Wie AI inzet voor werk in meerdere talen, gaat er makkelijk van uit dat een controle in het Engels wel representatief is voor de rest. Recent onderzoek uit 2025 en 2026 laat zien dat die aanname niet houdt. Naar onze analyse is meertalige AI-verificatie geen herhaling van een Engelstalige check, maar vraagt om eigen benchmarks en foutpatronen, terwijl Europese transparantieplichten ook de omgang met AI-vertalingen relevant maken.
De directe aanleiding is de publicatie van Poly-FEVER, een meertalige benchmark voor fact-verificatie en hallucinatiedetectie over elf talen. De opzet is helder: claims worden per taal aangeboden en gelabeld als Supported of Refuted, waarna wordt gemeten hoe goed grote taalmodellen die claims beoordelen. De uitkomst is dat dezelfde modellen in laag-resource talen vaak duidelijk minder accuraat zijn. Ook helpen technieken als retrieval-augmented generation (RAG) en betere taakstructurering niet uniform: wat in de ene taal werkt, kan in de andere juist tegenvallen.
Waarom meertalige modellen andere risico's hebben
Poly-FEVER staat niet op zichzelf. De brede Large Language Models Hallucination: A Comprehensive Survey beschrijft hoe cross-linguale training meertalige modellen zowel kan helpen als schaden. Taal-mismatch en ruis in meertalige trainingsdata verhogen het risico op foutieve output, en modellen met bredere taalondersteuning vertonen gemiddeld hogere hallucinatierates. Meer talen aan boord betekent dus niet automatisch betrouwbaarder werk per taal.
Vertaalmodellen kennen bovendien hun eigen pathologieën. De studie Challenging Multilingual LLMs, met de bijbehorende HalloMTBench, introduceert een taxonomie voor hallucinerende AI-vertalingen. Daarin komen fouttypes voor als wrong-language output (het model antwoordt in de verkeerde taal), instruction detachment en source detachment, waarbij content wordt toegevoegd of weggelaten los van de brontekst. De onderzoekers laten zien dat deze problemen niet vanzelf verdwijnen door het model simpelweg groter te maken, terwijl een fallback naar anders getrainde modellen bepaalde foutpatronen vrijwel kan wegnemen.
Voor de praktijk is dat concreet. Eén foutieve vertaalclaim in een 'kleine' taal kan in een juridisch dossier, een medische bijsluiter of een beleidsstuk tot verkeerde beslissingen leiden. Het gaat dan niet om een taalfoutje, maar om een bewering die feitelijk afwijkt van de bron.
Verificatie als keten, niet als één controle
Als de verificatiemodellen zelf per taal verschillen, moet ook de verificatiearchitectuur meertalig worden gedacht. De AILS-NTUA-inzending bij SemEval-2025 Task 3 (Mu-SHROOM) laat een concrete, trainingsvrije strategie zien: claims uit andere talen eerst naar het Engels vertalen als pivot-taal, om ze daarna te controleren. Die aanpak leverde opvallend goede resultaten op, juist voor laag-resource talen.
De keerzijde is dat zo'n pivot-stap zelf een vertaling is, met alle risico's die daarbij horen. Wie via het Engels controleert, kan nieuwe fouten introduceren precies op het punt waar de brontekst wordt overgezet. Dat betekent dat de keuze voor een pivot-taal, de gebruikte modellen en de beperkingen ervan zichtbaar moeten worden vastgelegd. Anders is niet meer na te gaan of een afgekeurde of goedgekeurde claim daadwerkelijk op de brontekst berust of op een tussenvertaling.
De taxonomieën uit deze onderzoeken zijn goed door te vertalen naar controles in het werk: leg per vertaling vast welke bronpassages zijn gebruikt, welke talen en modellen zijn ingezet en welke verificatiestappen (meertalige fact-check, cross-model review, menselijke controle) zijn doorlopen.
De EU AI Act maakt vertalingen tot verifieerbare objecten
Naast het technische beeld is er een juridische ontwikkeling. De analyse EU AI Act Article 50 and AI Translation bespreekt hoe AI-gegenereerde vertalingen onder de Europese transparantieplichten vallen. Volgens die uitleg zijn 'standaard' AI-vertalingen van tekst in principe vrijgesteld van labeling, tenzij de vertaling inhoudelijk ingrijpende wijzigingen aanbrengt. Organisaties moeten daarnaast kunnen aantonen wanneer en hoe AI bij een vertaalproces is gebruikt.
Naar onze inschatting wijst dit erop dat meertalige AI-vertaling in Europa niet alleen een kwaliteitskwestie is, maar ook een compliance- en verificatievraagstuk. Een vertaling is niet langer een vluchtig tussenproduct, maar iets waarvan je de herkomst en bewerking moet kunnen laten zien.
Wat dit betekent voor een verificatieconsole
Dit is precies het punt waar een verificatielaag zoals Vera aansluit. Vera is geen chatbot en geen eigen taalmodel, maar een privacygerichte verificatielaag voor professionals die met vertrouwelijke of hoog-trust informatie werken. Een taak kan via geselecteerde, onafhankelijke AI-modellen worden geleid, waarbij verificatiestappen, correcties, onderlinge verschillen en bronnen zichtbaar worden gemaakt voor inspectie, zonder dat dit correctheid garandeert.
Toegepast op meertalige output kan dat helpen om per vertaling zichtbaar te maken welke brontekst is gebruikt, welke taalroute is gevolgd en welke controles zijn doorlopen voordat een vertaling in een dossier of publieke communicatie belandt. Dat garandeert geen correctheid en elimineert geen hallucinaties, maar het maakt controle mogelijk en geeft meer zicht op de keten achter een claim. Bij het pivot-taalprobleem uit de SemEval-inzending is dat waardevol: je ziet dan of een claim via een tussentaal is beoordeeld.
Voor gevoelige documenten is de voorbewerking relevant. Het Semantic Privacy Shield kan gevoelige waarden vervangen door synthetische, sessie-gebonden equivalenten op EU-infrastructuur voordat AI-verwerking plaatsvindt; de workflow is ontworpen om alleen geanonimiseerde inhoud door te sturen en is fail-closed, wat betekent dat bij een mislukte privacycontrole niets wordt doorgestuurd. Meer over die opzet staat op de pagina over het Privacy Shield en over de vastlegging op de evidence-pagina.
De rode draad van de onderzoeken is duidelijk: meertalige AI-output is geen enkele boodschap, maar een verzameling taalspecifieke vertaalclaims die per taal moeten worden geverifieerd binnen een zichtbaar, controleerbaar proces. Het professionele eindoordeel blijft daarbij altijd bij de gebruiker.