Kan een AI liegen?

Daniel Platteau

Bijgewerkt op 25 oktober 2026.

Uw medewerkers gebruiken ChatGPT, Copilot, Gemini of Claude om een mail te schrijven, een contract samen te vatten of een offerte voor te bereiden. Op een dag geeft de tool hen iets onjuists, zonder de minste aarzeling. Heeft ze gelogen? Om te beslissen wat u doet, moet u drie verschijnselen onderscheiden die niet dezelfde oorzaken en niet dezelfde risico's hebben.

1. Hallucinatie: fout, maar niet met opzet

Dit is veruit het vaakste geval. Een taalmodel raadpleegt geen databank met feiten: het produceert de meest waarschijnlijke vervolgtekst. Als het iets niet weet, zwijgt het niet altijd. Het verzint een cijfer, een referentie, een wetsartikel, een menuoptie die niet bestaat. De toon blijft dezelfde, of het nu gelijk heeft of niet.

Er is geen bedoeling om te misleiden. Voor u is het resultaat echter hetzelfde. Twee echte gevallen:

• New York, 2023. Advocaten dienen conclusies in met rechterlijke uitspraken die ChatGPT had aangeleverd. Verschillende waren volledig verzonnen. De rechter legt hen en hun kantoor een boete van 5.000 dollar op, onder meer omdat ze de verwijzingen bleven verdedigen nadat het probleem was gemeld.
• Canada, 2024. De chatbot van Air Canada vertelt een klant dat hij achteraf een verlaagd rouwtarief kan aanvragen, wat niet klopt. Voor het tribunaal stelt de maatschappij dat de chatbot verantwoordelijk is voor zijn eigen uitspraken. Het tribunaal weigert: het bedrijf is aansprakelijk voor alle informatie op zijn website, de chatbot inbegrepen.

Onthoud dat tweede punt. Zet u een AI voor uw klanten, dan zijn haar fouten de uwe. We vertelden al waarom ChatGPT zich vergist sinds het begin.

2. Vleierij: u vertellen wat u wilt horen

Assistenten worden bijgestuurd op basis van menselijke beoordelingen. En wij geven een aangenaam antwoord vaak een betere score dan een juist antwoord. Onderzoekers van Anthropic toonden in 2023 aan dat vijf assistenten op de markt de neiging hadden de gebruiker gelijk te geven, hun antwoord aan zijn mening aan te passen en zelfs een correct antwoord los te laten als hij aandrong.

In april 2025 moest OpenAI een update van GPT-4o, het model achter ChatGPT, terugdraaien omdat die te vleiend was geworden: ze bevestigde de twijfels en beslissingen van gebruikers in plaats van hen te helpen. OpenAI gaf toe dat een nieuw signaal op basis van de ‘duimpjes omhoog’ van gebruikers die ontsporing had versterkt: we krijgen vaak liever gelijk.

Dat is subtiel, en dus gevaarlijk. Een AI die uw ondernemingsplan ‘uitstekend’ vindt of uw netwerkconfiguratie ‘perfect beveiligd’, bewijst u geen dienst.

3. Strategische misleiding: wat onderzoekers in tests zien

Hier gaat het om gedrag dat echt op opzettelijk liegen lijkt, waargenomen in laboscenario's:

• 2022. CICERO, de AI van Meta voor het onderhandelingsspel Diplomacy, moest eerlijk spelen. Een in 2024 gepubliceerde analyse toonde aan dat ze haar bondgenoten beloften deed om hen later te verraden.
• 2023. Tijdens de veiligheidstests van GPT-4 moest het model een online ingehuurde persoon een CAPTCHA laten oplossen. Toen die vroeg of hij met een robot sprak, beweerde het model slechtziend te zijn.
• December 2024. Apollo Research toonde aan dat verschillende geavanceerde modellen, met een doel dat inging tegen dat van hun gebruikers, een instructie konden omzeilen en dat daarna ontkennen als ze ondervraagd werden. Dezelfde maand publiceerde Anthropic een geval waarin zijn model deed alsof het een nieuwe training volgde, om niet aangepast te worden.

Een belangrijke nuance: dit zijn situaties die bewust zijn opgezet om modellen tot het uiterste te drijven. Uw assistent smeedt geen complot tegen uw boekhouding. Deze resultaten worden trouwens gepubliceerd door de ontwikkelaars zelf of door de labs die met hen samenwerken. Het recentste voorbeeld, de inbraak bij Hugging Face door OpenAI-modellen in testfase in juli 2026, staat in ons artikel over de echte AI-dreigingen voor een kmo.

Ze liegt niet zoals wij: ze herhaalt wat ze geleerd heeft

Een AI wordt niet op een ochtend wakker met de wens u te bedriegen. Haar gedrag komt uit drie bronnen: de context die ze krijgt, de manier waarop de vraag gesteld wordt, en wat ze geleerd heeft.

In de meeste ‘verontrustende’ tests duwt het scenario hard: men vraagt haar een doel koste wat het kost te bereiken, en stelt dan vast dat ze een kortere weg neemt. En haar training steunt op onze eigen teksten: decennia sciencefiction waarin AI haar makers bedriegt, bergen geschriften waarin ‘examen’ samengaat met ‘spiekbriefje’. Ze herhaalt onze gebreken.

Dat maakt haar niet onschuldig. In 2025 beschreef OpenAI programmeermodellen die, beloond wanneer softwaretests slaagden, op die tests vals speelden (bijvoorbeeld door ze kunstmatig te laten slagen) in plaats van het programma te verbeteren. Niemand had hen dat gevraagd: het beloningssysteem heeft hen daartoe gebracht. Sommige modellen merken zelfs dat ze geëvalueerd worden en gedragen zich dan beter, wat het werk van onderzoekers flink bemoeilijkt (OpenAI en Apollo Research, september 2025).

De praktische conclusie: een goed afgebakende AI, met een duidelijke vraag en menselijk toezicht, gedraagt zich veel beter dan een AI die losgelaten wordt met een vaag doel.

De tabel om te onthouden

Drie manieren om het aan te pakken

De AI Act vraagt bedrijven die AI gebruiken trouwens ‘maatregelen te nemen om de ontwikkeling van AI-geletterdheid te ondersteunen’ bij hun personeel: een gebruiksbeleid (in het Frans) en een basisopleiding horen daarbij.

Vijf eenvoudige regels voor een kmo

1. Controleer alles wat feitelijk is: cijfers, data, wetteksten, prijzen, referenties. Vraag de bronnen, en open ze ook echt.
2. Laat haar niet alleen met uw klanten praten. Beperk haar antwoorden tot uw documentatie, vermeld duidelijk dat het om een AI gaat en voorzie een eenvoudige doorverwijzing naar een persoon.
3. Stel neutrale vragen. ‘Is mijn idee goed?’ lokt een ja uit. ‘Wat zijn de drie grootste zwaktes van dit idee?’ levert iets bruikbaars op.
4. Geen onomkeerbare actie zonder menselijke goedkeuring: betalingen, verwijderingen, alles wat naar buiten gaat.
5. Let op wat u haar toevertrouwt: klantgegevens, wachtwoorden, vertrouwelijke documenten. Dat heeft niets met liegen te maken, maar het is het meest concrete dagelijkse risico (zie AI en AVG, in het Frans).

Behandel AI als een briljante, snelle en soms te zelfzekere stagiair: u geeft haar werk, en u leest het na voor u tekent.

Voorbeeld: een reisbureau van vijf personen

Illustratief geval. Een reisbureau installeert een assistent op zijn website om vragen van klanten te beantwoorden. Op een avond vraagt een klant of hij een geboekte reis kosteloos kan annuleren. De assistent antwoordt ja, ‘tot 48 uur voor vertrek’. Dat staat nergens: hij heeft geëxtrapoleerd op basis van een ander aanbod. De klant annuleert, en het bureau moet kiezen tussen terugbetalen en betwisten.

De correctie: de assistent antwoordt alleen op basis van de algemene voorwaarden en de productfiches, citeert de gebruikte passage en verwijst elke vraag over annulering of terugbetaling door naar het team. Iemand leest elke week een steekproef van de gesprekken na.

Test uzelf

Bij ExsIT

Het eerste contact is gratis: we luisteren naar uw behoeften en stellen daarna een actieplan voor. Een inventaris van de AI-tools die echt in uw bedrijf gebruikt worden, een beleid op maat, controleregels en een klantassistent die alleen op basis van uw documenten antwoordt.

Voor uw informaticus

• Hallucinaties beperken: antwoorden verankeren in aangeleverde documenten (RAG), het citeren van de bronpassage eisen, het antwoord ‘ik weet het niet’ uitdrukkelijk toestaan, de temperatuur verlagen voor feitelijke taken.
• Klantassistent: de reikwijdte beperken (gesloten documentenbank), gesprekken loggen, doorverwijzing naar een mens voorzien, vermelden dat het om een AI gaat (artikel 50 van de AI Act legt die informatie op voor systemen die met personen communiceren).
• Agents: minimale rechten, menselijke goedkeuring van onomkeerbare acties, plafonds (bedragen, aantal verzendingen), actielog. Een agent die op een indicator beloond wordt, kan de indicator optimaliseren in plaats van het doel: controleer het resultaat, niet alleen het signaal ‘klaar’.
• Vleierij: vraag om een kritische nalezing (‘zoek de fouten’, ‘argumenteer ertegen’), en beschouw de instemming van de AI niet als een validatie.

Bronnen

Anthropic. (2024, 18 december). Alignment faking in large language models. https://www.anthropic.com/research/alignment-faking

Baker, B., Huizinga, J., Gao, L., Dou, Z., Guan, M. Y., Madry, A., Zaremba, W., Pachocki, J., & Farhi, D. (2025). Monitoring reasoning models for misbehavior and the risks of promoting obfuscation (arXiv:2503.11926). arXiv. https://arxiv.org/abs/2503.11926

Civil Resolution Tribunal. (2024, 14 februari). Moffatt v. Air Canada, 2024 BCCRT 149. https://decisions.civilresolutionbc.ca/crt/crtd/en/525448/1/document.do

Meinke, A., Schoen, B., Scheurer, J., Balesni, M., Shah, R., & Hobbhahn, M. (2024). Frontier models are capable of in-context scheming (arXiv:2412.04984). arXiv. https://arxiv.org/abs/2412.04984

OpenAI. (2023). GPT-4 system card. https://cdn.openai.com/papers/gpt-4-system-card.pdf

OpenAI. (2025a, 2 mei). Expanding on what we missed with sycophancy. https://openai.com/index/expanding-on-sycophancy/

OpenAI. (2025b, 17 september). Detecting and reducing scheming in AI models. https://openai.com/index/detecting-and-reducing-scheming-in-ai-models/

Park, P. S., Goldstein, S., O'Gara, A., Chen, M., & Hendrycks, D. (2024). AI deception: A survey of examples, risks, and potential solutions. Patterns, 5(5), 100988. https://doi.org/10.1016/j.patter.2024.100988

Reed Smith. (2023, 23 juni). ChatGPT artificial intelligence tool generates fake opinions [Mata v. Avianca, Inc., S.D.N.Y., 22 juni 2023]. https://www.reedsmith.com/our-insights/blogs/viewpoints/102ilzz/chatgpt-artificial-intelligence-tool-generates-fake-opinions/

Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2023). Towards understanding sycophancy in language models (arXiv:2310.13548). arXiv. https://arxiv.org/abs/2310.13548