--- id: CP-277 slug: kruiscontrole-ai-antwoorden-drie-bronnen lang: nl title: Een AI-antwoord controleren met drie bronnen description: Generatieve AI kan met overtuiging onjuiste feiten beweren. Zo herkent u wat u moet controleren en toetst u het aan drie onafhankelijke bronnen. canonical_url: https://startbrain.io/cyberpedia/nl/articles/kruiscontrole-ai-antwoorden-drie-bronnen/ markdown_url: https://startbrain.io/cyberpedia/nl/articles/kruiscontrole-ai-antwoorden-drie-bronnen.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, “Een AI-antwoord controleren met drie bronnen”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/kruiscontrole-ai-antwoorden-drie-bronnen/ (CC BY 4.0) wing: 4 theme: verify_output reflex: air-028 schema: G2 updated: "2026-11-03" translations: nl: https://startbrain.io/cyberpedia/nl/articles/kruiscontrole-ai-antwoorden-drie-bronnen/ fr: https://startbrain.io/cyberpedia/fr/articles/verification-croisee-sorties-ia-3-sources/ en: https://startbrain.io/cyberpedia/en/articles/cross-checking-ai-outputs-3-sources/ de: https://startbrain.io/cyberpedia/de/articles/kreuzpruefung-ki-antworten-drei-quellen/ es: https://startbrain.io/cyberpedia/es/articles/verificacion-cruzada-respuestas-ia-tres-fuentes/ it: https://startbrain.io/cyberpedia/it/articles/verifica-incrociata-risposte-ia-tre-fonti/ sources: - "n": 1 title: LLM09:2025 Misinformation publisher: OWASP url: https://genai.owasp.org/llmrisk/llm092025-misinformation/ accessed: "2026-11-03" - "n": 2 title: "Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile" publisher: NIST url: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf accessed: "2026-11-03" - "n": 3 title: "A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions" publisher: arXiv url: https://arxiv.org/abs/2311.05232 accessed: "2026-11-03" - "n": 4 title: "Siren's Song in the AI Ocean: A Survey on Hallucination in Large Language Models" publisher: arXiv url: https://arxiv.org/abs/2309.01219 accessed: "2026-11-03" - "n": 5 title: Sources of Hallucination by Large Language Models on Inference Tasks publisher: arXiv url: https://arxiv.org/abs/2305.14552 accessed: "2026-11-03" --- # Een AI-antwoord controleren met drie bronnen Een generatieve AI-assistent kan op kalme toon antwoorden, ook als hij het mis heeft. Een datum, een cijfer, de naam van een wet, een artikelverwijzing: alles kan goed geschreven zijn en toch onjuist. Gebruikt een medewerker die tekst in een e-mail, een rapport of een besluit, dan loopt hij het risico de fout onder eigen naam door te geven. Deze pagina legt uit waar die fouten vandaan komen en beschrijft daarna een eenvoudige methode: nagaan wat zich laat controleren, dat toetsen aan drie onafhankelijke bronnen en dan beslissen of iemand anders om advies vragen. ## In 30 seconden - Waar het gebeurt: zodra een AI-antwoord een precies feit bevat (cijfer, datum, citaat, juridische verwijzing, naam van software) dat u wilt hergebruiken. - Wat de aanvaller wil: er hoeft niemand bij betrokken te zijn. De fout komt van het model, maar een aanvaller kan verzonnen namen uitbuiten [1]. - De reflex: Controleer een feit dat een AI geeft aan drie onafhankelijke bronnen voordat u het hergebruikt, en geef niets door zolang ze niet overeenstemmen. - Als het al gebeurd is: waarschuw de ontvangers van de tekst, verbeter de tekst en meld het geval daarna bij uw beveiligingsteam of uw leidinggevende als er een besluit op is gebaseerd. ## Directe vragen ### Waarom beweert een AI onjuiste dingen? Het NIST noemt dit verschijnsel "confabulatie": het voortbrengen van onjuiste of foutieve inhoud, met zekerheid gepresenteerd. In het dagelijks taalgebruik spreekt men van hallucinaties of verzinsels [2]. Hetzelfde document legt uit dat deze fouten voortvloeien uit de manier waarop de modellen zijn ontworpen: ze produceren uitvoer die de statistische verdeling van hun trainingsdata benadert, bijvoorbeeld door het volgende woord in een zin te voorspellen [2]. Die voorspelling kan een juist resultaat opleveren, of een onjuist en onsamenhangend resultaat [2]. OWASP beschrijft hetzelfde mechanisme: het model vult de gaten in zijn trainingsdata met statistische regelmatigheden, zonder de inhoud te begrijpen, en kan daardoor antwoorden geven die aannemelijk klinken maar nergens op berusten [1]. Vertekeningen in de trainingsdata en onvolledige informatie dragen daar ook aan bij [1]. ### In welke gevallen is het risico het grootst? Het NIST noemt open verzoeken die om een lang antwoord vragen, en domeinen waarvoor specifieke expertise of context nodig is [2]. Een onderzoeksartikel over inferentietaken wijst twee vertekeningen aan die uit de training voortkomen: het onthouden van zinnen en de gebruikspatronen die over het hele corpus zijn aangeleerd. De auteurs presenteren ze als belangrijke bronnen van hallucinatie [5]. ### Waarom is een zelfverzekerde toon een probleem? Volgens het NIST ontstaat het risico wanneer gebruikers onjuiste inhoud geloven, vaak door de zelfverzekerde toon van het antwoord, en daarnaar handelen of die verspreiden [2]. OWASP spreekt van overreliance, overmatig vertrouwen: gebruikers hechten te veel vertrouwen aan gegenereerde inhoud zonder de juistheid ervan te controleren, wat het effect van desinformatie verergert [1]. ### Kan een AI bronnen verzinnen? Ja. OWASP geeft het voorbeeld van een ChatGPT die valse rechtszaken heeft verzonnen, met ernstige gevolgen voor een rechtbank [1]. De pagina vermeldt de datum van dit geval niet. OWASP noemt ook programmeerassistenten die codebibliotheken voorstellen die niet bestaan [1]. Een link, een uitspraaknummer of een pakketnaam die een AI geeft, is dus een bewering die u moet controleren en geen bewijs. ## Hoe het werkt Overzichtsstudies beschrijven hallucinatie in meerdere vormen. Eén studie omschrijft het als het voortbrengen van aannemelijke maar niet feitelijke inhoud [3]. Een andere beschrijft het als inhoud die afwijkt van het verzoek van de gebruiker, de reeds gegenereerde context tegenspreekt of afwijkt van gevestigde kennis over de wereld [4]. Het NIST gebruikt verwante begrippen: inhoud die afwijkt van het verzoek, of die een eerdere bewering uit hetzelfde gesprek tegenspreekt [2]. Voor een medewerker betekent dit dat de vloeiendheid van een tekst niets zegt over de juistheid. Beide overzichten stellen dat hallucinaties in het echte gebruik een betrouwbaarheidsprobleem vormen [3][4]. OWASP rekent kruiscontrole tot zijn maatregelen: gebruikers aanmoedigen om uitvoer te vergelijken met betrouwbare externe bronnen, voorzien in menselijke controle van kritieke of gevoelige informatie, en de controleurs opleiden zodat ze niet te veel op de AI vertrouwen [1]. ## Wat u doet De methode bestaat uit drie stappen. Eerste stap: onderscheid de controleerbare beweringen. Onderstreep in het antwoord alles wat door een document kan worden tegengesproken: cijfers, data, namen van personen of organisaties, citaten, verwijzingen naar teksten, namen van software of bibliotheken. Meningen en algemene herformuleringen hebben niet dezelfde controle nodig. Tweede stap: zoek drie onafhankelijke bronnen, zonder opnieuw via de AI te gaan. Geef de voorkeur aan primaire bronnen: de wettekst, de pagina van de uitgever, het document van de betrokken instantie. De drie bronnen mogen niet van elkaar overschrijven. Als twee artikelen hetzelfde persbericht overnemen, tellen ze voor één bron. Open elke link zelf: een link die de AI geeft, is ook een bewering die u moet controleren. Derde stap: beslis of schaal op. Bevestigen de drie onafhankelijke bronnen het feit, dan kunt u het overnemen met vermelding van de primaire bron en niet van de AI. Spreken de bronnen elkaar tegen, of vindt u er geen, dan laat u de bewering weg. Is ze van belang voor een besluit, een contract of inhoud voor externe lezers, vraag dan het advies van een specialist op dat gebied. OWASP beveelt menselijk toezicht aan voor kritieke of gevoelige informatie [1]. ## De valkuilen - Bronnen die op dezelfde oorsprong teruggaan: drie pagina's die hetzelfde persbericht citeren, leveren maar één bevestiging op. Ga terug tot de oorsprong en tel die één keer. - Een verzonnen link: OWASP meldt gevallen van niet-bestaande verwijzingen of bibliotheken die een model voorstelt [1]. Een link die niet opent, bevestigt niets. - Bevestigingsvooroordeel: alleen zoeken naar wat het antwoord ondersteunt. Zoek ook naar wat het tegenspreekt en formuleer uw zoekopdracht zonder de termen van de AI over te nemen. - De zekere toon: het NIST merkt op dat de getoonde zekerheid van het antwoord ertoe aanzet het te geloven [2]. Een uitvoerig antwoord is niet juister dan een kort antwoord. - Namen van codepakketten: OWASP beschrijft een scenario waarin aanvallers de bibliotheeknamen opsporen die programmeerassistenten vaak verzinnen en onder die namen echte kwaadaardige pakketten publiceren. Ontwikkelaars die op de assistent vertrouwen, nemen ze daarna ongemerkt op [1]. Controleer bij code of de bibliotheek bestaat en wie haar publiceert voordat u haar installeert. - Automatische controle aangezien voor een garantie: OWASP beveelt ook mechanismen voor automatische validatie van belangrijke uitvoer aan [1], maar die vervangen de menselijke controle van kritieke informatie niet. Fouten veronderstellen overigens geen aanvaller. OWASP beschrijft het geval van een bedrijf dat een chatbot voor medische diagnoses aanbiedt zonder zich van de betrouwbaarheid te vergewissen: het bedrijf is met succes vervolgd, zonder dat een aanvaller eraan te pas kwam [1]. Het noemt ook een chatbot van Air Canada die reizigers verkeerde informatie gaf, en de maatschappij is met succes vervolgd [1]. De pagina dateert deze zaken niet. ## Bronnen 1. OWASP, “LLM09:2025 Misinformation”. https://genai.owasp.org/llmrisk/llm092025-misinformation/ (geraadpleegd op 3 november 2026) 2. NIST, “Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile”. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf (geraadpleegd op 3 november 2026) 3. arXiv, “A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions”. https://arxiv.org/abs/2311.05232 (geraadpleegd op 3 november 2026) 4. arXiv, “Siren's Song in the AI Ocean: A Survey on Hallucination in Large Language Models”. https://arxiv.org/abs/2309.01219 (geraadpleegd op 3 november 2026) 5. arXiv, “Sources of Hallucination by Large Language Models on Inference Tasks”. https://arxiv.org/abs/2305.14552 (geraadpleegd op 3 november 2026) --- Oorspronkelijke bron: Cyberpedia, de openbare encyclopedie over cyberveiligheid en AI van Brain. Canonieke versie: https://startbrain.io/cyberpedia/nl/articles/kruiscontrole-ai-antwoorden-drie-bronnen/ U mag deze tekst vrij hergebruiken onder de licentie CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), mits u “Brain, Cyberpedia” vermeldt met een link naar bovenstaand adres.