7 veelvoorkomende fout-claims in AI-content (met voorbeelden en checkmethodes)

Generatieve AI produceert vloeiende tekst, maar feitelijke betrouwbaarheid blijft het zwakke punt. Wie dagelijks AI-content redigeert, herkent terugkerende fouttypes: niet-bestaande bronnen, verouderde cijfers, verkeerd toegeschreven citaten. Ze klinken plausibel en glippen daardoor door de redactie.

Hieronder zeven patronen die in redactieworkflows regelmatig opduiken, met concrete voorbeelden en checkmethodes. De selectie is gebaseerd op terugkerende observaties bij contentreviews; het is geen kwantitatieve ranking, maar een werkbare heuristiek voor reviewers.

1. Niet-bestaande bronnen en studies

Een veelgedocumenteerd hallucinatie-patroon: AI genereert rapporten, auteurs, URL's of DOI-nummers die er overtuigend uitzien, maar niet bestaan. Onderzoek van Stanford (2024) toonde aan dat juridische LLM's in 58 tot 82% van de gevallen hallucineren bij specifieke casuïstiek.

Voorbeeld: "Volgens een McKinsey-rapport uit 2022 verhoogt AI-implementatie de productiviteit met gemiddeld 47%." Het cijfer klinkt redelijk, maar het rapport bestaat niet — of bestaat wel en zegt iets anders.

Check: Zoek de exacte titel in Google Scholar of op de site van de uitgever. Bestaat de URL? Klopt het jaartal? Bij twijfel: vraag AI om de directe link en open die zelf.

2. Verouderde data gepresenteerd als actueel

LLM's hebben een trainingscutoff. Een model getraind tot begin 2023 kent geen wetgeving van 2024, geen nieuwe bestuurders en geen recente marktaandelen. Toch wordt oude data zonder waarschuwing als heden gepresenteerd.

Voorbeeld: "De AVG-boete kan oplopen tot maximaal 20 miljoen euro." Onvolledig — artikel 83 AVG noemt expliciet "20 miljoen euro óf 4% van de wereldwijde jaaromzet, naargelang welk bedrag hoger is". Het weglaten van de tweede helft onderschat de financiële impact aanzienlijk.

Check: Bij elke claim met een tijdsdimensie (wetgeving, marktdata, functietitels, technologieversies): verifieer tegen een gedateerde primaire bron, zoals de geconsolideerde wetstekst op eur-lex.europa.eu.

3. Verkeerd toegeschreven citaten

AI plakt bekende namen op uitspraken die ze nooit deden, of verschuift een citaat van de ene auteur naar de andere. Citatendatabases zoals Quote Investigator documenteren tientallen klassieke gevallen.

Voorbeeld: "Zoals Einstein zei: 'De definitie van krankzinnigheid is steeds hetzelfde doen en een ander resultaat verwachten.'" Volgens Quote Investigator is dit citaat pas vanaf de jaren '80 in omloop, ruim na Einsteins overlijden, en vermoedelijk afkomstig uit AA-literatuur.

Check: Zoek het citaat letterlijk tussen aanhalingstekens. Geen primaire vindplaats? Schrappen of attribueren als "vaak toegeschreven aan".

4. Statistieken zonder context of bron

Cijfers krijgen autoriteit door hun precisie. AI levert exacte percentages aan zonder bron, of mixt statistieken uit verschillende contexten.

Voorbeeld: "73% van de marketeers gebruikt AI in hun workflow." Welk onderzoek? Welk land? Welke definitie van "gebruiken"? Welk jaar? Welke steekproef? Zonder context is dit cijfer waardeloos, maar het leest als hard bewijs.

Check: Vraag bij elke statistiek vier dingen: bron, jaar, steekproef en definitie. Ontbreekt één van vier? Niet publiceren zonder verificatie.

5. Causale verbanden waar alleen correlatie bestaat

LLM's leren patronen, geen oorzakelijke logica. Resultaat: correlaties worden geformuleerd als causale verbanden, vaak met stellige werkwoorden ("zorgt voor", "leidt tot", "veroorzaakt").

Voorbeeld: "Bedrijven die ChatGPT inzetten, groeien 30% sneller." Mogelijk zetten snelgroeiende bedrijven sneller nieuwe tools in — dan is groei de oorzaak, niet het gevolg. Dat onderscheid blijft vaak achterwege.

Check: Bij elke causale claim: was het onderliggende onderzoek experimenteel (RCT) of observationeel? Bij observationeel: herformuleer naar "hangt samen met" in plaats van "leidt tot".

6. Geografisch of juridisch verkeerd toegepaste regels

Onderzoek naar trainingsdata (zoals Common Crawl) laat zien dat een aanzienlijk deel van de webcontent Engelstalig en Amerikaans-georiënteerd is. Daardoor kunnen Amerikaanse regels, normen en termen onbedoeld in Europese teksten terechtkomen.

Voorbeeld: "Werknemers hebben recht op 12 weken onbetaald ouderschapsverlof onder FMLA." Dit is Amerikaanse wetgeving (Family and Medical Leave Act), niet toepasselijk in Nederland. Hier geldt de Wet arbeid en zorg, met andere voorwaarden en duur.

Check: Scan op Amerikaanse termen (FMLA, HIPAA, IRS, 401(k), functietitels als "VP of People"). Vervang door het juiste Nederlandse of Europese equivalent, of schrap als de context dat vraagt.

7. Plausibele maar onjuiste technische details

In domeinen als IT, geneeskunde, financiën of recht produceert AI specificaties die structureel kloppen maar inhoudelijk fout zijn: verkeerde dosering, niet-bestaande functies, foutieve fiscale grenzen.

Voorbeeld: "Python's sorted() functie wijzigt de originele lijst." Onjuist — volgens de officiële Python-documentatie retourneert sorted() een nieuwe lijst; .sort() werkt in-place. Een subtiele fout met directe gevolgen voor wie de code overneemt.

Check: Laat domeinexperts technische claims reviewen. Voor code: laat het draaien. Voor medische of juridische content: verifieer tegen de richtlijn of het wetsartikel zelf.

Wat deze patronen gemeen hebben

Alle zeven fouttypes ogen normaal. Geen rode vlaggen, geen wankele zinnen. Juist dat maakt ze risicovol in productieworkflows waarin snelheid prevaleert boven verificatie.

De oplossing zit niet in betere prompts alleen. Ook met expliciete instructies ("alleen feiten met bron") blijven modellen hallucineren. Wat wel werkt:

• Gestructureerde factcheck-protocollen waarin elke claim met cijfer, citaat of bron apart wordt geverifieerd.
• Bronregistratie per claim, met onderscheid tussen primaire bronnen (wetsteksten, onderzoeksrapporten, jaarverslagen) en secundaire bronnen (nieuwsartikelen, samenvattingen).
• Domeinspecifieke checklists — een juridisch artikel vraagt andere controles dan een technische blog.
• Vastgelegde eindverantwoordelijkheid voor juridische, medische en financiële content: één benoemde reviewer met domeinkennis tekent af voor publicatie.

Een praktische workflow voor je redactie

Hanteer voor elke AI-tekst deze vijfminutencheck:

1. Markeer elk getal, citaat en eigennaam.
2. Verifieer minimaal de drie zwaarste claims via primaire bronnen en leg de bronstatus per claim vast (primair geverifieerd / secundair / niet verifieerbaar).
3. Scan op Amerikaanse termen en verouderde data.
4. Toets causale werkwoorden ("leidt tot", "veroorzaakt") kritisch.
5. Laat bij juridische, medische of financiële passages de benoemde domeinverantwoordelijke tekenen.

Bij grotere volumes wordt deze workflow handmatig onhoudbaar. Daar komt geautomatiseerde factchecking in beeld: tools die claims extraheren, tegen bronnen toetsen en een risicoscore geven voordat content publicatie bereikt.

Eerste stap

Pak één AI-artikel dat deze week is gepubliceerd. Loop de zeven fouttypes systematisch langs en noteer hoeveel claims onhoudbaar blijken bij verificatie. Leg per claim vast: gevonden bron, primair of secundair, verifieerbaar of niet.

Die nulmeting maakt zichtbaar waar de redactie nu staat — en welk fouttype in jouw domein dominant is. Vanuit dat inzicht bouw je een gerichte controle, in plaats van een algemene.