Het antwoord op hallucinaties in AI is niet om het model te trainen op meer data, maar om een systeem te bouwen dat fouten detecteert voordat ze bij de klant komen. De startup Probably heeft $9 miljoen opgehaald om precies dat te doen: een laag bouwen die AI-uitvoer controleert op feitelijke juistheid, vergelijkbaar met hoe een kwaliteitscontrole in een fabriek werkt.

Wat er aan de hand is

Probably, een Amerikaanse startup, heeft $9 miljoen opgehaald om een systeem te ontwikkelen dat hallucinaties en feitelijke fouten in AI-uitvoer opvangt voordat ze gebruikers bereiken. Het bedrijf streeft naar een nauwkeurigheid die vergelijkbaar is met deterministische systemen — systemen die altijd hetzelfde antwoord geven bij dezelfde input. Dit is een fundamenteel andere benadering dan de meeste AI-tools, die vaak vertrouwen op statistische waarschijnlijkheid en daardoor fouten maken. De investering laat zien dat betrouwbaarheid een groeiend probleem is, vooral voor bedrijven die AI inzetten voor klantcontact.

Wat dit betekent

Voor Nederlandse ondernemers betekent dit dat de standaard voor AI-betrouwbaarheid omhoog gaat. Waar het eerder acceptabel was dat een chatbot af en toe een fout maakte, wordt die tolerantie steeds kleiner. Vooral in klantcommunicatie kan een hallucinatie — zoals een verkeerd productadvies of een foutief antwoord over levertijden — direct leiden tot ontevreden klanten en reputatieschade. De aanpak van Probably laat zien dat de oplossing niet ligt in betere modellen, maar in een extra controlelaag die fouten eruit filtert. Dit is relevant voor elk bedrijf dat AI inzet voor externe communicatie: van webshops tot dienstverleners.

Hoe je dit kunt toepassen

Als je een webshop runt met een AI-chatbot voor klantvragen, kun je overwegen om een aparte controlelaag in te bouwen. Dit hoeft geen complex systeem te zijn. Een eenvoudige aanpak is om de chatbot eerst een conceptantwoord te laten genereren en dat door een tweede, eenvoudiger model te laten checken op tegenstrijdigheden. Je zou bijvoorbeeld kunnen instellen dat antwoorden over prijzen of voorraad altijd worden geverifieerd tegen je eigen database voordat ze worden verzonden.

Als je een team aanstuurt dat AI gebruikt voor het schrijven van offertes of e-mails, kun je een menselijke check inbouwen op de momenten dat het er het meest toe doet. De les van Probably is dat niet elke AI-uitvoer even kritisch is. Je zou kunnen bepalen dat alleen uitgaande communicatie met financiële consequenties of juridische claims door een medewerker wordt gecontroleerd. Voor interne notities of eerste concepten is een fout minder erg.

Als je in de zorg of een andere gereguleerde sector werkt, is de drempel voor AI-gebruik nog hoger. De aanpak van Probably biedt een denkrichting: in plaats van AI volledig te mijden, kun je een systeem bouwen dat fouten opvangt. Een mogelijkheid is om AI alleen in te zetten voor het voorbereiden van antwoorden op veelgestelde vragen, waarbij elk antwoord wordt gecontroleerd door een vast protocol. Zo profiteer je van de snelheid van AI zonder het risico op fouten.

Als je een klein team hebt zonder technische kennis, kun je de les van Probably toepassen door simpelweg je AI-uitvoer te laten controleren door een collega voordat deze naar buiten gaat. Dit klinkt eenvoudig, maar veel bedrijven slaan deze stap over. De praktische toepassing hangt af van jouw situatie, maar het principe is universeel: vertrouw niet blind op AI, bouw een vangnet in.

Bron: TechCrunch (https://techcrunch.com/2026/06/16/probably-raises-9m-to-build-a-more-reliable-kind-of-ai/)