Meertalige AI-verificatie: waarom elke vertaling een aparte claim is

U bent verantwoordelijk voor het verifiëren van AI-output per taal afzonderlijk, niet als één controle die voor alle talen geldt. Dezelfde model kan in de ene taal betrouwbaar zijn en in een andere systematisch fout gaan. Dit vergt aparte benchmarks, documentatie en controleprocessen per taalpaar.

De aanleiding is een analyse van 14 augustus 2026 van meertalige AI-verificatie en vertaalrisico, die aantoont dat cross-linguale AI-systemen per taal eigen foutpatronen vertonen en dus niet met één Engelstalige controle kunnen worden afgedekt. Onderzoek naar fact-verificatie over elf talen laat zien dat dezelfde modellen in laag-resource talen duidelijk minder accuraat presteren, en dat technieken als retrieval-augmented generation niet uniform helpen. In onze beoordeling betekent dit dat u voor elke taal waarin u AI-output gebruikt, een afzonderlijke verificatiestrategie moet kunnen aantonen — niet omdat de taal anders is, maar omdat het foutgedrag van het model dat is.

Waarom dezelfde model in verschillende talen anders faalt

Meertalige taalmodellen vertonen systematisch hogere hallucinatierates naarmate ze meer talen ondersteunen. Dit is niet een kwestie van schaalgrootte; grotere modellen lossen het probleem niet op. Taal-mismatch en ruis in trainingsdata verhogen het risico op foutieve output, en cross-linguale training kan modellen zowel helpen als schaden. Een model dat in het Engels betrouwbaar fact-checks, kan in Pools of Hongaars regelmatig claims verkeerd beoordelen zonder dat je dat ziet tenzij je daar specifiek voor test.

Vertaalmodellen hebben bovendien eigen pathologieën die niet in standaard benchmarks opvallen. Wrong-language output, instruction detachment en source detachment — waarbij het model content toevoegt of weggelaten los van de brontekst — zijn hallucinaties die specifiek in vertalingen voorkomen. Deze fouten verdwijnen niet door het model groter te maken, maar kunnen wel vrijwel wegvallen door naar anders getrainde modellen over te schakelen.

Welke foutpatronen moet u per taal controleren?

• Claim-drift tussen bron en vertaling — inhoudelijke wijzigingen die niet in de brontekst staan, maar door het model worden toegevoegd of weggelaten.
• Taal-mismatch in output — het model antwoordt in de verkeerde taal of mengt talen.
• Verificatiefouten in laag-resource talen — dezelfde verificatiemodel presteert aanzienlijk minder accuraat in talen met minder trainingsdata.
• Pivot-taal-artefacten — fouten die ontstaan doordat een claim eerst naar het Engels wordt vertaald voordat deze wordt geverifieerd, in plaats van rechtstreeks in de doeltaal.
• Hallucinaties in context-afhankelijke passages — het model genereert plausibele maar onjuiste details in juridische, medische of beleidsteksten.

Hoe documenteert u welke taal, welk model en welke controle is gebruikt?

1. Registreer per vertaling welke brontekst is gebruikt — vastleggen welke passages uit het origineel zijn ingevoerd en in welke taal.
2. Documenteer welke verificatiemodellen en -talen zijn ingezet — welk model heeft de claim beoordeeld en in welke taal is die beoordeling gedaan.
3. Leg vast of een pivot-taal is gebruikt — als een claim eerst naar het Engels is vertaald voordat deze werd geverifieerd, moet dat zichtbaar zijn.
4. Registreer welke controlelagen zijn doorlopen — meertalige fact-check, cross-model review, menselijke controle, en in welke volgorde.
5. Bewaar het volledige verificatietraject — niet alleen het eindoordeel, maar ook tussenresultaten, modelkeuzes en correcties.

Wat zeggen de EU-regels over meertalige AI-vertalingen?

AI-gegenereerde vertalingen vallen onder Europese transparantieplichten. Standaard AI-vertalingen van tekst zijn in principe vrijgesteld van labeling, tenzij de vertaling inhoudelijk ingrijpende wijzigingen aanbrengt. Organisaties moeten echter kunnen aantonen wanneer en hoe AI bij een vertaalproces is gebruikt. Dit betekent dat een vertaling niet langer een vluchtig tussenproduct is, maar iets waarvan u de herkomst en bewerking moet kunnen laten zien — vooral als die vertaling in een juridisch dossier, een medische bijsluiter of een beleidsstuk terechtkomt.

Hoe maakt u het verificatieproces per taal zichtbaar?

Een verificatielaag kan helpen door per vertaling zichtbaar te maken welke brontekst is gebruikt, welke taalroute is gevolgd en welke controles zijn doorlopen voordat een vertaling in gebruik gaat. Dit garandeert geen correctheid en elimineert geen hallucinaties, maar het maakt controle mogelijk en geeft inzicht in de keten achter een claim. Bij het pivot-taalprobleem — waarbij een claim eerst naar het Engels wordt vertaald voordat deze wordt geverifieerd — ziet u dan of die tussenstap heeft plaatsgevonden en welke fouten daar mogelijk zijn ontstaan.

Voor gevoelige documenten kan voorbewerking relevant zijn. Gevoelige waarden kunnen worden vervangen door synthetische equivalenten op EU-infrastructuur voordat AI-verwerking plaatsvindt, zodat alleen geanonimiseerde inhoud door het systeem gaat. Dit is fail-closed ontworpen: als de privacycontrole mislukt, wordt niets doorgestuurd.

De rode draad is dat meertalige AI-output geen enkele boodschap is, maar een verzameling taalspecifieke claims die per taal moeten worden geverifieerd binnen een zichtbaar, controleerbaar proces. Tooling kan die zichtbaarheid bieden en foutpatronen helpen opsporen, maar het professionele eindoordeel — of een vertaling betrouwbaar genoeg is voor gebruik — blijft altijd bij u.