← Kennisbank/C37
c37AI Kwaliteit26 juli 20263 min lezenMvG | Atthis AI redactie

Hallucinaties in marketingteksten: 6 signalen vóór publicatie

Zes concrete risicosignalen om AI-hallucinaties in marketingcontent op te sporen vóór publicatie, plus een praktische rolverdeling voor verificatie in je team.

Een AI-gegenereerde marketingtekst leest vaak vlekkeloos — en juist daardoor zie je niet dat een cijfer, feature of citaat verzonnen is. Hallucinaties zijn inherent aan hoe taalmodellen werken, dus controle vóór publicatie is geen tijdelijke maatregel maar een vast onderdeel van je workflow. Dit zijn de zes plekken waar je moet kijken, en wie wat controleert.

Hallucinaties in marketingteksten: 6 signalen vóór publicatie

Een AI-gegenereerde marketingtekst leest vaak vlekkeloos — en juist daardoor zie je niet dat een cijfer, feature of citaat verzonnen is. Hallucinaties zijn inherent aan hoe taalmodellen werken, dus controle vóór publicatie is geen tijdelijke maatregel maar een vast onderdeel van je workflow. Dit zijn de zes plekken waar je moet kijken, en wie wat controleert.

Het kort: 5 praktijk-takeaways

1. Cijfers eerst op herleidbaarheid — Elk percentage, bedrag of ranking met een gerenommeerde naam erbij krijgt een vaste toets: vind je binnen twee minuten de originele publicatie met titel, datum en exact cijfer? Zo niet, dan schrap je het of maak je er een kwalitatieve formulering van. Dat geldt voor opvallend precieze én ronde getallen.

2. Productclaims naast de documentatie — Gegenereerde productteksten kloppen grotendeels — en juist het kleine foute deel glipt door: een integratie die je niet biedt, een verkeerde plan-limiet, een verouderde prijs. Leg elke claim naast je eigen productdocumentatie en laat de productowner tegenlezen. Vertrouw niet op geheugen; daar zit precies het lek.

3. Namen en citaten expliciet afvinken — Klantquotes, expertnamen en herkenbare cases kunnen volledig verzonnen zijn — modellen doen dit ook met rechtszaken en onderzoeken. Controleer bij elke naam: bestaat deze persoon of organisatie, is de uitspraak ooit gedaan, is er schriftelijk akkoord? Bij twijfel gaat de passage naar legal, niet naar publicatie.

4. Stelligheid en tegenspraak apart lezen — Doe één leesronde alleen op data, aantallen en tijdsaanduidingen en check of vermeldingen van hetzelfde feit overeenkomen. Markeer daarnaast absolute woorden — altijd, gegarandeerd, bewezen, de enige — en vraag per claim: klopt dit in álle gevallen? Bij AVG-, gezondheids- of financiële uitspraken beoordeelt compliance.

5. Verklein het risico in de prompt — Geef het model je eigen brondocumenten mee — productsheets, geverifieerde cijfers — in plaats van te leunen op trainingskennis. Instrueer expliciet dat het geen cijfers of bronnen buiten het aangeleverde materiaal gebruikt en laat het markeren waar bronmateriaal ontbrak. Dit elimineert hallucinaties niet, maar maakt je controle achteraf gerichter.

Waar AI dit goed kan — en waar niet

AI kan bij dit onderwerp twee dingen aantoonbaar goed. Ten eerste: gegenereerde tekst screenen op risicopatronen — precieze getallen zonder bronvermelding, eigennamen, absolute formuleringen, interne tegenspraak in data en aantallen. Dat is patroonherkenning, geen waarheidsvinding, en daar zijn taalmodellen sterk in. Ten tweede: het risico aan de bron verkleinen via retrieval-augmented generation: het model schrijft uitsluitend op basis van jouw productdocumentatie en geverifieerde cijfers, en kan per zin aangeven op welk fragment het steunt. Wie dat lokaal of in een Nederlandse cloud draait, houdt bovendien vertrouwelijke productsheets en prijslijsten binnen eigen beheer — relevant zodra je pre-release informatie invoert.

De nuance zit in wat AI hier niet kan. Een model verifieert geen claim tegen de buitenwereld; het beoordeelt waarschijnlijkheid, niet waarheid. Een screeningstool geeft valse positieven (correcte cijfers gemarkeerd) en valse negatieven (soepel klinkende fouten gemist). Grounding op eigen bronnen reduceert hallucinaties meetbaar, maar het model kan brondocumenten nog steeds verkeerd samenvatten of combineren. En kleinere, energiezuinige modellen — die wij vaak verkiezen — hallucineren niet structureel minder dan grote; ze zijn alleen goedkoper om als extra zeef mee te draaien. De eindverantwoordelijkheid voor een gepubliceerde claim blijft bij een mens met een handtekening.

Bron

Dit overzicht is gebaseerd op het volledige artikel van C37: AI-hallucinaties in marketingteksten herkennen: 6 risicosignalen vóór publicatie

Het brand-artikel werkt elk van de zes signalen uit met controlevragen en voorbeelden, geeft een complete rolverdeling voor redactie, productowner, legal en eindredactie, en sluit af met een afvinkbare publicatiechecklist.

Het kort: 5 praktijk-takeaways

  1. 01 — Cijfers eerst op herleidbaarheid

    Elk percentage, bedrag of ranking met een gerenommeerde naam erbij krijgt een vaste toets: vind je binnen twee minuten de originele publicatie met titel, datum en exact cijfer? Zo niet, dan schrap je het of maak je er een kwalitatieve formulering van. Dat geldt voor opvallend precieze én ronde getallen.

  2. 02 — Productclaims naast de documentatie

    Gegenereerde productteksten kloppen grotendeels — en juist het kleine foute deel glipt door: een integratie die je niet biedt, een verkeerde plan-limiet, een verouderde prijs. Leg elke claim naast je eigen productdocumentatie en laat de productowner tegenlezen. Vertrouw niet op geheugen; daar zit precies het lek.

  3. 03 — Namen en citaten expliciet afvinken

    Klantquotes, expertnamen en herkenbare cases kunnen volledig verzonnen zijn — modellen doen dit ook met rechtszaken en onderzoeken. Controleer bij elke naam: bestaat deze persoon of organisatie, is de uitspraak ooit gedaan, is er schriftelijk akkoord? Bij twijfel gaat de passage naar legal, niet naar publicatie.

  4. 04 — Stelligheid en tegenspraak apart lezen

    Doe één leesronde alleen op data, aantallen en tijdsaanduidingen en check of vermeldingen van hetzelfde feit overeenkomen. Markeer daarnaast absolute woorden — altijd, gegarandeerd, bewezen, de enige — en vraag per claim: klopt dit in álle gevallen? Bij AVG-, gezondheids- of financiële uitspraken beoordeelt compliance.

  5. 05 — Verklein het risico in de prompt

    Geef het model je eigen brondocumenten mee — productsheets, geverifieerde cijfers — in plaats van te leunen op trainingskennis. Instrueer expliciet dat het geen cijfers of bronnen buiten het aangeleverde materiaal gebruikt en laat het markeren waar bronmateriaal ontbrak. Dit elimineert hallucinaties niet, maar maakt je controle achteraf gerichter.

Waar AI dit goed kan — en waar niet

AI kan bij dit onderwerp twee dingen aantoonbaar goed. Ten eerste: gegenereerde tekst screenen op risicopatronen — precieze getallen zonder bronvermelding, eigennamen, absolute formuleringen, interne tegenspraak in data en aantallen. Dat is patroonherkenning, geen waarheidsvinding, en daar zijn taalmodellen sterk in. Ten tweede: het risico aan de bron verkleinen via retrieval-augmented generation: het model schrijft uitsluitend op basis van jouw productdocumentatie en geverifieerde cijfers, en kan per zin aangeven op welk fragment het steunt. Wie dat lokaal of in een Nederlandse cloud draait, houdt bovendien vertrouwelijke productsheets en prijslijsten binnen eigen beheer — relevant zodra je pre-release informatie invoert.

De nuance zit in wat AI hier niet kan. Een model verifieert geen claim tegen de buitenwereld; het beoordeelt waarschijnlijkheid, niet waarheid. Een screeningstool geeft valse positieven (correcte cijfers gemarkeerd) en valse negatieven (soepel klinkende fouten gemist). Grounding op eigen bronnen reduceert hallucinaties meetbaar, maar het model kan brondocumenten nog steeds verkeerd samenvatten of combineren. En kleinere, energiezuinige modellen — die wij vaak verkiezen — hallucineren niet structureel minder dan grote; ze zijn alleen goedkoper om als extra zeef mee te draaien. De eindverantwoordelijkheid voor een gepubliceerde claim blijft bij een mens met een handtekening.