cijfer: hoeveel procent van de antwoorden klopt niet. Recente literatuur laat zien dat dat te smal is. De Survey of AI Hallucinations and Mitigation (AMCIS 2026, Thompson) ordent de definities, typen en oorzaken van hallucinaties en benadrukt dat ze socio-technische fenomenen zijn. Ze ontstaan uit een combinatie van datakwaliteit, modelarchitectuur, prompts en evaluatie-mismatches, maar hun effect ontvouwt zich pas echt in het gebruik: in zorg, recht en financiën, waar een plausibel klinkende maar onjuiste claim direct tot een andere keuze kan leiden.
Een arXiv-review over hallucinaties in organisatie-gebonden AI-adviseurs maakt dit nog concreter. De studie onderscheidt scepsis, feitelijke verificatie, het slagen van die verificatie en de uiteindelijke reliance. De conclusie is ontnuchterend: waarschuwingen en 'hallucination risk'-labels hebben vaak weinig effect, en mensen blijven regelmatig op foutieve informatie steunen ondanks expliciete bewustwording. Alleen vertellen dat een antwoord onbetrouwbaar kán zijn, verandert het gedrag dus niet vanzelf.
Vertrouwen als risicodrager
Naast de inhoud van beslissingen verschuift ook het patroon van vertrouwen. Het artikel The trust crisis in artificial intelligence in Technology in Society (Cheng e.a.) toont op basis van een grootschalige enquête dat hallucinaties zowel het cognitieve als het emotionele vertrouwen in AI aantasten, en daarmee de effectiviteit van samenwerking tussen mens en AI ondermijnen. De mate waarin een tool bij de taak past bepaalt hoe sterk die vertrouwensbreuk doorwerkt.
Het gevolg is een dubbele beweging. Na een reeks goede antwoorden ontstaat gemakkelijk oververtrouwen: gebruikers gaan op de automatische piloot en controleren minder. Eén zichtbare fout kan vervolgens de bereidheid om AI nog te gebruiken blijvend aantasten. Voor governance betekent dit dat de vraag niet langer alleen is hoe goed het model is, maar waar AI mag adviseren, waar het alleen mag samenvatten, en waar een mens altijd de primaire beslissing neemt.
Van modeltuning naar verifieerbare besluitarchitectuur
Als betere modellen alleen niet volstaan, waar zit dan de winst? Deels in detectie. Een NIST-publicatie over hallucinatiedetectie met diversion decoding beschrijft een methode om tijdens de generatie een onzekerheidsmaat af te leiden en zo hallucinatierisico te signaleren, efficiënter dan een aantal bestaande aanpakken. Dat maakt hallucinatierisico bruikbaar als signaal: een aanwijzing om een antwoord extra te controleren.
Maar een detectiescore is pas nuttig als hij aan een proces hangt. De onderzoeken samen wijzen naar dezelfde richting: hallucinaties horen thuis in een besluitarchitectuur, niet alleen in modelstatistieken. Concreet betekent dat het koppelen van onzekerheidssignalen aan verplichte vervolgstappen — een extra broncontrole, een vergelijking tussen meerdere modellen, of expliciete menselijke review — en die stappen zichtbaar en herleidbaar maken.
Wat dit betekent voor de praktijk
Voor professionals die met vertrouwelijke of hoog-impact informatie werken, is de rode draad helder. Behandel hallucinaties als beslisrisico. Leg vast welke AI-antwoorden in welke beslissingen zijn meegewogen, welke signalen daarbij optraden en welke verificatie is uitgevoerd. Zo blijft controleerbaar wanneer een twijfelachtig antwoord is opgemerkt en wat ermee is gedaan.
Hier ligt de rol van een verificatieconsole zoals Vera. Vera is geen taalmodel en geen chatbot, maar een verificatielaag: de opzet is om AI-antwoorden via meerdere modellen te laten controleren en die controlestappen zichtbaar te maken, zodat gebruikers meer zicht krijgen op waar antwoorden uiteenlopen of onzeker zijn. Dat past bij de onderzoeksbevinding dat losse waarschuwingen weinig doen — het gaat om workflow-gebonden controlepunten. Via evidence-logging kan worden vastgelegd welke antwoorden zijn meegewogen en welke verificatie is gezet, wat controle achteraf mogelijk maakt.
De privacykant sluit daarop aan. In Vera's ontwerp vinden voorbewerking en anonimisering plaats op EU-infrastructuur, en is de workflow zo opgezet dat alleen geanonimiseerde inhoud naar de geselecteerde AI-modellen wordt gestuurd; mislukt de privacycontrole, dan wordt niets doorgestuurd. Documenten kunnen binnen dezelfde omgeving worden bekeken en bewerkt in Vera Office, zonder dat inhoud daarvoor de beveiligde context hoeft te verlaten.
Belangrijk blijft de nuchtere ondertoon van het onderzoek: geen enkele tool geeft zekerheid over correctheid, en Vera neemt hallucinaties niet weg. Wat verifieerbare architectuur wél kan doen, is de kans verkleinen dat een verzonnen claim ongemerkt meereist in een beslissing — door onzekerheid zichtbaar te maken, verificatie af te dwingen en het spoor van keuzes vast te leggen. Het professionele eindoordeel blijft, zoals het hoort, bij de mens.