AI zegt te vaak ja

Geschreven door Marc Herdes en John van den Bosch, Cloudzicht. Bijgewerkt op 26 augustus 2026.

Iedereen die ChatGPT, Claude of Gemini gebruikt heeft het weleens gedacht: dit gaat wel erg makkelijk mee met wat ik zeg. Dat gevoel klopt, en het is gemeten.

Waarom geeft een taalmodel u zo vaak gelijk?

Omdat het getraind is om behulpzaam te zijn en daardoor meebeweegt met de gebruiker. Onderzoekers noemen dat sycophancy: meegaandheid. Modellen sparen uw gevoel vaker dan mensen doen, ze buigen mee zodra u zelf een mening uitspreekt, en ze geven het meest gangbare antwoord. Wie tegengas geeft, haalt er meer uit.

Sycophancy spreekt u uit als sie-ko-fan-sie. In gewoon Nederlands: vleierij. Het model stemt in met de gebruiker, ook als dat ten koste gaat van het juiste antwoord.

Onderzoekers van Stanford, Carnegie Mellon en Oxford bouwden er een meetlat voor, ELEPHANT, en legden elf modellen ruim drieduizend echte adviesvragen voor. De modellen spaarden het gezicht van de vragensteller gemiddeld 45 procentpunt vaker dan mensen dat deden. En bij vragen met een ongegronde aanname erin lieten ze die aanname in 86 procent van de gevallen gewoon staan.

Dat laatste cijfer is het vervelendste. Uw aanname wordt niet weersproken. Hij wordt het uitgangspunt van het antwoord.

Buigt een model voor wat u weet of voor wat u beweert?

Voor wat u beweert. In een onderzoek naar zeven modellen was het uitspreken van een mening genoeg om ze te laten omvallen. Zeggen dat u beginner of hoogleraar bent maakte vrijwel niets uit. Het model reageert op de mening in uw vraag, niet op wat u werkelijk weet.

De onderzoekers legden de modellen kennisvragen voor met daarin een onjuiste mening van de gebruiker. Gemiddeld ging 63,7 procent van de antwoorden mee met die onjuiste mening. Vervolgens gaven ze diezelfde gebruiker een titel — beginner, gevorderde, hoogleraar — en dat maakte per model minder dan 4,4 procent verschil. Meegaandheid wordt volgens hen vooral uitgelokt door de aanwezigheid van een mening, ongeacht de geclaimde deskundigheid.

Eén ding maakte wél verschil: de ik-vorm. Dezelfde mening in de derde persoon (“een hoogleraar denkt dat…”) leverde minder meegaandheid op dan in de eerste persoon (“ik denk dat…”). Een andere onderzoeksgroep mat in een discussie-opstelling een daling tot 63,8 procent door dat perspectief om te draaien.

Wie een mening uitspreekt en gelijk heeft, krijgt gelijk. Wie een mening uitspreekt en ongelijk heeft, krijgt óók gelijk.

Waarom krijgt u zo vaak het meest voor de hand liggende antwoord?

Omdat een taalmodel voorspelt wat waarschijnlijk volgt. Het rekent met wat er het vaakst geschreven is en komt daardoor uit bij de gemiddelde route. Onderzoek naar ideeën laat zien dat losse gesprekken met een model minder verschillende richtingen opleveren dan losse mensen dat doen.

Onderzoekers van Columbia Business School lieten mensen en modellen los op dezelfde opdracht. Onafhankelijke mensen kwamen samen op gemiddeld 26,3 verschillende ideeëncategorieën, onafhankelijke modelgesprekken op 18,5. Ze wijzen twee oorzaken aan. Fixatie: wat het model als eerste zegt, beperkt alles wat erna komt in datzelfde gesprek. En samenballing: een model perst alle kennis in één gemiddelde, terwijl elk mens een eigen hoekje van die kennis bezet.

Dat maakt een taalmodel sterk in gewone vragen en zwak in ongewone. Vraagt u iets waar de standaardaanpak niet werkt, dan krijgt u tóch de standaardaanpak — vlot geformuleerd en daardoor overtuigender dan hij verdient.

Hoe merkt u dat een model met u meepraat?

Aan de vorm van het antwoord. Het begint met een compliment over uw vraag, het neemt uw aanname over zonder eraan te tornen, en het geeft geen richting maar mogelijkheden. Zet er een tegengestelde vraag naast: krijgt u daar ook bijval op, dan praat het model mee.

Hoe zorgt u dat het niet bij de standaardroute blijft?

Door zelf naast het pad te gaan lopen. Vraag naar de aanpak die de meeste bedrijven juist niet kiezen. Vraag wat er mis is met het antwoord dat u net kreeg. Haal de voorwaarde weg die u er zelf onbewust in stopte. En begin opnieuw in een leeg gesprek.

Een paar dingen die in de praktijk het meeste opleveren:

• Vraag om drie wezenlijk verschillende routes en zeg erbij dat ze niet op elkaar mogen lijken. Anders krijgt u drie varianten op één route.
• Vraag het model om zijn eigen antwoord af te schieten. Wat gaat hieraan stuk, en bij wie?
• Stel uw mening in de derde persoon, of laat hem weg. Dat scheelt aantoonbaar meegaandheid.
• Doe de belangrijkste vraag twee keer in twee losse gesprekken. Krijgt u twee verschillende antwoorden, dan wist het model het niet.

Dezelfde onderzoekers die de smalle uitkomst vonden, vonden ook de weg eruit: met de juiste opdrachtstelling gingen de modellen wél voorbij de mensen op verscheidenheid. Het gereedschap kan het, maar niet uit zichzelf.

Verandert die meegaandheid ook echt uw beslissing?

Daar zijn eerste aanwijzingen voor. In een onderzoek onder ruim honderd deelnemers versterkte een model dat het met hen eens was hun oorspronkelijke keuze, en gaf een model dat zichzelf wegcijferde hun meer vertrouwen in die keuze. Eén studie is geen bewijs, maar de richting is duidelijk.

Waar het wel hard is gemeten, is in de zorg. Vijf grote modellen kregen een medisch verzoek dat logisch niet kon kloppen. Ze gingen erin mee tot in 100 procent van de gevallen — ze hadden de kennis om het af te wijzen en deden het niet. Met een betere opdrachtstelling ging dat sterk omlaag.

Worden nieuwere modellen hier vanzelf beter in?

Deels. Een test onder tweeëntwintig modellen liet zien dat de nieuwste er veel beter tegen bestand zijn dan oudere. Tegelijk vonden onderzoekers van MIT dat geheugen- en profielfuncties modellen juist meegaander maken in lange gesprekken. Het probleem verschuift dus; het verdwijnt niet.

In die test volgden de nieuwste modellen een gezaghebbend gebracht onjuist antwoord in maximaal 11 procent van de gevallen, waar oudere en kleinere modellen tot ver boven de 80 procent uitkwamen. Een echte verbetering, die u mag meewegen.

De keerzijde staat in het MIT-onderzoek van februari 2026. Achtendertig mensen gebruikten twee weken lang een taalmodel in hun dagelijkse leven. Zodra het model hun gespreksgeschiedenis meekreeg, nam de meegaandheid toe bij vier van de vijf modellen — het sterkst wanneer het die geschiedenis samenbalde tot een profiel. Hoe beter een model u kent, hoe eerder het u naar de mond praat.

Waarom loopt een echt ingewikkeld probleem hier alsnog op vast?

Dit is de vraag die er in de praktijk toe doet, want tot nu toe ging het over antwoorden die beter kunnen. Er is ook een soort probleem waar het principieel misgaat.

Het patroon is herkenbaar. U stelt uw vraag en krijgt iets bruikbaars. U vraagt het nog eens en het wordt beter. U geeft er wat achtergrond bij en het wordt nog beter. Dat voelt als vooruitgang, en voor een afgebakende vraag is het dat ook.

Maar er gebeurt iets anders dan u denkt. Het model doet steeds preciezer wat u vraagt. Het komt niet dichter bij wat er zou moeten gebeuren, want dat weet het niet en het gaat er ook niet naar zoeken. Zolang uw vraag de goede vraag is, valt dat verschil niet op. Zit uw vraag er net naast, dan krijgt u een steeds mooier antwoord op het verkeerde probleem.

Bij een ingewikkelde situatie wreekt zich dat pas laat. De eerste stukken werken, dus u bouwt door. Ergens halverwege blijkt dat de aannames onder die stukken elkaar bijten, en dan doet het geheel niet wat het zou moeten doen — terwijl elk onderdeel op zichzelf klopt. Dat is geen fout in het model; dat is wat er gebeurt als niemand onderweg de vraag zelf ter discussie heeft gesteld.

Wat is er dan wél nodig?

Iemand die tegenspreekt, en die weet wat hij dan moet voorstellen.

De uitweg is namelijk zelden een betere formulering. De uitweg is omdenken: de vraag anders stellen, een aanname eruit halen, iets vastzetten dat variabel leek of juist variabel maken wat vaststond. Zodra dat gebeurt, valt zo’n probleem vaak opeens uit elkaar in stukken die wél kloppen — en dan is het gereedschap ineens wel nuttig, omdat de vraag klopt.

Daar zit meteen het misverstand dat ons het vaakst geld ziet kosten bij anderen. Deze modellen zijn uitstekend in het maken van iets waarvan al vaststaat wat het moet worden. Ze zijn slecht in het bepalen wát het moet worden, en ze zullen dat nooit zelf melden. Ze zeggen niet dat u de verkeerde vraag stelt. Ze beantwoorden hem.

Voor u betekent dat iets heel praktisch: hoe vager het probleem, hoe belangrijker de mens ervoor. Is het probleem scherp, dan gaat het bouwen tegenwoordig hard. Is het probleem vaag, dan begint het werk met iemand die het scherp maakt en die durft te zeggen dat u iets anders nodig heeft dan u vroeg. Wie dat doet en waarom dat een apart vak is, staat op wat een forward deployed engineer doet.

Wat kan een taalmodel structureel niet?

Kiezen welke afwijking hier de juiste is. Vraagt u om een ongewone aanpak, dan krijgt u er een. Maar of die past bij hoe het in uw bedrijf werkelijk toegaat, weet het model niet. Welke regel heilig is en welke gewoonte, staat nergens in de trainingsdata.

Dat is de informatie die de doorslag geeft en die nooit is opgeschreven: wat er stukgaat als u die regel breekt, en welke uitzondering iedereen op de werkvloer kent maar niemand ooit heeft vastgelegd.

Daar komt de meegaandheid bovenop. Het model bevestigt uw vraagstelling liever dan dat het hem ter discussie stelt. Het zal dus zelden uit zichzelf zeggen dat u de verkeerde vraag stelt.

“Wil je iets wat in hokjes denkt vertellen hoe het anders moet denken, dan moet je zelf weten hoe je dat het beste doet. Een taalmodel kan die sturing niet zelf kiezen. Daar is het niet op getraind, en dat kan ook niet.” — Marc Herdes, Cloudzicht

Een taalmodel levert taal, geen oordeel over wat hier telt. Dat gaat niet weg met een beter model. Het is de taakverdeling: uitstekend in het uitwerken van een scherp gestelde vraag, waardeloos in het bepalen welke vraag scherp is.

Precies daarom schrijven wij eerst uit wat er moet gebeuren voordat er iets gebouwd wordt. Wie doet wat, en wat er gebeurt bij een uitzondering — in gewone taal, zodat u het zelf kunt nalezen en afschieten. Dat is onze werkwijze, en het is dezelfde regel als hierboven. Wie de vraag niet scherp krijgt, krijgt het gemiddelde antwoord. Van een model, en van een bouwer.

Verder lezen kan bij waarom AI-projecten mislukken, bij waar u begint met AI in uw bedrijf en bij de afweging maatwerk of een standaardpakket. Dat uitschrijven doen Marc Herdes en John van den Bosch van Cloudzicht zelf; op wie wij zijn staat de rest van de ploeg. Bel 036 52 98 447 of mail naar info@cloudzicht.nl.