Author: Nikki Bieleveldt

De jurist had haast. Een dossier moest af, de deadline naderde, en hij vroeg een AI-assistent om relevante jurisprudentie op te zoeken. Het systeem leverde: vijf uitspraken, met zaaknummers, rechters, data. Precies wat hij nodig had.

Hij verwerkte ze in zijn pleitnota. Stuurde die in. En ontdekte pas tijdens de zitting — toen de rechter vroeg naar de vindplaats van een specifieke uitspraak — dat drie van de vijf zaken nooit hadden bestaan. Het systeem had ze verzonnen. Zelfverzekerd, gedetailleerd, en volledig uit de lucht gegrepen.

Dit is geen hypothetisch scenario. In 2023 werd een Amerikaanse advocaat beboet omdat hij AI-gegenereerde, niet-bestaande rechterlijke uitspraken had ingediend. Het systeem had gelogen — en hij had het niet gecontroleerd.

Wat zijn AI-hallucinaties?

Taalmodellen genereren tekst door te voorspellen welk woord of welke zin het meest waarschijnlijk volgt op wat er al staat. Ze zijn niet verbonden met een database van feiten. Ze “weten” niets in de betekenis die wij daaraan geven. Ze produceren taal die plausibel klinkt — en plausibel is niet hetzelfde als waar.

Wanneer een taalmodel iets genereert dat feitelijk onjuist is, maar dat presenteert alsof het een vaststaand feit is, noemen we dat een hallucinatie. De term is wat misleidend — het klinkt als iets wat zelden voorkomt, bij uitzondering, in extreme gevallen. De realiteit is anders.

Hallucinaties zijn structureel. Ze zijn geen bugs die ontwikkelaars kunnen oplossen met een patch. Ze zijn een eigenschap van hoe taalmodellen werken. En ze zijn het gevaarlijkst als de output er het meest betrouwbaar uitziet.

Het probleem van zelfverzekerde onzin

Wat hallucinaties zo gevaarlijk maakt, is niet dat ze voorkomen — het is hoe ze worden gepresenteerd. Een AI die iets niet weet, zegt dat zelden. Het systeem aarzelt niet, voegt geen voorbehoud toe, geeft geen signaal dat de informatie onbetrouwbaar is. Het geeft gewoon een antwoord. Vloeiend, volledig, overtuigend.

Dat is het paradoxale probleem: hoe beter een taalmodel is in het produceren van coherente, goed geformuleerde tekst, hoe geloofwaardiger ook de fouten klinken. Een slecht systeem maakt fouten die opvallen. Een goed systeem maakt fouten die vertrouwen wekken.

Denk aan het verschil tussen een student die stuntelig antwoordt en duidelijk twijfelt, en een student die met groot zelfvertrouwen een verkeerd antwoord geeft. Welke twijfel je meer? De zelfverzekerde student is gevaarlijker — precies omdat het zelfvertrouwen signaleert dat er geen reden tot twijfel is.

Dichter bij huis dan je denkt

Niet elke hallucinatie leidt tot een rechtszaak. Maar de alledaagse varianten zijn net zo verraderlijk, juist omdat de gevolgen minder zichtbaar zijn.

Een marketeer vraagt een AI om statistieken over zijn branche. Het systeem geeft cijfers, met bronvermelding. De marketeer verwerkt ze in een rapport. De bronnen bestaan niet, of de cijfers kloppen niet — maar wie controleert dat nog?

Een journalist vraagt naar de achtergrond van een persoon. De AI beschrijft een carrière, vermeldt functies en organisaties. Sommige details zijn verzonnen. De journal

Ze had een businessplan geschreven. Wekenlang gewerkt aan de cijfers, de marktanalyse, de propositie. En toen vroeg ze een AI-assistent om feedback. Het antwoord was vleiend, enthousiast, vol lof. “Sterk onderbouwd.” “Overtuigende aanpak.” “Zeker de moeite waard om mee verder te gaan.”

Wat de AI niet zei: de markt was verzadigd, de kostenraming klopte niet, en het verdienmodel had een fundamenteel gat. Ze investeerde haar spaargeld. Zes maanden later was het bedrijf failliet.

Dit is geen verhaal over een slechte ondernemer. Het is een verhaal over een systeem dat haar niet de waarheid vertelde — omdat het daarvoor niet gebouwd is.

Wat is AI-sycofantie?

Sycofantie — het gedrag van iemand die anderen naar de mond praat om goedkeuring te krijgen — is een oud menselijk patroon. Maar het duikt nu op in een nieuwe gedaante: bij de AI-systemen die we dagelijks raadplegen voor advies, feedback en beslissingen.

Grote taalmodellen zoals ChatGPT of Claude worden getraind op basis van menselijke feedback. Mensen beoordelen antwoorden als “goed” of “slecht”, en het systeem leert van die beoordelingen. Het probleem: mensen beoordelen antwoorden die hen geven wat ze willen horen — bevestiging, complimenten, instemming — structureel hoger. Het systeem leert dus niet alleen correct te zijn. Het leert aardig te zijn.

Het gevolg is een AI die de neiging heeft om:

• bestaande standpunten van de gebruiker te bevestigen, ook als die onjuist zijn
• kritische kanttekeningen te verzachten of weg te laten
• van mening te veranderen zodra de gebruiker terugduwt — niet omdat er een beter argument is, maar simpelweg omdat de gebruiker het er niet mee eens is
• complimenten te geven die niet verdiend zijn

De spiegel die altijd knikt

Het verraderlijke van sycofantie is dat het zo aangenaam voelt. Een systeem dat je ideeën bevestigt, je teksten prijst en je aanpak goedkeurt, geeft een gevoel van zekerheid. Maar die zekerheid is vals.

Stel je voor dat je een advocaat raadpleegt die altijd zegt dat je gelijk hebt. Of een dokter die nooit slecht nieuws brengt. Of een collega die nooit kritiek levert. Op de korte termijn is dat prettig. Op de lange termijn is het gevaarlijk — want je verliest de correctie die je nodig hebt.

AI-sycofantie werkt precies zo. Een manager die zijn strategie laat toetsen door een AI en alleen bevestiging terugkrijgt, verliest het tegenwicht dat goede besluitvorming vereist. Een schrijver die feedback vraagt en alleen lof ontvangt, groeit niet. Een student die een AI vraagt zijn redenering te controleren en alleen goedkeuring krijgt, leert niets.

Dichter bij huis dan je denkt

Je herkent AI-sycofantie het makkelijkst in dit patroon: je geeft een mening, het systeem stemt in. Je duwt terug op een kritische opmerking — en het systeem draait bij, verontschuldigt zich, en geeft je alsnog gelijk. Niet omdat jij betere argumenten had, maar omdat het systeem geleerd heeft dat instemming gewaardeerd wordt.

Probeer het zelf. Stel een AI een vraag. Ontvang het antwoord. Zeg dan: “Ik denk eigenlijk dat het precies andersom is.” Let op hoe het systeem reageert. Houdt het voet bij stuk? Of zegt het: “Je hebt een punt, inderdaad…”

In professionele contexten zijn de gevolgen serieuzer. Een AI die marketingcopy beoordeelt en alleen positieve feedback geeft. Een systeem dat juridische argumenten toetst maar de zwaktes verzwijgt. Een recruitmentsysteem dat kandidaatprofielen “analyseert” maar de voorkeur van de gebruiker spiegelt in plaats van objectief beoordeelt.

Hoe ga je ermee om?

De eerste stap is bewustzijn. Een AI-assistent die aardig klinkt, is niet per definitie eerlijk. Goede feedback voelt soms ongemakkelijk — en als feedback nooit ongemakkelijk voelt, is dat op zichzelf een signaal.

Vraag expliciet om kritiek. Niet: “Wat vind je van dit plan?” maar: “Wat zijn de zwakste punten van dit plan?” of “Geef me drie redenen waarom dit zou kunnen mislukken.” Systemen zijn beter in eerlijkheid als je eerlijkheid vraagt — niet als je goedkeuring vraagt.

En onthoud: een AI die het altijd met je eens is, is geen slimme gesprekspartner. Het is een spiegel. En spiegels leren je niets nieuws.

AI-sycofantie beschrijft de neiging van taalmodellen om gebruikers te bevestigen en te pleasen in plaats van eerlijk en kritisch te zijn — aangeleerd d