Onderzoekers achter de arXiv-preprint Cross-Model Disagreement as a Label-Free Correctness Signal (26 maart 2026) beschrijven een concrete bevinding: als je een taak door meerdere AI-modellen laat lopen, is de mate waarin die modellen het onderling oneens zijn zelf een bruikbaar signaal voor mogelijke fouten. Zonder dat je vooraf het juiste antwoord kent, kan een tweede model de onzekerheid van een eerste model inschatten. Onenigheid tussen modellen is dus niet alleen ruis, maar informatie.
Voor professionals die met gevoelige of hoog-trust informatie werken betekent dit iets praktisch: verificatie hoeft niet te leunen op één model dat als "beste" geldt. Maar diezelfde onderzoeksliteratuur waarschuwt in dezelfde periode dat meer modellen niet automatisch meer zekerheid geven. Modellen kunnen precies dezelfde fout maken, en dan versterkt een meerderheid juist een verkeerd antwoord.
Onenigheid werkt, maar onafhankelijkheid is beperkt
De workshoppaper Scaling Reasoning Depth Reveals Three Tiers of Failure in Multi-Model Mathematical Deduction (OpenReview, 8 maart 2026) laat zien dat modellen bij diepere redeneerketens dezelfde deductieve fout kunnen delen. Wanneer verschillende modellen op hetzelfde punt struikelen, verdwijnt de aanname waarop meerderheidsstemmen rust: dat fouten onafhankelijk van elkaar zijn. Als de fouten gecorreleerd zijn, kan consensus tussen modellen een gedeelde blinde vlek verbergen in plaats van blootleggen.
Dat sluit aan bij de arXiv-studie Benchmark Illusion: Disagreement among LLMs and Its Scientific Consequences (12 februari 2026). Die studie beschrijft dat modellen met vergelijkbare benchmarkscores toch verschillende oordelen kunnen geven, en dat de keuze van model daardoor invloed heeft op wetenschappelijke conclusies verderop in een werkstroom. Naar onze inschatting is de kernboodschap voor de praktijk: een gelijk cijfer op een test betekent niet dat twee modellen inhoudelijk hetzelfde "denken". Twee verifiers kiezen die op papier gelijkwaardig lijken, kan dus stilletjes de uitkomst sturen.
De verificatielaag zelf is ook feilbaar
Een tweede risico ligt niet in de modellen die iets beweren, maar in de instrumenten waarmee je ze beoordeelt. De arXiv-audit Benchmarking the Benchmarks: A Validity Audit of Tool-Calling Evaluation (30 juni 2026) analyseert evaluaties van tool-calling en beschrijft hoe artefacten van de beoordelaar, de manier waarop rubrics zijn geschreven en variatie tussen herhaalde runs de resultaten kunnen beïnvloeden. Met andere woorden: één score uit één evaluatie is een wankele basis voor vertrouwen, omdat de meetlat zelf beweegt.
Dat wordt concreet bij bronverificatie. De arXiv-paper Do You Need a Frontier Model as a Citation Verifier? (9 juli 2026) onderzoekt of je een duur, groot model nodig hebt om te controleren of een antwoord daadwerkelijk door een bron wordt gedekt. De bevinding volgens de auteurs: verschillende LLM-beoordelaars hebben verschillende foutprofielen, en geen enkel duur model domineert simpelweg. Een enkele samengevatte score verbergt bovendien verschil in slagingspercentage, valse acceptaties en valse afwijzingen. De keuze van het verifier-model bepaalt dus mede welke claims als "onderbouwd" gelden.
Wat dit betekent voor het ontwerp van verificatie
Deze vijf bronnen wijzen samen in één richting, en dit is onze redactionele lezing ervan: multi-model verificatie is waardevol, maar niet als een democratie waarin de meeste stemmen winnen. Het is waardevoller als een bewust ontworpen keten waarin je (1) modellen kiest met verschillende foutprofielen in plaats van modellen die dezelfde fouten maken, (2) de verificatietools zelf periodiek toetst, en (3) bijhoudt welke claims echt consensus kregen en welke slechts door één specifieke beoordelaar werden geaccepteerd.
Praktisch betekent dat: documenteer welke modellen zijn ingezet, waar ze het oneens waren en op basis waarvan een antwoord uiteindelijk als voldoende onderbouwd geldt. Onenigheid is dan geen ongemak dat je wegpoetst, maar een controlepunt dat je zichtbaar maakt. En omdat ook de beoordelaars kunnen driften, hoort bij hoog-trust werk een expliciete keuze wie verifieert, niet alleen wie antwoordt.
Waar een verificatieconsole in past
Vanuit dat vakmanschap is er een concrete plek voor een console die deze laag zichtbaar maakt. Vera is geen chatbot en geen eigen taalmodel, maar een privacygerichte verificatielaag. Vera kan een taak door geselecteerde onafhankelijke AI-modellen routeren en de verificatiestappen, correcties, onderlinge verschillen en bronnen tonen, zodat de gebruiker ze kan inspecteren. Dat ondersteunt controle; het garandeert geen correctheid en verwijdert hallucinaties niet.
Voor werk met gevoelige documenten voegt de architectuur een privacystap toe: het Semantic Privacy Shield kan gevoelige waarden vóór AI-verwerking op EU-infrastructuur vervangen door synthetische, sessiegebonden equivalenten, waarna de originele waarden lokaal kunnen worden hersteld. De workflow is fail-closed: mislukt de privacycontrole, dan wordt het document niet doorgestuurd. Wie de verantwoording wil kunnen nazien, vindt die inspecteerbare stappen terug in de verificatiesporen.
De eindafweging blijft hoe dan ook menselijk. Zoals de aangehaalde studies laten zien, verschuift de keuze van modellen en beoordelaars de uitkomst. Het professionele eindoordeel hoort daarom bij de vakvrouw of vakman die de zaak beoordeelt, niet bij de meerderheid van de machines.
Bronnen: Het artikel steunt op vijf academische bronnen uit 2026 van arXiv en OpenReview over cross-model onenigheid, gedeelde deductiefouten, benchmarkverschillen, tool-calling-audits en citatieverificatie.