AI-hallucinatie: hoe foute AI-antwoorden je merk schaden en wat je eraan doet

Wat is AI-hallucinatie?

Een AI-hallucinatie is uitvoer van een taalmodel die overtuigend geformuleerd is, maar niet door juiste informatie wordt gedekt. Het model klinkt zeker van zijn zaak, terwijl het ernaast zit.

Het meest geciteerde overzichtsartikel over het onderwerp, de survey naar hallucinatie in natuurlijke taalgeneratie van Ji et al. (2023) in ACM Computing Surveys, onderscheidt twee basistypen. Een intrinsieke hallucinatie spreekt het bronmateriaal tegen dat het model voor zich heeft. Een extrinsieke hallucinatie valt op basis van dat materiaal niet te bevestigen of te weerleggen: het model vult iets aan dat nergens staat.

Voor bedrijven tellen beide typen. Leest een AI-assistent je dienstenpagina en noemt hij daarna een andere prijs, dan is dat intrinsiek. Schrijft hij je een certificering toe die op geen enkele pagina voorkomt, dan is dat extrinsiek.

Helemaal verdwijnen doet het probleem niet. Taalmodellen berekenen het meest waarschijnlijke volgende woord, en dat is niet altijd het juiste. Betere modellen en een webzoekactie op de achtergrond verkleinen het aantal fouten, maar zolang antwoorden op kansberekening berusten, blijft er een restrisico. Dat is ook de wetenschappelijke consensus die Ji et al. (2023) weergeven: hallucinatie valt niet volledig uit de uitvoer van grote taalmodellen te elimineren.

Welke soorten AI-hallucinatie raken bedrijven?

AI-hallucinaties over bedrijven volgen terugkerende patronen, die meestal terug te voeren zijn op ontbrekende of tegenstrijdige informatie op het web. Dit overzicht zet de meest voorkomende foutbeelden op een rij.

De gemene deler: hallucinaties ontstaan waar het model geen eenduidig, goed onderbouwd antwoord vindt. Wie die gaten dicht, verkleint de kans op een verkeerde weergave.

Waarom wordt AI-hallucinatie riskanter voor merken?

Het merkrisico van AI-hallucinatie neemt toe, omdat meer mensen antwoorden rechtstreeks in een AI-interface lezen en daarbij minder vaak op bronnen klikken. Een fout bereikt zo meer mensen, en minder van hen merken hem op.

Twee databronnen wijzen dezelfde kant op. De vergelijkende analyse van Iyappan (2026) in het GOYBO International Journal of Marketing Intelligence zet traditioneel zoeken en AI-gestuurde systemen naast elkaar op basis van een corpus van 162 analyse-eenheden. Volgens tabel 5 daalt bronverificatie daarin van 44% naar 27%, terwijl het aandeel conversationele zoekopdrachten stijgt van 29% naar 91%. Bijna elke interactie is dan een vraag waarop een door AI samengesteld antwoord volgt, in plaats van een trefwoordzoekopdracht met een lijst links.

Een analyse van het Pew Research Center op basis van echte browserdata bevestigt de richting. In de browsedata van 900 Amerikaanse volwassenen uit maart 2025 klikten gebruikers bij Google-zoekopdrachten met een AI-samenvatting in slechts 8% van de gevallen op een gewoon zoekresultaat, tegenover 15% zonder samenvatting. Op een link binnen de samenvatting klikten ze in 1% van de gevallen.

Voor je merk betekent dit: geeft een AI-antwoord je aanbod verkeerd weer, dan is de kans klein dat de lezer je website bezoekt en de fout daar zelf rechtzet. Volgens de cijfers van Iyappan controleert de gebruiker in 73% van de AI-gestuurde zoekgevallen het antwoord daarna niet. Dat is volgens zijn data al de norm, en het komt minder door slordige gebruikers dan door een interface die antwoorden presenteert met de zekerheid van een expert. Fogg et al. (2002) stelden in hun onderzoek naar hoe gebruikers webgeloofwaardigheid beoordelen vast dat waargenomen brongeloofwaardigheid sterk bepaalt of mensen informatie overnemen. In AI-zoeken draagt het AI-systeem zelf dat geloofwaardigheidssignaal: gebruikers schrijven nauwkeurigheid toe aan de AI-interface in plaats van losse bronnen te beoordelen, waardoor een gehallucineerde uitspraak over je bedrijf het vertrouwen erft dat gebruikers in die interface hebben. Meer over dit gedrag lees je in onze analyse van zero-click zoeken.

Beschermen bronvermeldingen tegen AI-hallucinatie?

Bronvermeldingen in AI-antwoorden beschermen maar beperkt tegen hallucinatie, omdat een geciteerde bron niet bewijst dat het model die bron echt heeft gebruikt. Een link onder een antwoord oogt als bewijs, maar is dat niet vanzelf.

Wallat, Heuss, de Rijke en Anand onderzochten dit in hun paper "Correctness is not Faithfulness in RAG Attributions" (ICTIR 2025). Hun bevinding: tot 57% van de citaties in hun experimenten was niet "getrouw". Het model had het antwoord uit andere patronen opgebouwd en de bron er achteraf passend aan gekoppeld. De auteurs spreken van post-rationalisatie.

Daaruit volgen twee dingen. Je website kan als bron verschijnen terwijl de uitspraak ernaast niet van jou komt. En het is niet genoeg om ergens genoemd te worden: de feiten op je pagina moeten zo eenduidig en makkelijk over te nemen zijn dat het model ze ook echt gebruikt.

Waarom is feitelijke nauwkeurigheid een zichtbaarheidssignaal?

Feitelijke nauwkeurigheid werkt in AI-zoeken als zichtbaarheidssignaal, omdat generatieve systemen de voorkeur geven aan inhoud waarvan de uitspraken overeenkomen met andere bronnen en duidelijk onderbouwd zijn. In klassieke rankings was nauwkeurigheid vooral een kwestie van fatsoen, geen rankingfactor: een zwaar gelinkte maar onjuiste pagina kon een juiste, minder gelinkte pagina gewoon verslaan.

Iyappan (2026) beschrijft in zijn correlatietabel het verband tussen feitelijke nauwkeurigheid en de beoordeling als AI-vertrouwenssignaal als "zeer sterk positief", het hoogste niveau op zijn vierpuntsschaal. Hij benoemt de breuk met het oude paradigma expliciet: "Generatieve AI-systemen integreren feitelijke consistentiecontrole en brongeloofwaardigheidsevaluatie in retrieval-scoring, waardoor structurele prikkels ontstaan voor epistemisch rigoureuze contentproductie." In GEO is nauwkeurigheid daarmee een rankingfactor. De logica is begrijpelijk: een uitspraak die je in meerdere bronnen gelijk terugvindt, neemt een systeem makkelijker over dan een die maar één keer en zonder onderbouwing opduikt.

In de praktijk helpt precisie dus dubbel. Concrete gegevens, onderbouwde cijfers en benoemde verantwoordelijken verkleinen de gaten waarin hallucinaties ontstaan, en ze maken je inhoud beter citeerbaar.

Hoe verkleinen entiteitssignalen het risico op hallucinatie?

Entiteitssignalen verkleinen het risico op AI-hallucinatie, omdat ze een model eenduidige, machineleesbare en overeenstemmende feiten over je bedrijf geven. Hoe minder het systeem hoeft te raden, hoe minder het verzint.

Hoe groot de gaten in de praktijk zijn, laat ons eigen onderzoek naar de AI-zichtbaarheid van het mkb bij 310 websites zien: 52% had geen Organization- of LocalBusiness-schema, 89% geen machineleesbaar adres en 41% geen machineleesbare datum. Bij 20% van de sites (60 van 296) had GPTBot geen of onvoldoende toegang. Juist die gaten vult een model bij twijfel met gissingen.

De belangrijkste bouwstenen:

• Organization-schema op de homepage. Naam, beschrijving, adres, contactgegevens, logo en sameAs-verwijzingen naar je profielen geven elk systeem een vast ankerpunt. Google benadrukt in zijn uitleg over AI-functies in Zoeken dat gestructureerde data moet overeenkomen met de zichtbare tekst en dat er voor AI Overviews geen speciale opmaak nodig is. Schema vervangt dus geen heldere inhoud, het bevestigt die.
• Consistente NAP-gegevens. Naam, adres en telefoonnummer horen identiek te zijn op je website, je Google Bedrijfsprofiel en in branchedirectories. Tegenstrijdige gegevens dwingen het model te kiezen.
• Een bijgehouden Google Bedrijfsprofiel. Wie openingstijden, diensten en categorie daar actueel houdt, voorkomt dat verouderde gegevens in Google-interfaces blijven rondgaan.
• Redactionele vermeldingen. Correcte artikelen in vakmedia zijn onafhankelijke bevestigingen van je feiten. Hoe meer overeenstemmende bronnen er zijn, hoe stabieler het beeld.
• Wikidata waar dat past. Een correct item levert een bron op die los staat van je eigen website, mits je bedrijf aan de relevantiecriteria voldoet.

Hoe je zo'n consistente merkidentiteit stap voor stap opbouwt, lees je in ons artikel over brand entity als GEO-signaal.

Wat doe je als je een AI-hallucinatie over je bedrijf ontdekt?

Bij een ontdekte AI-hallucinatie corrigeer je niet het antwoord zelf, maar de bronnen waaruit het systeem put. Een meldproces zoals bij Google-zoekresultaten bestaat voor de meeste AI-assistenten niet in vergelijkbare vorm.

1. Leg de fout vast. Stel in ChatGPT, Perplexity, Gemini en Copilot dezelfde vragen over je bedrijf, je diensten en je regio. Noteer datum, platform, vraag en antwoord. Tools als Otterly.ai of Peec AI kunnen dit automatiseren. Waarom één platform daarvoor niet volstaat, lees je in ons stuk over AI-zoekmonitoring.
2. Zoek de bron. Perplexity toont zijn bronnen openlijk. Kijk of de foute informatie uit een oude pagina, een directory of een artikel van een ander komt.
3. Corrigeer je eigen pagina's. Werk verouderde inhoud bij, stuur gestopte diensten netjes door en formuleer kernfeiten zo dat ze in één zin staan en zonder context te begrijpen zijn.
4. Schoon externe vermeldingen op. Corrigeer directory-vermeldingen, je Google Bedrijfsprofiel en, als je er een hebt, je Wikidata-item.
5. Valideer je schema. Verkeerd gedeclareerde gestructureerde data, zoals een oud adres of een verkeerd bedrijfstype, versterkt fouten juist. Controleer je opmaak regelmatig met de Rich Results Test en de Schema Markup Validator.
6. Zorg voor onafhankelijke bevestiging. Een recent, feitelijk correct artikel in een relevant vakmedium geeft systemen een extra bron die oudere, onjuiste gegevens na verloop van tijd kan overschaduwen.

Reken niet op direct resultaat. Hoe snel een correctie doorwerkt, hangt ervan af of een systeem live op het web zoekt of op oudere trainingskennis terugvalt.

Veelgestelde vragen

Wat is AI-hallucinatie in gewone taal?

AI-hallucinatie is een onjuiste uitspraak die een AI-systeem formuleert alsof die klopt. Het gebeurt omdat taalmodellen waarschijnlijke woordreeksen produceren en niets opzoeken in een feitendatabase. Ji et al. onderscheiden uitspraken die het bronmateriaal tegenspreken en uitspraken die er helemaal niet uit af te leiden zijn.

Hoe vaak hallucineren AI-systemen over bedrijven?

Een algemeen geldend foutpercentage voor bedrijfsbeschrijvingen bestaat niet. Hoe vaak het gebeurt, hangt sterk af van hoeveel eenduidige en overeenstemmende informatie er over een bedrijf online staat. Kleine bedrijven met weinig vermeldingen en zonder gestructureerde data zijn kwetsbaarder dan bekende merken, omdat een model over hen minder bewijs vindt.

Kan ik bepalen wat ChatGPT over mijn bedrijf zegt?

Rechtstreeks bepalen kun je het niet, beïnvloeden wel. ChatGPT en andere assistenten leunen op inhoud van het web. Heldere feiten op je website, correct schema, consistente NAP-gegevens en onafhankelijke vermeldingen veranderen de basis waaruit de antwoorden ontstaan.

Worden AI-hallucinaties zeldzamer?

Dat valt niet in het algemeen te zeggen: foutpercentages verschillen sterk per model en taak. Wat wel vaststaat, is dat het zakelijke risico niet vanzelf kleiner wordt. Meer mensen lezen AI-antwoorden en minder mensen controleren de bronnen (volgens Iyappan 2026 daalt bronverificatie van 44% naar 27%), waardoor ook een zeldzame fout veel mensen kan bereiken.

Voorkomt schema-opmaak AI-hallucinaties?

Schema-opmaak voorkomt hallucinaties niet, maar beperkt de ruimte ervoor. Het levert machineleesbare feiten zoals naam, adres en diensten die een systeem niet hoeft te raden. Voorwaarde is dat de opmaak klopt en overeenkomt met de zichtbare tekst; foutief schema kan fouten zelfs versterken.

Hoe lang duurt het voordat een correctie in AI-antwoorden zichtbaar is?

Dat verschilt per systeem en is niet te garanderen. Assistenten met live webzoeken, zoals Perplexity, kunnen een bijgewerkte pagina gebruiken na de volgende indexering. Antwoorden die op trainingskennis berusten, veranderen vaak pas met een nieuwe modelversie.

Hoe beïnvloedt feitelijke nauwkeurigheid de zichtbaarheid in AI-zoeken?

Positief en duidelijk. In de correlatieanalyse van Iyappan (2026) heeft feitelijke nauwkeurigheid een zeer sterke positieve correlatie met de beoordeling als AI-vertrouwenssignaal, het hoogste niveau in het onderzoek. Nauwkeurige, onderbouwde uitspraken beschermen dus tegen hallucinatie en maken je inhoud tegelijk beter citeerbaar.

Is een bronvermelding in een AI-antwoord een bewijs dat het klopt?

Nee, een bronvermelding laat alleen zien dat een systeem een pagina koppelt, niet dat de uitspraak daarvandaan komt. Wallat et al. vonden in hun experimenten tot 57% citaties waarop het model helemaal niet had gesteund. Bij belangrijke beslissingen loont het om de gelinkte pagina zelf te openen.

Wil je weten wat AI-systemen nu over jouw bedrijf zeggen? Vraag een gratis analyse aan.