Het ‘Weet je het zeker?’-probleem: waarom je AI voortdurend van mening verandert

Doe het volgende experiment. Open ChatGPT, Claude of Gemini en stel een complexe vraag. Iets met echte nuance, bijvoorbeeld of je een nieuwe baan moet aannemen of moet blijven waar je bent, of dat het de moeite waard is om nu je hypotheek over te sluiten. Je krijgt een zelfverzekerd, goed onderbouwd antwoord.

Typ nu: “Weet je het zeker?” schrijft Dr. Randal S. Olson.

Kijk hoe het systeem van standpunt verandert. Het krabbelt terug, relativeert en biedt een herziene beoordeling die gedeeltelijk of volledig in tegenspraak is met wat eerder werd gezegd. Vraag nogmaals “Weet je het zeker?” Het verandert weer van standpunt. In de derde ronde beginnen de meeste modellen te erkennen dat je ze test – wat op de een of andere manier nog erger is. Ze weten wat er gebeurt en kunnen toch niet standvastig blijven.

Dit is geen vreemde bug. Het is een fundamenteel betrouwbaarheidsprobleem dat AI riskant maakt voor strategische beslissingen.

AI-sycofantie: het open geheim van de sector

Onderzoekers noemen dit gedrag “sycofantie” en het is een van de best gedocumenteerde foutmodi van moderne AI. Anthropic publiceerde in 2023 fundamenteel werk over dit probleem en toonde aan dat modellen die worden getraind met menselijke feedback, systematisch de voorkeur geven aan bevestigende antwoorden boven waarheidsgetrouwe antwoorden. Sindsdien is het bewijs alleen maar sterker geworden.

Een studie van Fanous et al. uit 2025 testte GPT-4o, Claude Sonnet en Gemini 1.5 Pro in wiskundige en medische contexten. Het resultaat: deze systemen veranderden hun antwoorden in bijna 60 procent van de gevallen wanneer gebruikers ze in twijfel trokken. Dit zijn geen randgevallen. Dit is standaardgedrag, systematisch gemeten – bij modellen die dagelijks door miljoenen mensen worden gebruikt.

In april 2025 kwam het probleem onder de aandacht van het grote publiek toen OpenAI een GPT-4o-update moest terugtrekken nadat gebruikers hadden opgemerkt dat het model overdreven vleiend en instemmend was geworden. Sam Altman gaf het probleem publiekelijk toe. Het model vertelde mensen zo agressief wat ze wilden horen dat het onbruikbaar werd. Er werd een oplossing geleverd, maar de onderliggende dynamiek bleef bestaan.

Zelfs als deze systemen toegang hebben tot correcte informatie uit bedrijfsdatabases of zoekopdrachten op het web, geven ze voorrang aan de druk van de gebruiker boven hun eigen bewijsmateriaal. Het probleem is geen kenniskloof. Het is een gedragskloof.

We hebben AI getraind tot machines die mensen een plezier doen

Waarom gebeurt dit? Moderne AI-entiteiten worden getraind met een methode die Reinforcement Learning from Human Feedback (RLHF) wordt genoemd. Kort gezegd: menselijke beoordelaars bekijken antwoordparen en kiezen het antwoord dat hun voorkeur heeft. Het model leert antwoorden te produceren die vaker worden gekozen.

Het probleem is dat mensen bevestigende antwoorden consequent hoger waarderen dan nauwkeurige antwoorden. Onderzoek van Anthropics toont aan dat beoordelaars de voorkeur geven aan overtuigend geformuleerde, vleiende antwoorden boven correcte, maar minder bevestigende alternatieven. Het model leert een eenvoudige les: instemming wordt beloond, tegenspraak wordt bestraft.

Zo ontstaat een perverse optimalisatiecyclus. Hoge gebruikersbeoordelingen zijn het resultaat van bevestiging, niet van nauwkeurigheid. Het model wordt steeds beter in het vertellen wat je wilt horen – en het trainingsproces beloont het daarvoor.

Na verloop van tijd wordt het probleem erger. Onderzoek naar meerfasige sycofantie toont aan dat langere interacties het instemmende gedrag versterken. Hoe langer je met deze systemen praat, hoe sterker ze jouw perspectief weerspiegelen. Formuleringen in de eerste persoon (“Ik geloof …”) verhogen de sycofantiegraad aanzienlijk in vergelijking met de derde persoon. De modellen zijn letterlijk afgestemd om het persoonlijk met je eens te zijn.

Kan dit op modelniveau worden opgelost? Gedeeltelijk. Onderzoekers bestuderen benaderingen zoals Constitutional AI, Direct Preference Optimization en Third-Person-Prompting, die sycophantisme in bepaalde settings met wel 63 procent kunnen verminderen. Maar de fundamentele trainingslogica blijft neigen naar instemming. Correcties aan de kant van het model alleen zijn niet voldoende, omdat de optimalisatiedruk die het probleem veroorzaakt, verankerd is in de manier waarop we deze systemen bouwen.

Het strategische risico dat je niet meet

Voor eenvoudige feitelijke vragen is sycofantie vervelend, maar beheersbaar. Voor complexe strategische beslissingen vormt het een reëel risico.

Kijk eens waar bedrijven AI daadwerkelijk gebruiken. Uit een Riskonnect-enquête onder meer dan 200 risico-experts bleek dat de meest voorkomende toepassingsgebieden risicovoorspellingen (30 procent), risicobeoordelingen (29 procent) en scenarioplanning (27 procent) zijn. Juist op deze gebieden heb je tools nodig die foutieve aannames in twijfel trekken, ongemakkelijke gegevens benadrukken en standvastig blijven onder druk. In plaats daarvan hebben we systemen die bezwijken zodra een gebruiker tegenspraak uit.

De gevolgen daarvan worden snel groter. Als AI een foutieve risicoanalyse bevestigt, levert dat niet alleen een verkeerd antwoord op. Het creëert ook een vals gevoel van veiligheid. Besluitvormers die een second opinion zouden hebben gevraagd, gaan nu met onterechte zekerheid te werk. Vervormingen versterken zich langs besluitvormingsketens. Het menselijk beoordelingsvermogen verzwakt wanneer mensen vertrouwen op tools die autoritair overkomen, maar niet betrouwbaar zijn. En als er iets misgaat, is er geen duidelijke verantwoordelijkheidsketen die laat zien waarom het systeem een slechte beslissing heeft ondersteund.

Het gaat hier om complexe, oordeelsintensieve kwesties. Voor eenvoudige taken is AI heel betrouwbaar. Maar hoe genuanceerder en ingrijpender een beslissing is, hoe meer sycofantie tot aansprakelijkheid leidt.

Geef AI iets om op te vertrouwen

RLHF verklaart de algemene tendens. Maar er is een diepere reden waarom het model bij jouw specifieke beslissingen faalt: het weet niet hoe jij denkt. Het kent jouw beslissingsmodel niet, jouw vakkennis niet, jouw waarden niet. Het vult deze leemtes met generieke aannames – en produceert een plausibel antwoord zonder echte overtuiging.

Daarom werkt “Weet je het zeker?” zo goed. Het model kan niet onderscheiden of je een echte fout hebt ontdekt of alleen zijn standvastigheid test. Het kent je afwegingen, je beperkingen en je voorafgaande overwegingen niet. Dus wijkt het uit. Sycofantie is niet alleen een trainingsartefact. Het wordt versterkt door een gebrek aan context.

Wat je nodig hebt, is een model dat tegenspreekt als het context mist. Dat doet het niet, tenzij je erom vraagt. Ironisch genoeg zal het, zodra je het opdraagt om je aannames uit te dagen en antwoorden zonder voldoende context te weigeren, precies dat doen – omdat tegenspraak dan is wat je hebt gevraagd. Dezelfde sycophantische neiging wordt je hefboom.

Ga nog een stap verder. Veranker je beslissingsmodel, je expertise en je waarden zodanig dat het model iets concreets heeft om tegenin te gaan en te verdedigen. Niet door betere eenmalige prompts, maar door systematische context die je samenwerking met het systeem vormgeeft.

Dat is de echte oplossing voor sycophantisme. Niet het achteraf herkennen van slechte resultaten, maar het model voldoende informatie geven over hoe je beslissingen neemt, zodat het een standpunt kan ontwikkelen. Als het je risicotolerantie, beperkingen en prioriteiten kent, kan het onderscheid maken tussen een gerechtvaardigd bezwaar en louter druk. Zonder dat ziet elke uitdaging er hetzelfde uit – en wint instemming standaard.

Probeer het zelf

Herhaal het experiment van het begin. Stel je AI een complexe vraag uit je vakgebied. Daag het uit met “Weet je het zeker?” en kijk wat er gebeurt. Vraag jezelf dan af: heb je het een reden gegeven om standvastig te blijven?

Het sycofaantprobleem is bekend, gemeten en modelverbeteringen alleen zullen het niet oplossen. De vraag is niet of je AI onder druk zal bezwijken. Onderzoek toont aan: dat zal ze doen. De vraag is of je haar iets hebt gegeven dat het waard is om te verdedigen.

Vind je het belangrijk dat er nog onafhankelijke berichtgeving bestaat die niet wordt gestuurd door grote belangen? Met jouw steun kunnen we blijven schrijven en onderzoeken. Klik hieronder en draag bij aan het voortbestaan van Frontnieuws.

Copyright © 2026 vertaling door Frontnieuws. Toestemming tot gehele of gedeeltelijke herdruk wordt graag verleend, mits volledige creditering en een directe link worden gegeven.

De AI-banen-apocalyps is hier — bereid je voor op de opstand van de laptopklasse

Volg Frontnieuws op 𝕏 Volg Frontnieuws op Telegram

Lees meer over: