← Kennisbank/C37
c37Factchecking26 mei 20262 min lezenMvG — Atthis AI redactie

Ongebronde feitenclaims in AI-content: het echte risico

AI genereert plausibele cijfers zonder bron. Hoe weeg je juridisch, reputatie- en SEO-risico — en welke controles werken écht in de redactiepraktijk?

AI-modellen produceren feitenclaims in hoge dichtheid: percentages, citaten, jaartallen. Zonder bron worden het aannames die zich juridisch, reputationeel en operationeel kunnen wreken. Een nuchtere kijk op het risico — en op proportionele controle.

Ongebronde feitenclaims in AI-content: het echte risico

AI-modellen produceren feitenclaims in hoge dichtheid: percentages, citaten, jaartallen. Zonder bron worden het aannames die zich juridisch, reputationeel en operationeel kunnen wreken. Een nuchtere kijk op het risico — en op proportionele controle.

Het kort: 4 praktijk-takeaways

1. Tel claims, niet woorden — Een long-form AI-artikel bevat al snel 6-18 verifieerbare beweringen. Behandel claim-extractie als eerste redactiestap: lijst alle cijfers, citaten en causale verbanden apart vóór je redigeert. Dat dwingt expliciete keuzes over bronvermelding af.

2. Weeg per claim drie assen — Specificiteit (73% vs. ‘een meerderheid’), domein (YMYL vraagt strenger toezicht) en distributiebereik (evergreen vs. tijdelijk) bepalen samen of een primaire bron verplicht is of dat een gemarkeerde inschatting volstaat.

3. Reken met juridisch kader — Misleidende feitelijke beweringen vallen onder Boek 6 BW (art. 6:193a e.v.). ACM kan boetes opleggen tot €900.000 of 1% jaaromzet per overtreding. Voor finance en zorg gelden aanvullende AFM- en NZa-kaders.

4. Meet je eigen baseline — Pak je drie best gelezen artikelen. Tel claims met een klikbare primaire bron, deel door het totaal. Die ratio is je uitgangsmeting. Sectorbenchmarks ontbreken — je eigen nulmeting is bruikbaarder dan generieke cijfers.

Waar AI dit goed kan — en waar niet

Bij feitencontrole speelt AI een dubbelrol. LLM’s zijn de bron van het probleem — gemeten hallucinatieratio’s lopen van 1,5% tot 39% afhankelijk van model, taak en domein — maar tegelijk geschikt voor delen van de oplossing. Wat AI hier goed kan: claims extraheren uit lopende tekst, classificeren naar type (cijfer, citaat, causaal verband) en signaleren welke beweringen geen bronverwijzing hebben. Dat is patroonherkenning, geen waarheidsoordeel.

Waar nuance nodig is: AI kán geen waarheid verifiëren. Een model dat beweert een claim ‘gecheckt’ te hebben, doet in de praktijk een plausibiliteitsinschatting op basis van trainingsdata — precies het mechanisme dat de fout veroorzaakte. Echte verificatie vraagt retrieval tegen een afgebakend, betrouwbaar corpus (RAG met primaire bronnen), met de menselijke eindredacteur als beslissingslaag. Vraag bij toolkeuze naar gevalideerde precisie en recall op jouw contenttype, niet naar algemene demo-scores. En log welke claims door AI zijn gesignaleerd versus door mensen aangevuld — dat maakt je proces auditeerbaar.

Bron

Dit overzicht is gebaseerd op het volledige artikel van C37: Feitenclaims zonder bronvermelding: hoe groot is het risico?

Het brand-artikel bevat de volledige onderbouwing met verwijzingen naar HaluEval, Vectara’s Hallucination Leaderboard, Google’s E-E-A-T-guidelines en concrete wetsartikelen.

Het kort: 4 praktijk-takeaways

  1. 01 — Tel claims, niet woorden

    Een long-form AI-artikel bevat al snel 6-18 verifieerbare beweringen. Behandel claim-extractie als eerste redactiestap: lijst alle cijfers, citaten en causale verbanden apart vóór je redigeert. Dat dwingt expliciete keuzes over bronvermelding af.

  2. 02 — Weeg per claim drie assen

    Specificiteit (73% vs. ‘een meerderheid’), domein (YMYL vraagt strenger toezicht) en distributiebereik (evergreen vs. tijdelijk) bepalen samen of een primaire bron verplicht is of dat een gemarkeerde inschatting volstaat.

  3. 03 — Reken met juridisch kader

    Misleidende feitelijke beweringen vallen onder Boek 6 BW (art. 6:193a e.v.). ACM kan boetes opleggen tot €900.000 of 1% jaaromzet per overtreding. Voor finance en zorg gelden aanvullende AFM- en NZa-kaders.

  4. 04 — Meet je eigen baseline

    Pak je drie best gelezen artikelen. Tel claims met een klikbare primaire bron, deel door het totaal. Die ratio is je uitgangsmeting. Sectorbenchmarks ontbreken — je eigen nulmeting is bruikbaarder dan generieke cijfers.

Waar AI dit goed kan — en waar niet

Bij feitencontrole speelt AI een dubbelrol. LLM’s zijn de bron van het probleem — gemeten hallucinatieratio’s lopen van 1,5% tot 39% afhankelijk van model, taak en domein — maar tegelijk geschikt voor delen van de oplossing. Wat AI hier goed kan: claims extraheren uit lopende tekst, classificeren naar type (cijfer, citaat, causaal verband) en signaleren welke beweringen geen bronverwijzing hebben. Dat is patroonherkenning, geen waarheidsoordeel.

Waar nuance nodig is: AI kán geen waarheid verifiëren. Een model dat beweert een claim ‘gecheckt’ te hebben, doet in de praktijk een plausibiliteitsinschatting op basis van trainingsdata — precies het mechanisme dat de fout veroorzaakte. Echte verificatie vraagt retrieval tegen een afgebakend, betrouwbaar corpus (RAG met primaire bronnen), met de menselijke eindredacteur als beslissingslaag. Vraag bij toolkeuze naar gevalideerde precisie en recall op jouw contenttype, niet naar algemene demo-scores. En log welke claims door AI zijn gesignaleerd versus door mensen aangevuld — dat maakt je proces auditeerbaar.