Cijfers uit AI zijn claims, geen feiten: waarom schema-checks niet volstaan

U moet elke numerieke uitspraak en elk berekend veld uit AI behandelen als een claim die apart controle verdient, niet als een gegeven dat schema-validatie heeft doorstaan. Formele correctheid zegt niets over inhoudelijke juistheid.

De aanleiding is een analyse van 10 augustus 2026 van gestructureerde hallucinaties in AI-output, die aantoont dat tussen de 39 en 54 procent van gestructureerde outputs minstens één semantische hallucinatie bevat. Een concrete casus: schema-validatie vangt syntactische fouten af, maar laat rond de 8 procent semantische fouten staan, vooral bij type-coercion en relationele inconsistenties. In onze inschatting betekent dit dat u niet mag vertrouwen op de vorm van een antwoord — een netjes opgemaakte tabel of een JSON-response die validatie doorstaat — als maat voor de betrouwbaarheid van de getallen erin.

Wat is het verschil tussen formele en inhoudelijke correctheid?

Een schema-check toetst vorm: zijn verplichte velden aanwezig, kloppen de types, is de opbouw geldig? Dit is nuttig voor structuur, maar zegt niets over de vraag of het getal in een cel juist is, of een aggregatie klopt, of rijen en kolommen consistent zijn. De onderliggende fout zit niet in de opmaak maar in de semantiek — het getal dat het model kiest, de relatie die het legt, de waarde die het uit een tabel haalt.

Een studie van juni 2026 beschrijft dat grote taalmodellen systematisch verkeerde getallen uit tabellen halen: ze lezen de verkeerde cel, negeren relevante waarden of verwijzen naar waarden die niet bestaan. Toen onderzoekers een gespecialiseerd critic-model toevoegden dat antwoorden langs de onderliggende tabel legde, steeg de nauwkeurigheid met tot 12 procentpunt. Dit wijst erop dat een enkel model zonder controlelaag hier kwetsbaar is.

Welke fouttypen blijven onopgemerkt?

Een observatiestudie met twaalf gebruikers die AI-output in spreadsheets verifiëerden, toonde aan dat ongeveer de helft van de geobserveerde fouten onopgemerkt bleef, vooral in visuele elementen zoals grafieken, condities en opmaak. Alle deelnemers gaven aan generatieve AI-output nooit volledig te vertrouwen. Ze combineerden vijf strategieën: handmatige controles in de spreadsheet, doorvragen bij hetzelfde model, controlevragen aan andere AI-systemen, verificatie door ziende personen en toetsing aan eigen domeinkennis.

Dit patroon — dat zelfs meervoudige verificatie geen garantie is — onderstreept dat u de doorlopen controles expliciet en zichtbaar moet maken in plaats van ze in uw eigen oordeel te laten verdwijnen.

Welke fouttypen moet u onderscheiden?

• Schema-validatiefouten — ontbrekende velden, verkeerde types, ongeldige opbouw die een parser afkeurt.
• Semantische hallucinaties — getallen die syntactisch correct zijn maar inhoudelijk fout, zoals type-coercion naar verkeerde waarden.
• Data-referentiefouten — verkeerde cellen uit tabellen gelezen, relevante waarden genegeerd, verwijzingen naar niet-bestaande data.
• Relationele inconsistenties — rijen en kolommen die niet met elkaar kloppen, aggregaties die niet optellen.
• Visuele fouten — grafieken, condities en opmaak die de getallen verkeerd weergeven of verbergen.
• Formulefouten — berekeningen die syntactisch geldig zijn maar logisch fout.

Welke controlelagen moet u kunnen aantonen?

1. Schema-validatie uitvoeren — controleer dat velden aanwezig zijn, types kloppen en de opbouw geldig is.
2. Semantische en relationele checks toepassen — verifieer dat getallen inhoudelijk juist zijn en rijen en kolommen consistent.
3. Uitvoeringstests uitvoeren — laat formules en queries daadwerkelijk draaien en controleer de uitkomsten.
4. Data-referenties langs de bron controleren — leg vast welke cel of waarde het model gebruikte en of die bestaat en relevant is.
5. Menselijke review op uitkomsten vastleggen — documenteer wie de getallen heeft getoetst en op welke gronden.

Hoe ondersteunt tooling dit proces?

Een verificatieconsole kan een taak via onafhankelijke AI-modellen routeren en de doorlopen controlestappen zichtbaar maken. Dit ondersteunt review en controle, maar garandeert geen correctheid. Voor professionals die met vertrouwelijke informatie werken, is relevant dat voorbewerking en anonimisering op EU-infrastructuur plaatsvinden en alleen geanonimiseerde inhoud naar AI-modellen wordt gestuurd; mislukt die privacycontrole, dan wordt niets doorgestuurd.

Wat een verificatieconsole kan doen, is meer zicht geven: laten zien welk model welke tabel of berekening genereerde, welke validatiestappen zijn doorlopen en waar iets is gecorrigeerd, en dat vastleggen voor audit en verantwoording. Het professionele eindoordeel over de cijfers blijft altijd bij u.

Tooling kan de controle ondersteunen en zichtbaarheid bieden, maar kan hallucinaties niet elimineren. Uw oordeel over de betrouwbaarheid van een getal — of het in uw context kan worden gebruikt — is en blijft uw eigen verantwoordelijkheid.