AI-antwoorden zijn tijdgebonden: waarom verouderde brondata een eigen risico is

Je moet kunnen aantonen welke bronnen aan elk AI-antwoord ten grondslag liggen, wanneer die bronnen van datum zijn, en welke verificatiestappen je hebt doorlopen voordat je het antwoord voor een besluit gebruikt. Dit is niet langer een aanbeveling, maar een operationele verplichting in sectoren waar vertrouwen en nauwkeurigheid centraal staan.

De aanleiding is een analyse van 18 augustus 2026 van verouderde en onvolledige brondata als drijvende kracht achter AI-hallucinaties, die betoogt dat de meeste foutieve antwoorden niet uit het model zelf voortkomen, maar uit de kennis waarop het model steunt. Een taalmodel extrapoleert patronen uit trainingsdata in plaats van geverifieerde informatie op te halen; achterhaalde regelgeving, herziene medicatie-informatie of verouderde marktcijfers kunnen zo als actuele waarheid in een antwoord terechtkomen, zonder dat het model zelf signaleert dat het verouderd is. In onze beoordeling betekent dit dat je niet langer op het woord van het model kunt vertrouwen, maar moet kunnen traceren waarop elk antwoord steunt en hoe actueel die onderliggende kennis is.

Waarom verouderde brondata zo hardnekkig blijft

Een taalmodel geeft geen waarschuwing af wanneer de informatie waarop het steunt niet meer klopt. Het model weet niet wat het niet weet. Dit maakt veroudering onzichtbaar voor de gebruiker: het antwoord klinkt even zelfverzekerd als altijd, ook al is de onderliggende kennis jaren oud. In sectoren met hoge kennisnormen — klinische besluitvorming, onderzoek, regelgeving — is dit geen cosmetisch kwaliteitsprobleem, maar een risico dat rechtstreeks in besluiten doorwerkt.

De mechanismen die hallucinaties voortbrengen zijn drie:

• Verouderde trainingsdata — het model is getraind op informatie die niet meer actueel is en signaleert dit niet.
• Ontoegankelijke bronnen — informatie die het model nodig zou hebben is niet in de trainingsdata opgenomen.
• Incompleet vastgelegde data — kritieke context of nuances ontbreken, waardoor het model gaten opvult met plausibel klinkende maar onjuiste details.

Welke verificatiestappen eisen sectoren nu al?

In klinische besluitvormingsomgevingen is source verification en auditability inmiddels een kernvereiste, niet een aanbeveling. Elke outputclaim moet herleidbaar zijn tot een gezaghebbende bron met citatie of referentie-ID. Alle inputs, bronnen en redeneerstappen worden gelogd, zodat achteraf zichtbaar is welke bronkennis met welke status aan een advies ten grondslag lag.

In onderzoek en onderwijs geldt een vergelijkbare lijn. AI-gegenereerde inhoud moet als voorlopige draft worden behandeld en altijd aan betrouwbare bronnen worden getoetst. Chatbots produceren zelfs met live indexing nog onvolledige of gefabriceerde referenties; de verantwoordelijkheid voor verificatie en actualisering blijft bij de onderzoeker.

Op beleidsniveau waarschuwt de Europese Commissie dat generatieve AI verzonnen citaties en incorrecte samenvattingen kan opleveren. Bronverificatie en correcte datum- en auteursvermelding worden expliciet in de sfeer van onderzoeksintegriteit geplaatst. Onderzoekers moeten alle referenties en samenvattingen zelf controleren.

Deze kaders delen vier gemeenschappelijke elementen:

1. Citatie met bronverwijzing — elk antwoord moet traceerbaar zijn tot een specifieke, benoemde bron.
2. Zichtbare informatie-datum — het moment waarop de onderliggende kennis van datum is moet duidelijk zijn.
3. Treat-as-draft-principe — AI-output wordt niet als eindproduct behandeld totdat verificatie is voltooid.
4. Periodieke audits van trainings- en grondingsdata — oude of biasvolle records worden regelmatig verwijderd en actuele bronnen worden ingevoerd.

Hoe maak je bronactualiteit verifieerbaar?

Een AI-antwoord wordt pas bruikbaar voor dossier- of besluitgebruik als je kunt aantonen welke bron eraan voorafging, op welk datumstadium die bron berust, en welke verificatiestappen je hebt doorlopen. Dit vraagt niet om een 'slimmer' model dat mogelijk nog meer verouderde kennis toevoegt, maar om een laag die herkomst en actualiteit zichtbaar maakt.

De concrete controles die je moet kunnen demonstreren zijn:

1. Documenteer welke bron elk antwoord ondersteunt — citatie met referentie-ID of URL, zodat verificatie mogelijk is.
2. Registreer de informatiedatum van elke bron — wanneer is deze informatie van datum en wanneer moet deze opnieuw worden gecontroleerd.
3. Log alle verificatiestappen — welke controles zijn uitgevoerd, door wie, en met welk resultaat.
4. Voer periodieke audits uit op trainings- en grondingsdata — verwijder verouderde records en voeg actuele bronnen in.
5. Behandel AI-output als voorlopig totdat verificatie is voltooid — geen gebruik voor besluitvorming zonder handmatige controle tegen actuele literatuur.

Wat kunnen tools doen, wat blijft jouw verantwoordelijkheid?

Verificatietools kunnen per antwoord bijhouden welke bronnen zijn geraadpleegd en welke controlestappen zijn gezet. Ze kunnen gevoelige documentwaarden vervangen door synthetische equivalenten voordat AI-verwerking plaatsvindt, zodat alleen geanonimiseerde inhoud door AI-ketens gaat. Ze kunnen citaties zichtbaar maken en meningsverschillen tussen modellen opvangen. Dit ondersteunt controle en geeft meer zicht op waarop een antwoord steunt.

Wat tools niet kunnen doen: ze voorkomen hallucinaties niet volledig, en ze garanderen niet dat een antwoord waar of correct is. Het professionele eindoordeel blijft altijd bij jou. Je moet citaties handmatig tegen actuele literatuur controleren, je moet bepalen of de bronnen gezaghebbend genoeg zijn voor je use case, en je moet beslissen of een antwoord geschikt is voor de beslissing die je moet nemen. Een tool kan je werkstroom transparanter en auditeerbaar maken; het kan je professionele verantwoordelijkheid niet overnemen.