Waarom AI soms nét te overtuigend liegt
Vorige week stond er bijna een artikel live met een mooie McKinsey-statistiek.
Klinkt sterk. Past perfect in een verhaal.
Alleen: McKinsey had het nooit gezegd.
En dat ene foutje was niet het enige probleem. Er stonden ook een verzonnen JungleScout-bron, een niet-bestaande interne case study met “17% meer conversie” en een foutief verliespercentage voor een retailer in.
Het stuk haalde de publicatie niet. Terecht.
Het echte probleem zit niet in het model
De casus komt uit een klein e-commercebrandingbureau dat zelf software bouwde om projecten, klantdata en processen te beheren.
Daarbovenop draaien agents voor research, content en planning.
Slim idee. Eén bron van waarheid, in plaats van losse aannames of wild internet.
Juist dan zie je het risico scherp: generatieve AI kan met groot zelfvertrouwen onjuiste feiten produceren.
Niet alleen één foute statistiek dus.
Ook alles wat plausibel klinkt, maar nergens echt op terug te voeren is.
Prompts zijn niet genoeg
Strengere prompts helpen soms een beetje.
Maar ze lossen het kernprobleem niet op.
Je kunt een model vragen om voorzichtig te zijn. Je kunt het niet als laatste waarborg vertrouwen.
Regels die echt moeten gelden, horen niet alleen in de prompt. Ze horen in code.
Een prompt kun je overtuigen.
Een harde controle niet.
Zo werkt een slimme controlelaag
Deze workflow gebruikt drie stappen vóór publicatie.
Eerst markeert een AI-check de claims en schat in welke verificatie nodig is.
Daarna volgt een mechanische controle in code.
Die kijkt bijvoorbeeld of:
- een extern cijfer letterlijk in de bron staat
- een klantclaim klopt met de projectdata
- bedrijfsfeiten terug te vinden zijn in de feitenlijst
Klopt één claim niet? Dan faalt de publicatie hard.
Het stuk gaat terug met een rapport van onbevestigde claims.
Menselijke controle blijft nodig
Daarna volgt nog steeds een menselijke beoordeling.
En goed ook.
Een controlesysteem vangt objectieve fouten af. Een onvindbaar cijfer. Een verkeerde naam. Een claim die nergens terug te vinden is.
Maar toon, positionering en merkgevoel? Dat blijft mensenwerk.
Daar ligt ook de verantwoordelijkheid.
AI kan werk overnemen.
Niet de eindverantwoordelijkheid.
Wanneer loont dit echt?
Niet elk team heeft meteen zware automatisering nodig.
Publiceert je organisatie bijvoorbeeld maar twee blogs per maand, dan kan handmatige controle genoeg zijn.
Maar zodra volume, complexiteit of druk toeneemt, wordt één paar ogen een zwakke schakel.
Dan is een controlelaag geen luxe meer.
Dan is het de manier om schaalbaar betrouwbaar te blijven werken.
De les voor contentteams
Wie AI inzet voor content, moet niet alleen denken aan snelheid.
Denk ook aan bewijs.
De vraag is niet of een model een sterke eerste versie kan schrijven.
De vraag is of je kunt aantonen dat de feiten kloppen vóór publicatie.
Daarom werkt dit het best:
- werk vanuit één bron van waarheid
- laat AI claims markeren, niet finaliseren
- verifieer feiten in code of met harde regels
- laat mensen oordelen over context, nuance en merk
- publiceer niets dat niet door de keten is gekomen
De echte les
Die verzonnen McKinsey-statistiek is niet het verhaal.
Het is het symptoom.
Het echte verhaal is simpel: AI wordt pas veilig en bruikbaar als verificatie een vast onderdeel van je proces is.
Niet achteraf.
Niet op gevoel.
Maar ingebouwd vóór publicatie.
Dat is precies hoe je van AI een versneller maakt, en niet een bron van overtuigend klinkende fouten.
Wil je daar scherper op sturen in je eigen organisatie? Dan is dit het moment om je workflow eens goed te bekijken.
