Zet meerdere AI-modellen alleen in als controle wanneer u bewust kiest voor modellen van verschillende herkomst met andere foutenprofielen, verschil in oordeel gebruikt als triagesignaal voor menselijke review en per werkstroom vastlegt welke claims echt door onafhankelijke modellen worden gedragen. Meer modellen is geen democratie waarin de meeste stemmen winnen.
De aanleiding is een academische studie van mei 2026. In When Models Disagree: Rethinking LLM Evaluation for Public Comment Analysis op arXiv coderen vier grote taalmodellen dezelfde set publieke commentaren over overheidsbeleid systematisch verschillend. De onderzoekers laten zien dat de verschillen tússen modellen groter zijn dan de variatie binnen één model bij herhaalde prompts, en dat klassieke accuracymaten dit niet zichtbaar maken. Zij stellen voor om dat onderlinge verschil te gebruiken als signaal: waar modellen uiteenlopen, moet een mens kijken. Dat is de kern van dit artikel — multi-model verificatie is een ontwerpvraag, geen knopje.
Waarom verschillen AI-modellen meer van elkaar dan van zichzelf?
De arXiv-studie geeft hiervoor een concrete meting: bij dezelfde ambigue commentaren produceren vier modellen wezenlijk andere coderingen, terwijl één model bij herhaling relatief stabiel blijft. Het oordeel van “het model” is in de praktijk dus geen enkel antwoord, maar een spreiding van mogelijke uitkomsten.
Naar onze inschatting is dat precies waarom multi-model opstellingen waarde kunnen toevoegen: modellen met verschillende herkomst — bijvoorbeeld GPT van OpenAI naast Claude van Anthropic — maken die spreiding zichtbaar in plaats van hem te verbergen achter één zelfverzekerd antwoord. Waar één model beslist, ziet u alleen het eindresultaat. Waar drie of vier modellen naast elkaar staan, ziet u waar het oordeel wankel is.
Wat meet multi-model verificatie wel en wat niet?
De Multi-Model AI Divergence Index Q1 2026 van Suprmind geeft hierover praktijkcijfers. In een dataset van 1.324 productieturns over tien domeinen leverden vijf frontiermodellen — waaronder GPT van OpenAI en Claude van Anthropic, naast Gemini, Grok en Perplexity — in 99,1% van de turns minstens één contradictie, correctie of uniek inzicht op, en in 72% van de turns corrigeerden modellen elkaar expliciet.
Belangrijk is de eigen waarschuwing van Suprmind: de Divergence Index meet géén juistheid, en unanimiteit staat niet gelijk aan correctheid. De index vertelt u wáár iets schuurt, niet wie gelijk heeft. Behandel multi-model verificatie daarom als een signaallaag, vergelijkbaar met hoe u een fout AI-antwoord traceerbaar maakt per werkstroom, en niet als waarheidsmachine. Voor het onderscheid tussen zichtbaar maken en aantoonbaar maken is het verschil tussen uitlegbaarheid en auditbaarheid van AI relevant.
Wanneer versterkt consensus tussen modellen uw beslissing echt?
De SocArXiv-studie Model Diversity Over Model Size onderzocht open enquêtecodering en vond dat het eisen van unanieme overeenstemming tussen meerdere modellen de specificiteit sterk verhoogt. Op de meest ambigue categorieën daalde de false-positive-rate van 50% naar 3% en verdrievoudigde de precisie — maar alleen wanneer het ensemble bestond uit modellen van verschillende herkomst.
De conclusie van de auteurs: modeldiversiteit is belangrijker dan modelgrootte. Modellen uit dezelfde familie maken dezelfde fouten, dus dan is consensus goedkoop en zegt hij weinig. Consensus wordt pas een versterkend signaal als de modellen andere trainingspaden en dus andere foutenprofielen hebben. Praktisch betekent dit:
- Kies modellen van verschillende aanbieders — bijvoorbeeld OpenAI en Anthropic — of met verschillende trainingspaden in plaats van varianten van hetzelfde model.
- Gebruik unanieme overeenstemming als hoge drempel voor ambigue classificaties, niet als standaardregel.
- Log expliciet welke claims door onafhankelijke modellen worden gedragen en welke door één.
Welke eigen fouten heeft een multi-model opstelling?
Meer modellen introduceert ook nieuwe faalwijzen. Een reviewsynthese in Maxi Journal (Improvement Research, 15 juli 2026) bundelt recente experimenten en beschrijft drie mechanismen om rekening mee te houden:
- Ambiguïteit in de prompt kan de systematische variatie tussen modelbeoordelaars met tot 63% verhogen, terwijl elk model afzonderlijk stabiel oogt.
- Eén overtuigende agent kan de collectieve nauwkeurigheid met 10 tot 40% verlagen en verkeerde consensus met meer dan 30% verhogen.
- Sterkere modellen kunnen gevaarlijke fouten juist maskeren door afwijkende signalen te onderdrukken.
De synthese waarschuwt dat een naïeve “meerderheidsstem wint”-aanpak riskant is: gedeelde fouten worden dan veel vaker bevestigd dan bij werkelijk onafhankelijke beoordelaars. Dit sluit aan bij het bredere punt dat u ook bij een verificatielaag bouwen tegen hallucinaties in legal-AI tegenkomt: controle is pas controle als de controleurs onafhankelijk zijn.
Hoe voorkomt u schijn-diversiteit in uw modelensemble?
Het arXiv-onderzoek Are Diversity Metrics Measuring Diversity? testte gangbare diversiteitsmaten op benchmarks als MMLU-Pro en TruthfulQA en vond dat veel numerieke maten algebraïsch verweven zijn met capaciteitsverschillen. U denkt dan diversiteit te meten, terwijl u vooral verschillende sterktes van hetzelfde foutpatroon meet.
De auteurs adviseren om ensembleselectie altijd te toetsen tegen het sterkste individuele model, diversiteitswinst te valideren op held-out cases en niet blind te vertrouwen op ruwe correlatiematen. Onze redactionele vertaling: multi-model verificatie is zelf een onderwerp van verificatie. Controleer periodiek of uw combinatie van modellen nog echt onafhankelijke perspectieven oplevert, want anders bouwt u een rubber-stamp die alleen maar zekerder klínkt.
Wat legt u per hoog-trust werkstroom vast over modeloordelen?
Voor werkstromen met verhoogd belang — juridisch, financieel, zorg, overheid — komt het neer op bewuste inrichting en logging. Stel per werkstroom deze vragen:
- Welke claims worden door meerdere modellen beoordeeld en welke door één?
- Welke modellen zitten in uw ensemble, van welke aanbieders, en hoe verschilt hun foutenprofiel?
- Waar registreert u disagreement expliciet als reden voor menselijke review?
- Hoe legt u vast welke eindbeslissing is genomen bij conflicterende oordelen, door wie en op basis van welke bronnen?
Dit is governance-werk, niet techniek alleen. Meer verdieping per werkstroom vindt u in de themahub over AI-verificatie in de praktijk en in het artikel over hoe u een fout AI-antwoord traceerbaar maakt per werkstroom.
Een verificatielaag als Vera kan hierbij ondersteunen door een taak via geselecteerde onafhankelijke modellen te routeren en de verificatiestappen, correcties, verschillen en bronnen zichtbaar te maken voor inspectie. Dat geeft meer zicht op waar modellen samenvallen en waar ze uiteenlopen; het garandeert geen juistheid en neemt het eindoordeel niet over. De professionele beoordeling en de eindbeslissing blijven bij u.
Bronnen en referenties
- When Models Disagree: Rethinking LLM Evaluation for Public Comment Analysis
- Multi-Model AI Divergence Index Q1 2026, The AI Confidence Trap
- Model Diversity Over Model Size: Unanimous LLM Ensemble Beats GPT-5 on Ambiguous Survey Coding
- Are Diversity Metrics Measuring Diversity? A Capability-Based Analysis
- Improvement Research — review of multi-model judgment variance and adversarial influence studies
Bronnen: Het artikel steunt op de arXiv-studie 'When Models Disagree', de Multi-Model AI Divergence Index van Suprmind, een SocArXiv-ensemblestudie over enquêtecodering, een arXiv-analyse over diversiteitsmaten en een reviewsynthese in Maxi Journal.