Gestructureerde uitvoer: een schema door AI laten invullen
Hoe een JSON-schema vrije tekst omzet in precieze velden, wat de functie garandeert en welke reflexen helpen om de waarden te controleren.
Op deze pagina
In 30 seconden
- Waar het gebeurt
- In de tools die een AI vragen vrije tekst in velden onder te brengen, bijvoorbeeld om uit een zin de naam van een evenement, de datum en de deelnemers te halen[1].
- Wat het garandeert
- Een antwoord dat aan het schema voldoet[2]. Microsoft[1] zet deze functie af tegen de oude JSON-modus, die geldige JSON garandeerde zonder te kunnen waarborgen dat het meegegeven schema werd gevolgd.
Waar gaat het over
Een e-mail of een verslag is vrije tekst. Om er precieze velden uit te halen, kan een toepassing de AI een JSON-schema opleggen. Microsoft[1] presenteert gestructureerde uitvoer (structured outputs) als een functie die het model een definitie van JSON Schema laat volgen die in de API-aanroep wordt meegegeven, en noemt onder de toepassingen de extractie van gestructureerde gegevens[1].
Een antwoordschema legt de namen van de velden vast en het verwachte gegevenstype voor elk veld[2]. Google[2] schrijft dat het antwoord van het model met een schema altijd het gedefinieerde schema volgt[2]. Dit artikel scheidt twee vragen: de vorm van het antwoord en de juistheid van de inhoud.
Directe vragen
Wat is een gestructureerde uitvoer?
Het is een AI-antwoord dat een schema volgt dat met het verzoek wordt meegegeven. Microsoft[1] onderscheidt het van de oude JSON-modus, die geldige JSON garandeerde maar niet kon waarborgen dat het schema werd gevolgd. Google[2] preciseert dat de JSON-modus zonder schema slechts een sterke aansporing is en geen 100 % geldige JSON oplevert. Om 100 % geldige JSON te krijgen, moet het verzoek zowel een antwoordschema als het type application/json bevatten[2].
Betekent een gevolgd schema dat de waarden juist zijn?
Nee. NIST[3] legt uit dat fouten in de inhoud voortkomen uit het ontwerp van generatieve modellen: zij produceren uitvoer die de statistische verdeling van hun trainingsdata benadert, wat zowel juiste als onjuiste uitvoer kan opleveren[3]. OWASP[5] beschrijft hallucinatie als inhoud die juist lijkt maar verzonnen is[5].
Wat doet het model als de informatie in de tekst ontbreekt?
Volgens Google[2] zijn velden standaard optioneel: het model kan ze invullen of negeren. Men kan ze als verplicht declareren om het te dwingen een waarde te geven. Als de context van het verzoek onvoldoende is, antwoordt het model vooral op basis van de gegevens waarop het is getraind[2]. Bij Microsoft[1] moeten alle velden als verplicht worden gedeclareerd, en een optioneel veld wordt nagebootst met een type dat ook de waarde null accepteert.
Kan men de uitvoer ongewijzigd laten uitvoeren?
Nee. OWASP[4] noemt dit gebrek "Improper Output Handling": een onvoldoende validatie van de uitvoer van het model voordat die aan andere onderdelen wordt doorgegeven. Omdat de gegenereerde inhoud door het verzoek kan worden aangestuurd, vergelijkt OWASP dit met indirecte toegang tot extra functies[4]. Onder de voorbeelden: een uitvoer die rechtstreeks in een commandointerpreter wordt geplaatst (functies exec of eval), wat leidt tot uitvoering van code op afstand, en gegenereerde SQL-query's die zonder parametrisering worden uitgevoerd, wat leidt tot SQL-injectie[4].
Wanneer laat men het door een persoon nalezen?
OWASP[5] stelt menselijk toezicht en feitencontrole voor, vooral bij kritieke of gevoelige informatie, met nalezers die zijn opgeleid om niet blindelings op de AI te vertrouwen[5]. NIST[3] geeft het voorbeeld van de gezondheidszorg: een verzonnen samenvatting van patiëntendossiers zou artsen ertoe kunnen brengen een verkeerde diagnose te stellen of een verkeerde behandeling aan te bevelen[3]. Het voegt eraan toe dat het risico vooral belangrijk is om te bewaken in toepassingen waarin de AI beslissingen met zware gevolgen voedt[3].
Hoe het werkt
Azure Databricks[6] beschrijft de functie als het genereren van antwoorden in een gedefinieerd JSON-formaat, via een veld voor het antwoordformaat in het chatverzoek. Het beveelt de functie aan voor het extraheren van gegevens uit een groot aantal documenten (bijvoorbeeld productrecensies indelen als negatief, positief of neutraal), voor verwerking in bulk die een bepaald formaat vereist, en voor het omzetten van ongestructureerde gegevens in gestructureerde gegevens[6]. Het voorbeeldschema haalt uit een onderzoekstekst de titel, de auteurs, de samenvatting en de trefwoorden[6].
De leveranciers nemen niet het hele JSON Schema over, alleen een deelverzameling. Bij Microsoft[1] kan een schema tot 100 objecteigenschappen en vijf nestingniveaus bevatten. De trefwoorden pattern, minLength, maxLength, minimum en maximum worden niet ondersteund[1]. Azure Databricks[6] legt het maximum vast op 64 sleutels, geeft aan geen lengte- of groottebeperkingen toe te passen op objecten en lijsten, en merkt op dat een sterk genest schema een generatie van lagere kwaliteit oplevert: het raadt aan het waar mogelijk af te vlakken[6]. Het preciseert ook dat de technieken om de kwaliteit te verbeteren het aantal verbruikte tokens veranderen, en dus de facturering[6].
Bij Google[2] gebruikt het antwoord van het model de naam en de beschrijving van elk veld van het schema. Google beveelt duidelijke veldnamen aan en een beschrijving die de rol van elk veld vastlegt[2]. Het raadt af het schema in de instructie over te nemen: de kwaliteit van de uitvoer kan daaronder lijden[2]. Het merkt ook op dat het gebruik van gestructureerde uitvoer op afgestemde Gemini-modellen de kwaliteit van het model kan verminderen[2].
Het onderzoek werkt aan hetzelfde probleem. Een studie die in februari 2025 op arXiv verscheen[7] bouwde een benchmark van ongeveer 40.000 verschillende JSON-schema's en stelt vast dat de meest recente LLM's nog steeds moeite hebben om een geldige JSON-tekenreeks te produceren[7]. Een andere studie, van mei 2025[8], meet afzonderlijk de juistheid van het schema en de getrouwheid van de inhoud[8].
Wat u doet
Deze handelingen zijn bedoeld voor wie een extractie instelt of het resultaat gebruikt.
- De lege waarde voorzien. Voor elk veld waarvan de informatie in de tekst kan ontbreken, de mogelijkheid gebruiken die Microsoft[1] beschrijft: een type dat de waarde null accepteert. Een verplicht veld dwingt een waarde af[2].
- Elk veld een naam en een beschrijving geven. Google[2] beveelt ondubbelzinnige namen aan en een beschrijvingsveld voor de rol van elk veld.
- Het resultaat valideren. Als het schema niet vooraf kan worden gedefinieerd, beveelt Google[2] een JSON-validator aan de clientzijde aan, met een nieuwe poging bij mislukking. OWASP[5] beveelt aan de belangrijkste uitvoer automatisch te valideren, vooral in omgevingen met een hoge inzet[5]. Met het model databricks-claude-opus-5 kan een verzoek een stopreden van het type inhoudsfilter teruggeven wanneer het model het verzoek weigert, en dan kan de uitvoer het schema mogelijk niet volgen: Azure Databricks[6] geeft aan deze stopreden te controleren voordat de uitvoer wordt geanalyseerd.
- Niets uitvoeren zonder controle. OWASP[4] raadt aan het model te behandelen als elke andere gebruiker (zero-trust-benadering) en de antwoorden te valideren voordat ze aan de functies van de toepassing worden doorgegeven. Het beveelt ook geparametriseerde query's aan voor elke databasebewerking die een uitvoer van het model raakt[4].
- Toetsen aan betrouwbare bronnen. OWASP[5] moedigt gebruikers aan de uitvoer te vergelijken met betrouwbare externe bronnen.
- Laten nalezen wanneer de inzet hoog is, zoals in de vraag over het nalezen hierboven[5].
De valkuilen
Een verplicht veld zet aan tot een aannemelijke waarde. Google[2] geeft aan dat een veld dat als verplicht is gedeclareerd het model dwingt een waarde te geven, en dat het bij gebrek aan context vooral antwoordt op basis van zijn trainingsdata[2]. NIST[3] merkt op dat deze fouten met stelligheid worden gepresenteerd: het risico ontstaat wanneer gebruikers onjuiste inhoud geloven door de zelfverzekerde toon van het antwoord[3].
Een rechtvaardiging is geen bewijs. NIST[3] merkt op dat modellen soms logische stappen geven om een antwoord toe te lichten, ook wanneer dat antwoord onjuist is, wat ertoe kan leiden dat men ze te veel vertrouwt[3]. Een veld "uitleg" dat door het model wordt ingevuld bewijst dus niets.
Geldige vorm en getrouwe inhoud zijn twee maten. In de studie van mei 2025[8] haalt een afgestemd Mistral-7B-model met beperkte decodering een schemajuistheid van 99,5 % en een inhoudelijke gelijkenis van 94,0 %[8].
Overmatig vertrouwen verergert de fout. OWASP[5] definieert overmatig beroep op AI als overdreven vertrouwen in gegenereerde inhoud, zonder de juistheid ervan te controleren, en merkt op dat gebruikers dan onjuiste gegevens kunnen opnemen in beslissingen of kritieke processen[5].
Een goedgevormde uitvoer kan toch gevaarlijk blijven. OWASP[4] geeft het scenario van een gebruiker die via een functie van het type chat een SQL-query vraagt die alle tabellen van een database verwijdert: als de door het model geproduceerde query niet wordt onderzocht, worden alle tabellen verwijderd[4].
Bronnen
- Microsoft, “How to use structured outputs with Azure OpenAI in Microsoft Foundry Models - Microsoft Foundry”. https://learn.microsoft.com/en-us/azure/foundry/openai/how-to/structured-outputs (geraadpleegd op 14 november 2026)
- Google, “Structured output | Gemini Enterprise Agent Platform | Google Cloud Documentation”. https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/capabilities/control-generated-output (geraadpleegd op 14 november 2026)
- NIST, “Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile”. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf (geraadpleegd op 14 november 2026)
- OWASP, “LLM05:2025 Improper Output Handling”, 10 april 2024. https://genai.owasp.org/llmrisk/llm052025-improper-output-handling/ (geraadpleegd op 14 november 2026)
- OWASP, “LLM09:2025 Misinformation”, 10 april 2024. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (geraadpleegd op 14 november 2026)
- Microsoft, “Structured outputs on Azure Databricks - Azure Databricks”. https://learn.microsoft.com/en-us/azure/databricks/machine-learning/model-serving/structured-outputs (geraadpleegd op 14 november 2026)
- arXiv, “Learning to Generate Structured Output with Schema Reinforcement Learning”, 26 februari 2025. https://arxiv.org/abs/2502.18878 (geraadpleegd op 14 november 2026)
- arXiv, “SLOT: Structuring the Output of Large Language Models”, 6 mei 2025. https://arxiv.org/abs/2505.04016 (geraadpleegd op 14 november 2026)
Dit artikel citeren
Brain, “Gestructureerde uitvoer: een schema door AI laten invullen”, Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp515_nl_2026,
author = {Brain},
title = {Gestructureerde uitvoer: een schema door AI laten invullen},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/nl/articles/gestructureerde-uitvoer-ai-json-schema/},
note = {CC BY 4.0}
}