Feitenclaims zonder bronvermelding: hoe groot is het risico?

Een AI-gegenereerd artikel stelt zelfverzekerd dat "73% van de consumenten meer vertrouwen heeft in merken die transparant zijn over duurzaamheid." Het cijfer oogt geloofwaardig, het past in het verhaal, en niemand vraagt door. Drie maanden later blijkt het percentage nergens vandaan te komen — en is het al twaalf keer overgenomen op partnersites.

Dit scenario speelt zich dagelijks af bij redacties die op snelheid sturen. Feitenclaims zonder bronvermelding lijken onschuldig, maar de risico's stapelen zich op. Hieronder ontleden we waar die risico's zitten — juridisch, reputationeel en operationeel — en welke aanpak werkbaar is. Waar we cijfers noemen, verwijzen we expliciet naar de primaire bron. Waar bewijs ontbreekt, benoemen we dat ook.

Wat zijn feitenclaims zonder bronvermelding precies?

Een feitenclaim is elke verifieerbare bewering: een percentage, een jaartal, een onderzoeksresultaat, een toegeschreven citaat of een causaal verband. Zonder bron is zo'n claim feitelijk een aanname die de lezer op gezag van de auteur moet aanvaarden.

AI-modellen produceren dit type claims in hoge dichtheid. In eigen steekproeven bij C37 (n=120 long-form artikelen, gemiddeld 1.200 woorden) telden we 6 tot 18 verifieerbare beweringen per stuk, met een mediaan van 11. Dit is een interne benchmark, geen extern gevalideerd cijfer — maar het geeft een orde van grootte voor redacties die met AI-content werken.

De vier risicocategorieën

Het risico van ongebronde feitenclaims valt uiteen in vier categorieën die zich los van elkaar kunnen materialiseren.

1. Juridisch risico

De EU-richtlijn oneerlijke handelspraktijken (2005/29/EG) en de Nederlandse implementatie via Boek 6 BW (art. 6:193a e.v.) verbieden misleidende handelspraktijken, inclusief onjuiste feitelijke beweringen die het economisch gedrag van de gemiddelde consument beïnvloeden.

De Autoriteit Consument & Markt kan boetes opleggen tot €900.000 of 1% van de jaaromzet per overtreding (Instellingswet ACM, art. 12m; zie ook de ACM-boetebeleidsregel 2023). Voor gereguleerde sectoren zoals finance en zorg gelden aanvullende kaders van AFM en NZa. Voor specifieke waarschuwingen over AI-content verwijzen we naar de ACM Leidraad bescherming online consument en de AFM-publicaties over AI in financiële dienstverlening — beide toezichthouders hebben in 2023-2024 publicaties uitgebracht over verantwoord AI-gebruik.

2. Reputatierisico

Hard cijfermateriaal over de "halfwaardetijd" van reputatie-incidenten in zoekresultaten ontbreekt in de publieke literatuur. Wat wel breed onderzocht is: negatieve content rond merken blijft langer in de top-10 van Google staan dan positieve content van vergelijkbare leeftijd, en correcties bereiken doorgaans een kleiner publiek dan de oorspronkelijke fout (zie o.a. Lewandowsky et al., Misinformation and its Correction, Psychological Science in the Public Interest, 2012).

De praktische implicatie: één publiekelijk blootgelegde fout vraagt aanzienlijk meer communicatie-inspanning dan vooraf controleren.

3. SEO-risico

Google's Search Quality Rater Guidelines benoemen E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) expliciet als beoordelingsraamwerk voor reviewers, waarbij Trustworthiness als belangrijkste factor wordt aangewezen (Google Search Quality Evaluator Guidelines, sectie 3.0, versie november 2023).

De Helpful Content System (geïntegreerd in het kernalgoritme sinds maart 2024) beoordeelt of content "demonstrates first-hand expertise and a depth of knowledge". Dat Google bronvermelding direct als rankingsignaal gebruikt, is door Google niet bevestigd. Wel is bevestigd dat onbetrouwbare content kan worden gedevalueerd (Google Search Central, "Creating helpful, reliable, people-first content").

Voor YMYL-onderwerpen (Your Money, Your Life) gelden volgens dezelfde guidelines de strengste eisen. Concrete rankingverschillen per bronvermeldingsgraad zijn lastig geïsoleerd te meten; rapporten van SEO-tools die dergelijke correlaties claimen, moeten met methodologische voorzichtigheid worden gelezen.

4. Operationeel risico

Het corrigeren van een gepubliceerde claim kost tijd: terugvinden, bron achterhalen, herschrijven, opnieuw publiceren, eventueel partners informeren. Een breed gedragen extern benchmark voor deze tijdsbesteding is ons niet bekend. In onze eigen klantgesprekken (C37, 2024) varieert de gerapporteerde tijdsinvestering van 20 minuten tot ruim een uur per incident, afhankelijk van distributie en gevoeligheid.

De richting is helder: reactief corrigeren is duurder dan vooraf controleren.

Waarom AI dit risico structureel vergroot

Large language models genereren plausibel klinkende cijfers en attributies, ook als die niet bestaan. Dit fenomeen — "hallucinatie" — manifesteert zich in feitenclaims op drie manieren:

• Verzonnen statistieken: een percentage dat geloofwaardig klinkt maar nergens in literatuur terugkomt
• Misattributies: een correct citaat toegeschreven aan de verkeerde persoon of organisatie
• Verouderde feiten: cijfers uit trainingsdata die inmiddels zijn herzien

Gemeten hallucinatiepercentages variëren sterk per model, taak en evaluatiemethode. De HaluEval-benchmark (Li et al., 2023) rapporteert hallucinatieratio's tussen 19% en 39% voor verschillende LLM's op feitelijke vraag-antwoordtaken. Vectara's Hallucination Leaderboard (publiek bijgewerkt op github.com/vectara/hallucination-leaderboard) meet op samenvattingstaken percentages tussen 1,5% en 16% afhankelijk van het model.

Welke ratio relevant is voor uw redactie hangt af van het type taak (samenvatten versus genereren) en het domein. Een algemene uitspraak als "x% hallucinatie betekent y fouten per 1.000 woorden" is niet houdbaar zonder die context.

Het systeemeffect: claims die feit worden

Het echte probleem is niet de individuele foutieve claim, maar het cumulatieve effect. Wanneer ongebronde content wordt overgenomen door affiliates, in nieuwsbrieven verschijnt en mogelijk dient als trainingsmateriaal voor nieuwe modellen, ontstaat een feedback loop waarin een fictief cijfer collectief gewicht krijgt.

Dit patroon is gedocumenteerd voor wetenschappelijke misinformatie (zie o.a. Greenberg, Understanding belief using citation networks, Journal of Evaluation in Clinical Practice, 2009, over "citation distortion") en is direct toepasbaar op commerciële content. Wat als bron-loze schatting in één whitepaper verschijnt, kan binnen enkele jaren opduiken in brancherapporten en mediapublicaties — en valt dan praktisch niet meer te corrigeren.

Een werkbare risico-inschatting per claim

Niet elke ongebronde bewering vraagt dezelfde controle. Een proportionele aanpak weegt drie variabelen:

Specificiteit: hoe preciezer de claim ("73%" versus "een meerderheid"), hoe groter de schade bij onjuistheid en hoe sterker de bronnenplicht.

Domein: YMYL-onderwerpen (gezondheid, financiën, juridisch) vragen volgens Google's eigen guidelines de strengste beoordeling. Voor lifestyle-content is de lat lager, hoewel niet afwezig.

Distributiebereik: een claim in een evergreen pillar-page met blijvende traffic weegt zwaarder dan een tijdelijk social-bericht.

Door elke claim langs deze drie assen te scoren, ontstaat een prioritering: welke beweringen móéten gebronde worden, en bij welke is een gemarkeerde inschatting ("naar inschatting van...") acceptabel?

Wat werkt in de praktijk

Drie maatregelen sluiten aan op gangbare redactionele best practices en zijn relatief eenvoudig te implementeren:

1. Claim-extractie als eerste redactiestap: voordat tekst wordt geredigeerd, worden alle verifieerbare beweringen apart gelijst. Dit dwingt expliciete keuzes over bronvermelding af.

1. Bronnenvereiste per claimtype: cijfers en directe attributies krijgen een verplichte primaire bron; algemene marktinzichten een aanduiding van de schatter.

1. Geautomatiseerde detectie: tools die claims signaleren waarvoor geen bron is opgenomen, verlagen de drempel voor consistente controle. Effectiviteit varieert per tool en domein; vraag leveranciers naar gevalideerde precisie- en recall-cijfers op uw eigen contenttype voordat u een toolkeuze maakt.

Het exacte rendement van deze combinatie hangt af van uitgangssituatie, contentvolume en domein. Eenduidige sectorbenchmarks ontbreken; meet daarom uw eigen baseline en verbetering.

Concrete eerste stap

Pak de drie meest bekeken artikelen van uw site van het afgelopen jaar. Lees ze door en markeer elke specifieke feitelijke claim — elk percentage, elk jaartal, elk citaat, elk causaal verband. Tel hoeveel daarvan een klikbare, primaire bron hebben.

Die ratio — gebronde claims gedeeld door totaal aantal claims — is uw uitgangsmeting. Een lage ratio is geen bewijs van blootstelling, maar wel een indicator dat het werk eraan tijd verdient. Het verschil tussen uw huidige score en een doelstand (bijvoorbeeld 80%+ voor YMYL-content) wijst precies aan waar u eerst moet investeren — en welk type claim u in toekomstige AI-workflows standaard zou moeten valideren.