Niet elke AI-claim behoeft een bronvermelding — Maar elke claim behoeft een basis

Waarom "geen citaat" geen voldoende test meer is

Het vertrouwensprobleem is niet abstract. Het is meetbaar en het wordt erger op specifieke, gedocumenteerde manieren.

Een studie uit 2025 naar door AI gegenereerde referenties wees uit dat 19,9% volledig gefabriceerd was, en nog eens 45,4% ernstige bibliografische fouten bevatte — wat betekent dat bijna tweederde van de citaten die een AI in die studie produceerde, ofwel verzonnen ofwel op een materiële manier defect waren. Afzonderlijk toont het volgen van gefabriceerde citaten in gepubliceerde onderzoeken een ruwweg 12x toename tussen 2023 en 2025, waarbij meer dan 4.000 biomedische artikelen onderzoek citeren dat niet bestaat.

Het rechtssysteem draagt hiervan de kosten al. In het jaar tot februari 2026 werden 66 Amerikaanse rechtszaken specifiek gesanctioneerd voor door AI gegenereerde fouten, en tegen juni 2026 was dat aantal wereldwijd gegroeid tot 1.598 gerechtelijke procedures met AI-inhoud met gefabriceerde citaten — met meer dan $145.000 aan AI-gerelateerde boetes in Amerikaanse rechtbanken in het eerste kwartaal van 2026 alleen al.

Niets daarvan is een reden om AI ronduit te wantrouwen. Het is een reden om te stoppen met 'heeft het een citaat' als de enige test te gebruiken, omdat die test te gemakkelijk is om te doorstaan zonder daadwerkelijk waar te zijn, en — net zo belangrijk — te gemakkelijk om te falen terwijl het eigenlijk correct is.

Er is ook een reële complicatie aan de andere kant hiervan, die eerlijk moet worden vermeld in plaats van over te slaan: een studie van Yale wees uit dat mensen die AI-chatbots gebruikten om nieuws te verifiëren een daling van 15 punten zagen in hun eigen onondersteunde vermogen om desinformatie te detecteren na slechts vier weken. Het uitbesteden van verificatie is niet gratis. Het kan u slechter maken in het zelf doen. Dat is een oprechte reden om een systeem te willen dat zijn werk toont, in plaats van een systeem dat u alleen een netjes ogend antwoord geeft.

Waar een bewering daadwerkelijk op kan berusten

Als een citaat alleen niet de juiste test is, is de nuttigere vraag: welk type bewijs heeft deze bewering voortgebracht? In de praktijk zijn er zes echte, afzonderlijke antwoorden.

1. Extern onderzoek

Een bewering gebaseerd op een live zoekopdracht of lookup tegen echte, actuele bronnen — het soort bewijs waarnaar u een citaat zou verwachten te verwijzen, en waar een ontbrekende een echte rode vlag is.

2. Door de gebruiker geleverde informatie

Een bewering opgebouwd uit iets wat u het systeem direct heeft verteld — uw eigen merkfeiten, uw eigen marktkennis, een correctie die u heeft aangeleverd. Dit heeft geen externe bronvermelding nodig. De bronvermelding bent u.

3. Bewijs meegenomen uit een eerdere stap

In een meerfasenonderzoek kan een latere fase correct vertrouwen op bewijs dat een eerdere fase al heeft vastgesteld en geverifieerd, in plaats van het opnieuw te onderzoeken. De bronvermelding leeft stroomopwaarts, niet bij elke stroomafwaartse zin die het gebruikt.

4. Analytische gevolgtrekking, duidelijk gelabeld als gevolgtrekking

Soms is het eerlijke antwoord 'op basis van het verzamelde bewijs is dit de meest redelijke interpretatie' — geen ontdekt feit, maar een inschatting. Dat is legitiem, mits het als gevolgtrekking is gelabeld en niet is vermomd als een citaat.

5. Deterministische berekening

Sommige beweringen zijn slechts rekenkundig. Als de invoer correct is, heeft een vaste, reproduceerbare berekening geen citaat nodig, net zomin als een spreadsheetformule — het 'bewijs' is het feit dat dezelfde invoer altijd dezelfde uitvoer produceert.

6. Menselijke correctie, achteraf toegepast

Dit is degene die de meeste berichtgeving over AI-vertrouwen volledig overslaat: wanneer een persoon met echte, eerstehands kennis een door AI gegenereerde bewering corrigeert, is die correctie zelf een vorm van bewijs — aantoonbaar de sterkste soort die beschikbaar is, omdat het afkomstig is van iemand die er daadwerkelijk bij was. Wij beschouwen dit als een echte, zesde categorie op zich, niet slechts als een kwaliteitscontrolestap die aan de andere vijf is toegevoegd. Dat is een oprechte synthese van onze kant, geen gevestigde industrieterm — het is de moeite waard om dit duidelijk te zeggen in plaats van het meer te laten lijken dan het is.

Zes echte antwoorden. Eén test — 'is er een citaat' — zou nooit alle zes kunnen dekken.

Het onderscheid dat bijna niemand maakt: een leemte versus een artefact

Hier is het perspectief dat echt onderbelicht is, en het is belangrijker dan het klinkt. Wanneer een AI-systeem iets als onzeker markeert, kan die markering één van twee heel verschillende dingen betekenen:

Een echte bewijsleemte — het onderwerp kon daadwerkelijk niet worden geverifieerd. Niemand heeft het nummer gepubliceerd. De informatie is niet openbaar. De onzekerheid is reëel en betreft de wereld.

Een taalartefact — de onderliggende bevinding is prima, maar het werd als negatief of onzeker gemarkeerd puur vanwege de formulering, niet vanwege wat het eigenlijk zegt. De onzekerheid betreft de zin, niet het onderwerp.

Deze zien er op de pagina identiek uit. Beide verschijnen als een gele vlag naast een bewering. Maar ze vragen om totaal verschillende reacties. Een echte leemte heeft meer onderzoek nodig. Een taalartefact heeft een betere formulering nodig — en het behandelen als een onderzoeksgat verspilt tijd aan het zoeken naar bewijs voor iets dat nooit daadwerkelijk in twijfel werd getrokken.

Dit onderscheid komt nauwelijks voor in de bestaande berichtgeving over AI-vertrouwen en hallucinatie. Het meeste ervan stopt bij 'AI kan fout zijn, verifieer belangrijke beweringen' — waar, maar niet uitvoerbaar. Weten welk soort vlag u bekijkt, vertelt u daadwerkelijk wat u vervolgens moet doen.

Waarom engere vragen bredere verslaan

Er is een tweede patroon dat de moeite waard is om te noemen, en het gaat in de tegenovergestelde richting van hoe de meeste mensen denken dat "grondiger" AI-onderzoek eruit zou moeten zien.

Het instinct is om één grote, open vraag te stellen en een uitgebreid antwoord terug te verwachten. In de praktijk werkt het tegenovergestelde meestal beter: een brede vraag opsplitsen in verschillende smalle, specifieke, afgebakende vragen — en deze afzonderlijk stellen — levert bewijs op dat gemakkelijker te controleren, gemakkelijker te vertrouwen en vaak directer bruikbaar is dan één uitgestrekt antwoord dat alles tegelijk probeert te dekken.

Deels waarom: een smalle vraag geeft een systeem minder ruimte om dingen die gescheiden moeten blijven, te vermengen. Het geeft u, de lezer, ook een veel gemakkelijkere bewering om daadwerkelijk te verifiëren — een specifiek antwoord op een specifieke vraag is iets dat u kunt controleren aan de hand van een specifieke bron. Een enkele paragraaf die probeert vijf dingen tegelijk te beantwoorden, kan meestal niet tegen iets specifieks worden gecontroleerd.

Minder, preciezer gericht, verslaat meestal meer.

Hoe dit er daadwerkelijk uitzag in echt marktonderzoek

We hebben niets van dit alles zomaar aangenomen. We hebben echt onderzoek gedaan naar hoe mensen momenteel hun frustratie beschrijven met AI-tools die bewijs- en vertrouwensaanspraken doen — de terugkerende taal die mensen daadwerkelijk gebruiken, niet een hypothese erover.

Drie zinnen kwamen vaak genoeg, onafhankelijk, naar voren om hier te herhalen, zonder ze te koppelen aan een specifiek product of bedrijf, omdat het patroon het punt is, niet een bepaalde leverancier:

• Een gevoelde '5% bullshit rate' — het gevoel dat zelfs een grotendeels betrouwbare AI-tool een klein maar reëel deel van overtuigend verkeerde output bevat, en dat dit percentage zelden tot nul daalt, hoe goed de tool ook wordt.
• De 'illusie van transparantie' — waarbij een tool zichtbaar zijn redenering of bronnen toont, wat als betrouwbaar overkomt, zonder dat die zichtbare laag daadwerkelijk controleerbaar of correct is.
• De 'validatielast' — de stille, reële kosten dat AI-ondersteund werk de noodzaak om dingen te controleren niet wegneemt, het verplaatst de controle gewoon naar de mens, later, vaak zonder waarschuwing dat het nog steeds nodig is.

Hetzelfde onderzoek bracht ook naar voren wat mensen in plaats daarvan daadwerkelijk willen, onafhankelijk en herhaaldelijk, zonder te worden aangezet tot een specifiek antwoord: consistente, verifieerbare citeringsmogelijkheden; een zichtbare uitleg van hoe de AI tot zijn conclusie kwam in plaats van alleen de conclusie zelf; en een gesynthetiseerd, uitvoerbaar oordeel in plaats van een ongefilterde stortvloed van alles wat het systeem vond.

We claimen geen eer voor het identificeren van die vraag — het onderzoek heeft het zelf gevonden. Waar we op willen wijzen is dat het nauw aansluit bij hoe we ons eigen product hebben gebouwd: een eerlijkheidslaag die aannames, leemtes en tegenstrijdigheden toont in plaats van ze te verbergen; een manier om een analyse te corrigeren en opnieuw uit te voeren met echte context in plaats van opnieuw te beginnen; en een enkel gesynthetiseerd oordeel vooraf, met het volledige bewijstraject eronder beschikbaar voor iedereen die ons werk wil controleren.

Een checklist voor de volgende AI-bewering die u krijgt

De volgende keer dat een AI-systeem — het onze of dat van iemand anders — u een bewering geeft waar u actie op wilt ondernemen, brengen vijf vragen u verder dan "is er een citaat":

1. Welk type is dit? Extern onderzoek, uw eigen input, meegenomen bewijs, gelabelde gevolgtrekking, een berekening, of een menselijke correctie — ze vragen om verschillende niveaus van vertrouwen.
2. Als het een citaat is, zegt de bron dit dan daadwerkelijk? Een citaat dat bestaat en een citaat dat de specifieke bewering ondersteunt, zijn niet dezelfde controle.
3. Als het als onzeker is gemarkeerd, is dat dan een leemte of een artefact? Vraag wat specifiek onverifieerd is — het onderwerp, of alleen de zin.
4. Zou een engere versie van deze vraag u een beter controleerbaar antwoord opleveren? Als de bewering breed is, overweeg dan of het splitsen ervan zou helpen.
5. Heeft iemand met eerstehands kennis hier daadwerkelijk naar gekeken? Een menselijke correctie, indien beschikbaar, is vaak het sterkste bewijstype op de lijst — gebruik deze.

Niets daarvan vereist het ronduit wantrouwen van AI. Het vereist het behandelen van 'geciteerd' en 'waar' als twee verschillende vragen, want dat zijn ze.