Je vraagt een AI-tool om de laatste cijfers over cybersecurity in het MKB. De tool antwoordt zelfverzekerd: "Uit onderzoek van PwC blijkt dat 67 procent van de Nederlandse MKB-bedrijven in 2025 een datalek meldde." Perfect, denk je. Totdat je het PwC-rapport zoekt — en het niet bestaat. De AI heeft het percentage, het jaartal én het onderzoeksbureau verzonnen. En jouw directierapportage bevat nu een cijfer uit de lucht.
Dit scenario is geen uitzondering. Uit nieuw onderzoek van de Columbia Journalism Review blijkt dat acht toonaangevende AI-zoekhulpmiddelen bij meer dan 60 procent van de nieuwsgerelateerde vragen foute antwoorden gaven. Geen tikfoutjes — verkeerde krantenkoppen, niet-bestaande publicatiedata, citaten die nooit zijn uitgesproken.
Het hallucinatieprobleem is niet opgelost — het is verplaatst
De AI-industrie vertelt graag dat hallucinaties afnemen. En op één type taak klopt dat: het samenvatten van een document dat je zelf aanlevert, gaat steeds beter. Vectara's benchmark toont een foutpercentage van 3,3 procent voor de beste modellen — indrukwekkend laag.
Maar zodra je de AI vraagt om zélf bronnen te zoeken en te citeren, stort de betrouwbaarheid in. Stanford University testte gespecialiseerde juridische AI-tools en ontdekte hallucinatiepercentages van 17 tot 34 procent — bij zware juridische onderzoeksvragen. Eén op de drie antwoorden bevatte gefabriceerde jurisprudentie of verkeerde wetsartikelen.
Het hallucinatieprobleem is dus niet opgelost door grotere modellen. Het is verplaatst: van 'de AI verzint feiten' naar 'de AI verzint bronnen die haar feiten moeten onderbouwen'. En dat tweede is gevaarlijker, omdat de bronvermelding schijnbetrouwbaarheid toevoegt.
De zes varianten van AI-leugens die je moet kennen
Suprmind's AI Hallucination Report 2026 onderscheidt zes faaltypen. Voor de MKB-ondernemer zijn er drie relevant:
De Bron-uitvinder. De AI noemt een bestaand tijdschrift of instituut, maar koppelt er een niet-bestaand artikel aan. "Volgens McKinsey's Global AI Survey 2025..." — terwijl dat specifieke rapport niet bestaat. Herkenning: zoek de exacte titel op, niet alleen de uitgever.
De Bron-verdwaalder. De AI citeert een écht artikel, maar het artikel ondersteunt de claim niet. Dit overkomt zelfs geavanceerde systemen: het model haalt de juiste bron op, maar trekt er de verkeerde conclusie uit. Herkenning: klik altijd op de bronlink en lees de conclusie van het origineel.
De Gokker. De AI had moeten zeggen "dit weet ik niet", maar gokt in plaats daarvan zelfverzekerd. Dit gebeurt vooral bij specialistische vragen waar het model te weinig trainingsdata over heeft. Herkenning: hoe specifieker je vraag, hoe groter de kans dat het antwoord een gok is.
De MKB-valkuil: AI gebruiken als onderzoeksassistent
Verrassend genoeg is de grootste hallucinatierisico niet de hobbyist die ChatGPT vraagt naar het weer. Het is de professional die AI inzet voor serieus onderzoek — marktanalyses, concurrentieonderzoek, juridische due diligence — en de output ongezien overneemt.
Uit McKinsey's 2025-onderzoek bleek dat 88 procent van de organisaties AI regelmatig gebruikt, maar bijna tweederde is nog niet begonnen met opschalen. De belangrijkste rem? Gebrek aan vertrouwen in de output. Terecht, blijkt nu: 51 procent van de AI-gebruikers rapporteerde minstens één negatieve consequentie, en bijna een derde had last van onjuiste AI-informatie.
De echte kosten van een AI-fout in jouw bedrijf
Laten we dit concreet maken. Een juridisch adviesbureau in Utrecht gebruikt een AI-tool om jurisprudentie te zoeken voor een cliënt-advies over aansprakelijkheid. De AI noemt drie relevante uitspraken — met vindplaats, datum en samenvatting. Het advies gaat de deur uit. Twee weken later belt de cliënt: de genoemde uitspraken bestaan niet. Eén van de zaken is verzonnen, de andere twee zijn verkeerd geïnterpreteerd.
De schade is niet alleen de foutieve inhoud. Het is het vertrouwen. Deze cliënt vertrekt, vertelt het aan drie collega-ondernemers, en het bureau mag zijn reputatie opnieuw opbouwen. De AI bespaarde twee uur zoekwerk — en kostte een klantrelatie van vijf jaar.
Of neem de financieel adviseur die AI gebruikt om marktcijfers te verzamelen voor een beleggingsvoorstel. Eén hallucinatie over het rendement van een specifieke sector, en het voorstel bevat een belofte die niet waargemaakt kan worden. Toezichthouder AFM, klacht, boete. De AI was 99 procent accuraat. Het is die ene procent die je vergunning kost.
Waarom grotere modellen dit niet oplossen
De reflex is: "we wachten op de volgende versie, die hallucineert minder." Maar de data ondersteunt dat niet. De Columbia Journalism Review testte de nieuwste zoekmodellen — dezelfde generatie die jij nu in je browser gebruikt — en 60 procent van de nieuwsantwoorden was incorrect. De fout zit niet in 'te kleine modellen', maar in de fundamentele architectuur: taalmodellen voorspellen het volgende woord, ze 'weten' niets.
Zelfs geavanceerde systemen met retrieval — modellen die actief bronnen opzoeken voor ze antwoorden — hallucineren. Ze halen de verkeerde bron op, of interpreteren een juiste bron verkeerd, of generaliseren een specifiek cijfer naar een verkeerde context. Retrieval-Augmented Generation (RAG) vermindert het probleem, maar lost het niet op.
Drie actiepunten voor AI-onderzoek in jouw MKB
Maak van bronverificatie een vaste stap, geen optie. Elke AI-gegenereerde claim met een cijfer, jaartal of onderzoeksnaam moet je controleren in de oorspronkelijke bron. Niet steekproefsgewijs — altijd. Tien minuten extra verificatie voorkomt een fout die je merk beschadigt. Maak een checklist voor je team: bron-URL geklikt? originele conclusie gelezen? publicatiedatum klopt? Bij drie keer ja pas doorsturen.
Gebruik minimaal twee AI-tools voor belangrijke vragen. Verschillende modellen hallucineren op verschillende manieren. Als twee tools onafhankelijk dezelfde bron en hetzelfde cijfer vinden, is de kans op correctheid aanzienlijk groter. Kruisverificatie is je vangnet. Voor juridisch en financieel advies: altijd menselijke eindcontrole, geen uitzonderingen.
Stel je AI zo in dat hij 'ik weet het niet' mag zeggen. Veel hallucinaties ontstaan doordat modellen geprogrammeerd zijn om altijd een antwoord te geven. Configureer je AI-tool of prompt expliciet: "Als je het niet zeker weet, zeg dan dat je het niet weet en leg uit waarom." Dit halveert het aantal gok-incidenten. Maak 'onzekerheid rapporteren' een feature van je AI-workflow, geen bug.
AI is de beste onderzoeker die je ooit hebt gehad — en de meest overtuigende leugenaar. Het verschil tussen die twee maak jij, elke keer dat je besluit wél of niet op die bronlink te klikken.