---
id: CP-260
slug: temperatuur-top-p-top-k-ai
lang: nl
title: Waarom AI nooit twee keer hetzelfde antwoord geeft
description: Een taalmodel kan op dezelfde vraag anders antwoorden. Wat temperatuur, Top-p en Top-k regelen, en wat u eraan doet.
canonical_url: https://startbrain.io/cyberpedia/nl/articles/temperatuur-top-p-top-k-ai/
markdown_url: https://startbrain.io/cyberpedia/nl/articles/temperatuur-top-p-top-k-ai.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, “Waarom AI nooit twee keer hetzelfde antwoord geeft”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/temperatuur-top-p-top-k-ai/ (CC BY 4.0)
wing: 4
theme: understand_ai
reflex: air-042
schema: G3
updated: "2026-11-03"
translations:
  nl: https://startbrain.io/cyberpedia/nl/articles/temperatuur-top-p-top-k-ai/
  fr: https://startbrain.io/cyberpedia/fr/articles/temperature-top-p-top-k-ia/
  en: https://startbrain.io/cyberpedia/en/articles/temperature-top-p-top-k-sampling/
  de: https://startbrain.io/cyberpedia/de/articles/temperatur-top-p-top-k-ki/
  es: https://startbrain.io/cyberpedia/es/articles/temperatura-top-p-top-k-ia/
  it: https://startbrain.io/cyberpedia/it/articles/temperatura-top-p-top-k-ia/
sources:
  - "n": 1
    title: Prompt engineering techniques - Microsoft Foundry
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering
    accessed: "2026-11-03"
  - "n": 2
    title: The Curious Case of Neural Text Degeneration
    publisher: arXiv
    url: https://arxiv.org/abs/1904.09751
    published: "2019-04-22"
    accessed: "2026-11-03"
  - "n": 3
    title: Locally Typical Sampling
    publisher: arXiv
    url: https://arxiv.org/abs/2202.00666
    published: "2022-02-01"
    accessed: "2026-11-03"
  - "n": 4
    title: Training language models to follow instructions with human feedback
    publisher: arXiv
    url: https://arxiv.org/abs/2203.02155
    published: "2022-03-04"
    accessed: "2026-11-03"
  - "n": 5
    title: "Just Ask for Calibration: Strategies for Eliciting Calibrated Confidence Scores from Language Models Fine-Tuned with Human Feedback"
    publisher: arXiv
    url: https://arxiv.org/abs/2305.14975
    published: "2023-05-24"
    accessed: "2026-11-03"
  - "n": 6
    title: Guidelines for secure AI system development
    publisher: NCSC (Royaume-Uni)
    url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development
    published: "2023-11-27"
    accessed: "2026-11-03"
---

# Waarom AI nooit twee keer hetzelfde antwoord geeft

Als u een AI-assistent twee keer dezelfde vraag stelt, kunnen de twee antwoorden verschillen, soms in een cijfer, soms in de kern. De machine vergist zich niet per se en twijfelt niet: een taalmodel zoekt de meest waarschijnlijke woordenreeks na de voorafgaande tekst [1], en bij de keuze van het volgende woord speelt een deel toeval mee dat u kunt instellen.

Deze fiche legt uit waar dat toeval vandaan komt, wat de instellingen betekenen die u in tools tegenkomt (temperatuur, Top-p, Top-k) en wat een medewerker met die variatie doet: vergelijken, controleren en een enkel antwoord nooit als bewijs beschouwen.

## In 30 seconden

- Waar het gebeurt: in tools die tekst genereren, bij elke vraag die u stelt. Microsoft vermeldt dat de technieken op zijn pagina niet worden aanbevolen voor redeneermodellen (gpt-5, o-serie) [1].
- Wat het model doet: het kiest elk woord uit waarschijnlijke kandidaten. Een vloeiend en zelfverzekerd antwoord is dus nog geen gecontroleerd antwoord.
- De reflex: stel de vraag opnieuw, vergelijk de antwoorden en controleer elk feit en elk cijfer bij de bron voordat u het gebruikt.
- Als het al gebeurd is: hebt u een cijfer of citaat zonder controle overgenomen, zoek dan de bron op voordat u het document verspreidt.

## Directe vragen

### Waarom geeft AI bij elke poging een ander antwoord?

Omdat het model geen kant-en-klaar antwoord ophaalt. Microsoft beschrijft het principe zo: het model probeert de meest waarschijnlijke woordenreeks te produceren na de tekst die het kreeg [1]. Afhankelijk van de gekozen temperatuur is de uitvoer min of meer willekeurig [1], dus ze kan per poging veranderen. De vraag blijft gelijk, de gevolgde weg niet.

### Wat regelt de temperatuur?

De temperatuur verandert de uitvoer van het model [1]. In de documentatie van Microsoft stelt u haar in tussen 0 en 2. Een hogere waarde, bijvoorbeeld 0,7, maakt de uitvoer willekeuriger en levert meer uiteenlopende antwoorden op. Een lagere waarde, zoals 0,2, maakt haar gerichter en concreter [1]. Dezelfde documentatie zegt dat een hogere temperatuur past bij het schrijven van een fictief verhaal en dat voor een juridisch document een veel lagere temperatuur wordt aanbevolen [1].

### En Top-p?

Top-p (Top_probability in de documentatie van Microsoft) regelt ook hoe willekeurig het antwoord is, maar op een andere manier dan de temperatuur [1]. De algemene aanbeveling van Microsoft is om telkens één van beide parameters te wijzigen, niet allebei [1]. Een artikel uit 2019 stelt nucleus sampling voor: de tekst wordt getrokken uit de dynamische kern ("nucleus") van de kansverdeling, wat ruimte laat voor diversiteit en tegelijk de onbetrouwbare staart van de verdeling uitsluit [2].

### En Top-k?

De hier aangehaalde bronnen behandelen Top-k niet in detail: een ervan vergelijkt het alleen met nucleus sampling en met een derde methode, locally typical sampling, die volgens de auteurs een vergelijkbare kwaliteit biedt en degeneratieve herhalingen steeds vermindert [3]. Voor de medewerker volstaat het te weten dat deze instellingen bestaan.

### Waarom het toeval niet gewoon weglaten?

Omdat de tekst dan armoedig wordt. Het artikel uit 2019 stelt vast dat steeds de meest waarschijnlijke tekst kiezen een tekst oplevert die "bland and strangely repetitive" is, dus saai en vreemd repetitief [2]. Het merkt ook op dat de decoderingsstrategie alleen de kwaliteit van de tekst sterk kan veranderen, bij precies hetzelfde model [2].

### Bewijst een keer een goed antwoord dat de AI betrouwbaar is?

Nee. Microsoft zegt dat over zijn eigen technieken: ook bij goed gebruik moeten de antwoorden van het model nog worden gevalideerd, en een goed opgebouwde prompt die in één geval werkte, geldt niet per se voor andere gevallen [1].

## Hoe het werkt

Bij elke stap heeft het model meerdere mogelijke woorden, elk met een kans. Het neemt niet altijd het eerste. Temperatuur en Top-p regelen hoe deze keuze ruimer of nauwer wordt [1]. Bij een lage waarde lijken de antwoorden meer op elkaar. Bij een hoge waarde lopen ze uiteen.

Deze instellingen hangen af van de tool die het model bevraagt. De decoderingsstrategie verandert de kwaliteit van de tekst die één en hetzelfde model produceert [2].

Sommige modellen, waaronder InstructGPT, worden bijgesteld met menselijke feedback [4]. Het onderzoek dat tot InstructGPT leidde, vertrekt van de vaststelling dat grotere modellen de bedoeling van de gebruiker niet beter volgen en dat ze onjuiste, giftige of gewoon nutteloze uitvoer kunnen produceren [4]. De auteurs merken op dat het model de waarheidsgetrouwheid verbetert, maar nog steeds eenvoudige fouten maakt [4]. Een bijgesteld model blijft dus feilbaar.

## Wat u doet

- Stel de vraag twee of drie keer opnieuw en vergelijk. Spreken de antwoorden elkaar tegen over een feit, een naam of een cijfer, dan staat geen van de versies vast.
- Beschouw het antwoord als een concept. Controleer elk feit en elk cijfer in een referentiedocument voordat u het in een brief of rapport gebruikt.
- Vraag het model om bronnen en controleer ze daarna. Microsoft legt uit dat bij gevraagde citaten een onjuist antwoord twee fouten van het model vereist: het verzonnen antwoord en het foutieve citaat [1]. Dat kan de frequentie van onjuiste antwoorden verminderen [1].
- Concludeer niet dat een tool betrouwbaar is omdat hij één keer goed antwoordde. Test hem op meerdere gevallen, ook op gevallen die hij niet kent.
- Bewaar een lage temperatuurinstelling voor taken die precisie vragen en een hogere voor creatieve taken, als de tool u de keuze laat [1].

## De valkuilen

### Het aannemelijke maar verzonnen antwoord

Het model zoekt het meest waarschijnlijke vervolg [1]. Een antwoord kan dus goed geformuleerd en onjuist zijn. Microsoft preciseert dat een instructie als "schrijf alleen ware feiten" of "verzin niets" het probleem soms niet voldoende verhelpt [1].

### De zelfverzekerde toon

Een studie uit 2023 over modellen als ChatGPT, GPT-4 en Claude vergeleek twee manieren om het vertrouwen van een model te meten [5]. Ze stelt vast dat de vertrouwensniveaus die het model zelf noemt, over het algemeen beter gekalibreerd zijn dan zijn interne kansen op de testsets TriviaQA, SciQ en TruthfulQA, en de verwachte kalibratiefout vaak relatief met 50 % verminderen [5]. De studie gaat uit van een principe: het vertrouwen van een betrouwbaar systeem moet de kans aangeven dat het antwoord juist is, zodat men bij weinig vertrouwen op een deskundige kan terugvallen [5].

### Niet reproduceerbare resultaten in een bedrijfsproces

Als een stap in een proces (bijvoorbeeld het sorteren van post) op een model berust, kunnen twee uitvoeringen bij dezelfde invoer twee verschillende resultaten geven. Een kwaliteitscontrole die op de ene dag is doorstaan, garandeert het resultaat van de volgende dag niet, en een betwist resultaat laat zich niet per se identiek reproduceren. Het Britse nationale cyberveiligheidscentrum (NCSC) beveelt richtlijnen aan zodat AI-systemen werken zoals bedoeld, en vindt dat veiligheid een basisvereiste moet zijn gedurende de hele levensduur van het systeem [6]. Voor de medewerker is de praktische regel: houd een persoon aan die het resultaat nakijkt voordat het gevolgen heeft.

### De temperatuur instellen garandeert geen juistheid

Een lagere temperatuur maakt antwoorden gerichter [1], niet waarheidsgetrouwer. Een onjuist antwoord kan bij elke poging identiek terugkomen. Meerdere pogingen vergelijken helpt om instabiliteit op te sporen, maar alleen controle bij de bron stelt een feit vast.

## Bronnen

1. Microsoft, “Prompt engineering techniques - Microsoft Foundry”. https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (geraadpleegd op 3 november 2026)
2. arXiv, “The Curious Case of Neural Text Degeneration”, 22 april 2019. https://arxiv.org/abs/1904.09751 (geraadpleegd op 3 november 2026)
3. arXiv, “Locally Typical Sampling”, 1 februari 2022. https://arxiv.org/abs/2202.00666 (geraadpleegd op 3 november 2026)
4. arXiv, “Training language models to follow instructions with human feedback”, 4 maart 2022. https://arxiv.org/abs/2203.02155 (geraadpleegd op 3 november 2026)
5. arXiv, “Just Ask for Calibration: Strategies for Eliciting Calibrated Confidence Scores from Language Models Fine-Tuned with Human Feedback”, 24 mei 2023. https://arxiv.org/abs/2305.14975 (geraadpleegd op 3 november 2026)
6. NCSC (Royaume-Uni), “Guidelines for secure AI system development”, 27 november 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (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/temperatuur-top-p-top-k-ai/
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.