Behandel elk AI-antwoord over feiten na de knowledge cutoff van het model als onbetrouwbaar tot het is geverifieerd tegen een actuele bron. Vraag naar de cutoffdatum, verplicht grounding op live web- of databankbronnen en laat antwoorden over recente wetgeving, deals of personen standaard een menselijk controlepad doorlopen.
De aanleiding voor deze analyse is een juridische casusbeschrijving die op 19 februari 2026 verscheen bij AI Law Librarians. Daarin beschrijft een juridische analyse hoe een geavanceerd AI-model in een law-school-studie de Chevron-doctrine nog toepast op een tentamenvraag, terwijl het Amerikaanse Supreme Court die doctrine op 28 juni 2024 heeft afgeschaft in Loper Bright Enterprises v. Raimondo. Het model kreeg een hoge score maar gaf inhoudelijk verouderd recht, omdat zijn knowledge cutoff vóór het arrest lag. De praktische boodschap voor professionals: een correct klinkend antwoord kan feitelijk achterhaald zijn, en dat risico is voorspelbaar zodra u weet waar de tijdsgrens van het model ligt.
Wat is een knowledge cutoff en waarom past een model dan verouderde wetgeving toe?
Een knowledge cutoff is de kalenderdatum waarop de trainingsdata van een taalmodel zijn bevroren. Alles wat daarna gebeurt, zit niet in het interne kennisgebied van het model. De Springer Nature-typologie Hallucinations in generative artificial intelligence and large language models beschrijft die cutoff als een harde grens en toont in een case study dat modellen gebeurtenissen na die datum foutief of verzonnen samenvatten zodra web-search is uitgeschakeld.
Het juridische voorbeeld maakt het mechanisme tastbaar. Het model past de Chevron-doctrine toe omdat die in zijn trainingsdata nog geldend recht was. Het weet niet dat Loper Bright die situatie heeft veranderd, en het geeft geen waarschuwing af. Naar onze inschatting is dit het gevaarlijkste kenmerk: de fout ontstaat niet uit willekeur, maar uit een structurele blinde vlek die het model zelf niet signaleert.
Wat zijn temporally outdated hallucinations en hoe verschillen ze van gewone hallucinaties?
Een latere, gerelateerde publicatie binnen dezelfde Springer Nature-typologie introduceert de categorie temporally outdated hallucinations: antwoorden die ooit juist waren maar inmiddels zijn ingehaald door nieuwe feiten, gewijzigde regelgeving of personeelswisselingen. De auteurs koppelen dit expliciet aan training-cutoffs en aan een bias richting oudere, dominante bronnen in de dataset, en benoemen recht, geneeskunde en beleid als domeinen waar dit direct schade oplevert.
Het onderscheid met een klassieke hallucinatie is belangrijk voor uw controle-aanpak:
- Klassieke hallucinatie: het model verzint een feit, citaat of bron die nooit bestond.
- Temporally outdated hallucination: het model geeft informatie die op de cutoffdatum klopte, maar sindsdien is achterhaald.
Bij het eerste type helpt bestaanscontrole van de bron, zoals besproken in onze analyse van de audits naar misleidende AI-citaties in 2026. Bij het tweede type bestaat de bron wel en klopt hij intern; alleen is hij niet meer actueel. Dat vraagt om een aparte controlelaag die specifiek op datum en actualiteit toetst.
Welke controles bouw ik in om bronactualiteit in AI-workflows af te dwingen?
Het goede nieuws is dat verouderde antwoorden een deels oplosbaar probleem zijn. Het artikel van Parallel, How to Reduce LLM Hallucinations With Real-Time Web Search, beschrijft hoe web-grounding een model koppelt aan live search, zodat het API-wijzigingen, fusies en nieuwe regelgeving niet meer uit een statische snapshot hoeft te raden. De auteurs benadrukken dat elk model zijn kennis bij de cutoff bevriest en dat vragen over gebeurtenissen daarna zonder retrieval tot verzonnen of achterhaalde antwoorden leiden.
Op basis daarvan is dit naar onze inschatting een werkbare controlevolgorde voor hoog-trust workflows:
- Vraag naar de cutoff. Stel expliciet vast welke cutoffdatum het gebruikte model heeft en formuleer vragen cutoff-bewust.
- Verplicht grounding. Laat feitelijke antwoorden verplicht steunen op actuele web- of domeinspecifieke databronnen in plaats van op modelkennis alleen.
- Markeer post-cutoff-vragen. Alles wat na de cutoff ligt, doorloopt standaard een verificatiepad met menselijke controle.
- Voer freshness-audits uit. Controleer periodiek of aangehaalde bronnen nog de meest actuele versie zijn.
- Gebruik multi-model-checks. Leg dezelfde vraag aan meerdere onafhankelijke modellen voor en onderzoek waar de antwoorden uiteenlopen.
Dit is een governance-vraag, geen puur technisch detail. Wie AI inzet voor juridisch onderzoek doet er verstandig aan dit vast te leggen in een verdedigbare workflow voor juridisch AI-onderzoek, met broncontrole en vertrouwelijkheid als vaste stappen. Bredere achtergrond staat in ons themahub over AI-verificatie en broncontrole.
Welke tooling bestaat er al om verouderde AI-antwoorden te detecteren?
Dat dit geen theoretische zorg is, blijkt uit een concreet product. Volgens Impress AI Watch lanceerde het Japanse bedrijf CINC op 4 juni 2026 een AI-misinformatiecontrole in zijn GEO/LLMO-instrument. De functie stuurt vragen over een merk of product tegelijk naar vijf generatieve AI-diensten, waaronder ChatGPT van OpenAI en Claude van Anthropic. De antwoorden worden ingedeeld in zeven categorieën, waaronder een expliciet label dat de informatie verouderd is, en gekoppeld aan de onderliggende bron-URL.
Het interessante aan deze aanpak is dat hij twee foutsoorten uit elkaar trekt: ontstond de fout doordat de informatie oud is, of doordat het model iets verzon? Dat onderscheid is precies wat een controlelaag voor bronactualiteit meetbaar en auditeerbaar maakt. Dezelfde logica speelt bij model drift bij grote AI-modellen, waar antwoorden verschuiven zonder dat de modelnaam verandert.
Hoe maak ik zichtbaar welke antwoorden buiten het tijdsgebied van het model vallen?
Detectie en labels helpen alleen als iemand ze per workflow kan inzien. De kern is dat u per antwoord wilt kunnen tonen op welke bronnen het steunt, met welke datums, en welke antwoorden buiten het tijdsgebied van het model vallen en dus een menselijk besluit vragen.
Een verificatielaag zoals Vera kan hierbij ondersteunen door een taak door geselecteerde onafhankelijke modellen te leiden en de verificatiestappen, correcties, meningsverschillen en bronnen zichtbaar te maken voor inspectie. Dat maakt controle mogelijk en geeft meer zicht op waar antwoorden op actuele dan wel achterhaalde bronnen steunen. Het is nadrukkelijk geen garantie op juistheid en het neemt hallucinaties niet weg; het professionele eindoordeel blijft bij de gebruiker. Voor werk met vertrouwelijke documenten is Vera ontworpen om vooraf op EU-infrastructuur alleen geanonimiseerde inhoud door te sturen, waarbij bij een mislukte privacycontrole niets wordt verzonden.
Bronnen en referenties
- Loper Bright Enterprises v. Raimondo
- Hallucinations in generative artificial intelligence and large language models: a typology
- Hallucinations in generative artificial intelligence and large language models: a typology
- How to Reduce LLM Hallucinations With Real-Time Web Search
- CINC voegt AI-misinformatiecontrole toe aan intern GEO/LLMO-instrument
Bronnen: Het artikel steunt op de uitspraak Loper Bright van het Amerikaanse Supreme Court, de hallucinatietypologie van Springer Nature, een technische analyse van Parallel en een productbericht van Impress AI Watch over CINC.