Wanneer “klinkt logisch” toch misleidt

Je vraagt Copilot om een korte risico-inschatting voor een interne notitie. Binnen 30 seconden staat er een helder stuk met kopjes, een conclusie, en zelfs “mitigerende maatregelen”. In de vergadering is iedereen opgelucht: dit scheelt tijd (Offloader, Power User) en het oogt professioneel (AI-Assisted Editor). Precies daar ontstaat het risico: een output kan overtuigend zijn zonder dat de onderliggende claims kloppen, compleet zijn, of passen bij de DNB-context.

In een omgeving waar zorgvuldigheid, uitlegbaarheid en kwaliteit zwaar wegen, is “goed geschreven” niet hetzelfde als “goed doordacht”. AI maakt redeneringen vaak glad: onzekerheden verdwijnen, causaliteit lijkt vanzelfsprekend, en vage woorden (“significant”, “best practice”) geven schijnzekerheid. Als je dat niet herkent, ga je onbedoeld sturen op een verhaal in plaats van op bewijs.

Deze les geeft je een scherp, herkenbaar kader om valstrikken in AI-outputs te zien op het moment dat je ze leest. Je leert waar je het eerst op scant, welke signalen vaak samen voorkomen, en hoe je per AI-archetype de juiste kritische bril opzet—zodat je snelheid behoudt én de kernwaarden ondersteunt.

Wat we precies bedoelen met “valstrikken” in AI-outputs

Een valstrik is een terugkerend patroon waardoor een AI-output betrouwbaar lijkt, maar bij nadere inspectie niet verifieerbaar, onvolledig, te stellig of contextloos blijkt. Het gaat dus niet alleen om “foutjes”; het gaat juist om de subtielere problemen die in beleidstaal of managementtaal niet meteen opvallen. Denk aan een conclusie die netjes is opgeschreven, terwijl de aannames nergens staan.

Een handige onderlaag uit de vorige les is het idee van reasoning-illusie: de vorm (structuur, logische woorden, professioneel register) wekt het gevoel dat er echt is “geredeneerd”, terwijl het model vooral taalpatronen volgt. Daarom is een praktische werkregel: behandel AI-tekst als een hypothese of concept, totdat je kernclaims kunt herleiden naar input, bronnen of afgesproken kaders. Dat sluit direct aan bij Self-Checker en Critical Verifier: jij bepaalt wat “waar genoeg” is voor jouw besluitmoment.

Tot slot: veel valstrikken ontstaan doordat AI verschillende soorten uitspraken mengt. In één alinea staan vaak door elkaar:

  • Feitclaims (controleerbaar)

  • Aannames (plausibel maar onbewezen)

  • Waardekeuzes (wat “beter” of “wenselijk” is)

  • Procesadviezen (wat je “zou moeten doen”)

Kritisch denken betekent hier: eerst labelen, dan pas verfijnen. Anders ga je een tekst polijsten die inhoudelijk op drijfzand staat.

Vier kern-valstrikken die je het meest tegenkomt (en waarom ze zo overtuigen)

1) Over-precisie: stevige taal zonder meetlat

Over-precisie herken je aan woorden die hard klinken maar geen definitie of maatstaf krijgen: “significant”, “bewezen”, “substantieel”, “laag risico”, “hoge impact”. De tekst leest alsof er data achter zit, maar je vindt geen bron, geen criteria, en geen drempelwaarden. Het gevaar is niet alleen dat het onjuist kan zijn; het gevaar is dat het team stopt met vragen stellen omdat de taal al “af” voelt.

Dit gebeurt vaak wanneer Copilot een beleidstekst nadoet: in zulke teksten zijn kwalificaties gebruikelijk, en het model produceert ze moeiteloos. In de DNB-achtige werkcontext is dat extra riskant, omdat woorden als “laag” of “acceptabel” impliciet een norm bevatten. Als die norm niet expliciet is, kan dezelfde zin door twee collega’s totaal anders geïnterpreteerd worden, terwijl iedereen denkt dat ze het eens zijn.

Best practice uit de vorige les sluit hier direct op aan: maak claims auditeerbaar als claim → onderbouwing → onzekerheid → implicatie. Als “significant” niet te herleiden is, degradeer je het naar: “mogelijk relevant; definitie/meetkader ontbreekt”. Een typische misconceptie is: “Als de stijl professioneel is, zullen de inhoudelijke checks ook wel kloppen.” In werkelijkheid maskeert professionele taal juist de plekken waar je normaal alarm zou slaan.

2) Gladde causaliteit: correlatie en plausibiliteit als oorzaak-gevolg

AI vertelt graag een logisch verhaal: “Dit leidt tot…”, “Daardoor neemt het toe…”, “Als gevolg hiervan…”. Dat is fijn voor leesbaarheid, maar het kan causaliteit suggereren die nooit is aangetoond. Zeker in risico- of beleidsredeneringen is het verschil tussen “hangt samen met” en “wordt veroorzaakt door” cruciaal. Een klein taalverschil kan een heel andere besluitrichting legitimeren.

Deze valstrik ontstaat omdat causale zinnen een sterke “argument-structuur” geven: probleem → oorzaak → maatregel. Als je onder tijdsdruk werkt, voelt zo’n structuur als voortgang, terwijl het in feite een ingevuld sjabloon kan zijn. In de praktijk zie je dit wanneer Copilot op basis van beperkte input toch een volledige keten bouwt, inclusief effecten op stakeholders of compliance, zonder dat die in jouw bronmateriaal stonden.

De beste check is om causale zinnen om te zetten naar vragen: “Waardoor weten we dit?” en “Welke alternatieve verklaring past ook?” Als je geen antwoord hebt, label je de causale stap als hypothese. Een veelvoorkomende misvatting is dat causaliteit “minder belangrijk” is in interne stukken. Juist intern kan het doorsijpelen naar besluiten en later verantwoording, en dan wil je kunnen uitleggen waarom je dacht dat maatregel X effect Y zou hebben.

3) Wekgelaten voorwaarden: de tekst is schoon, maar de randvoorwaarden ontbreken

AI maakt teksten vaak strak door nuances weg te laten: uitzonderingen, scope, afhankelijkheden, en “onder welke voorwaarden geldt dit?”. Daardoor lijkt een advies robuust, terwijl het eigenlijk alleen waar zou zijn in een specifieke context. Dit valt extra op bij onderwerpen met governance, compliance, privacy, of implementatie-afhankelijkheden: de output noemt “doe A”, maar niet “als B en C geregeld zijn”.

Deze valstrik is verraderlijk omdat het zelden een zichtbare “fout” is. Het is een ontbreken. En ontbrekende voorwaarden ontdek je vooral wanneer je de redenering terugbrengt tot minimale elementen: wat is de claim, voor wie geldt die, binnen welke scope, en met welke constraints? Als de tekst daar niets over zegt, kan hij alsnog heel overtuigend ogen dankzij nette alinea’s en een conclusie.

Best practice: dwing volledigheid af met expliciete statusregels. Laat in je eigen beoordeling (of in je vervolgprompt) onderscheid maken tussen: “Geldt altijd”, “Geldt meestal”, “Geldt alleen als…”, en “Onbekend”. Misconceptie: “Als ik het later toch nog doorlees, merk ik de gaten wel.” De vorige les gaf al de kern: mensen spotten gaten juist slechter in vloeiende tekst, omdat de leeservaring weinig frictie geeft.

4) “Bron-achtige” taal zonder bron: het best-practice rookgordijn

Een AI-output zegt al snel: “volgens best practices”, “onderzoek toont aan”, “in de literatuur is bekend”. Dat klinkt bron-achtig, maar is vaak slechts een stijlregister. Het gevaar is dat een team dit als legitimatie gebruikt (“het staat er toch?”) en dat de discussie verschuift van inhoud naar presentatie. Voor een Critical Verifier is dit een rode vlag: een bronclaim zonder bron is geen bron, maar een retorische zet.

Waarom gebeurt dit? Omdat het model getraind is op tekstsoorten waarin zulke zinnen vaak voorkomen, en omdat gebruikers vaak vragen om “onderbouwd” of “wetenschappelijk”. Zonder echte toegang tot relevante, controleerbare bronnen (of zonder dat jij bronnen aanlevert) kan “onderbouwen” in een AI-output eindigen als onderbouwings-imitatie: het ziet eruit als bewijs, maar het is bewijsloos.

De praktische correctie is streng maar simpel: elke zin die verwijst naar “onderzoek” of “bewezen” krijgt een verplichte vervolgstap: “Welke bron, welke context, welke definitie?” Als dat niet kan, herformuleer je naar: “Er zijn aanwijzingen/ervaringen dat…; verificatie nodig.” Misconceptie: “AI kan zichzelf valideren als ik vraag ‘klopt dit?’” Zonder externe referentie is dat vaak slechts een tweede, even plausibele tekstlaag.

Snelle scan: valstrikken herkennen zonder je snelheid te verliezen

Je wilt niet elk conceptstuk forensisch analyseren. Een werkbare aanpak is een twee-lagen scan: eerst signalen vinden, dan alleen die plekken uitdiepen. De signalen hieronder zijn ontworpen om snel te zien waar de grootste risico’s zitten, vooral bij Offloader/Power User gebruik.

Scan-signaal (wat je ziet) Waarom dit een valstrik kan zijn Wat je meteen doet (30–60 sec)
Sterke kwalificaties (“significant”, “laag risico”, “bewezen”) Over-precisie: stevige taal zonder meetkader of drempels. Markeer de zin en vraag: “Welke definitie/maatstaf hoort hierbij?”
Causale ketens (“leidt tot”, “daardoor”, “als gevolg”) Gladde causaliteit: plausibiliteit wordt oorzaak-gevolg. Vervang mentaal door “hangt samen met” en check of het nog klopt.
Algemene autoriteit (“best practices”, “onderzoek toont aan”) Bron-achtige taal kan bewijs imiteren zonder bron. Vraag: “Welke bron of interne referentie?” Zo niet: label als hypothese.
Te ‘af’ advies (conclusie + plan zonder voorwaarden) Weggelaten randvoorwaarden, scope of afhankelijkheden. Vraag: “Voor wie/wanneer geldt dit? Welke afhankelijkheden ontbreken?”
Mooie symmetrie (3 bullets pro/contra die perfect uitkomen) Kan sjabloon-structuur zijn die echte nuance wegdrukt. Vraag: “Welke bullet is het zwakst onderbouwd, en waarom?”

Deze scan is geen vervanging van verificatie; het is een filter dat jouw aandacht richt op de plekken waar “klinkt logisch” het vaakst misleidt. Het past goed bij Self-Checker: je gebruikt AI om sneller te schrijven, maar je gebruikt jezelf om sneller te twijfelen op de juiste plekken.

[[flowchart-placeholder]]

Valstrikken verschillen per archetype: waar je extra alert op bent

Dezelfde output is niet even riskant voor iedereen. De valstrikken die jou raken, hangen af van je intentie: delegeren, toetsen, verkennen, verfijnen, of richting geven. Dit overzicht helpt je om gericht kritisch te zijn, in plaats van overal even hard te gaan twijfelen.

Archetype Meest waarschijnlijke valstrik Kernvraag die je beschermt
Offloader Te snel “af” verklaren: de tekst leest als eindproduct. “Welke claims hebben besluitimpact en moeten expliciet herleidbaar zijn?”
Self-Checker AI als spiegel die je gelijk geeft: je checkt stijl i.p.v. inhoud. “Welke zinnen zijn nieuw t.o.v. mijn input—en waarop steunen die?”
Critical Verifier “Verificatie” verwarren met AI-tegenargumenten: debat ≠ bewijs. “Welke claims vereisen externe bron/data en welke bron is acceptabel?”
AI Trusteer Option overload: veel opties, weinig besluitrelevante verschillen. “Welke optie verandert echt de aannames, risico’s of afhankelijkheden?”
Co-creator Consensus-illusie: het klinkt alsof het team het al eens is. “Welke echte trade-offs blijven impliciet en moeten uitgesproken worden?”
AI Refiner Polijsten van een zwakke kern: precisie in taal maskeert gaten. “Wat is de zwakste claim in de kernredenering die eerst sterker moet?”
Power User Schaalfout: snelle hergebruik-templates verspreiden dezelfde fout. “Welke checks schaalt mee, en welke moet per context opnieuw?”
Creative Director Verhaal als stuurmiddel: richting wordt te vroeg “de waarheid”. “Welke onzekerheden moeten zichtbaar blijven om ruimte voor keuze te houden?”
AI-Assisted Editor Structuur verwarren met correctheid: kopjes maken het niet waar. “Waar mist bron/definitie/voorwaarde achter de netjes geordende alinea?”

Let op het patroon: archetypes die veel op snelheid en output leunen hebben vooral risico op overname; archetypes die op kwaliteit leunen hebben vooral risico op schijn-checks (het voelt gecontroleerd, maar er is geen externe toets gedaan). Door één kernvraag per rol te onthouden, maak je kritische evaluatie haalbaar in realistische werkdruk.

Twee werkvoorbeelden: zo zien valstrikken er in het echt uit

Voorbeeld 1: Offloader → Self-Checker bij een interne risico-notitie

Je laat Copilot een conceptnotitie schrijven met “top 5 risico’s en mitigaties” voor een proceswijziging. De output is helder: elk risico heeft een impactinschatting (“hoog”), een kans (“middel”), en een mitigerende actie. Het leest als een volwassen risicoparagraaf—precies wat je wilde om tijd te winnen. De eerste valstrik zit vaak in over-precisie: waar komen “hoog/middel” vandaan, en volgens welk kader?

Je zet de Self-Checker-bril op en doet één gerichte stap: je markeert alle kwalificaties (hoog/middel/laag, significant, acceptabel) en vraagt: “Kan ik dit herleiden tot input, een interne definitie, of data?” Alles wat niet herleidbaar is, label je als aanname. Vervolgens kijk je naar de mitigerende acties: bevatten ze voorwaarden (“mits governance geregeld is”, “afhankelijk van IT-capaciteit”, “onder privacy-constraints”)? Als die ontbreken, noteer je dat de maatregel geen ‘ready-to-use’ advies is maar een richting.

De winst: je behoudt de snelheid van Offloader, maar voorkomt dat de notitie onbedoeld normatief wordt (“laag risico”) zonder norm. De beperking: Copilot kan de vorm leveren, maar jij moet kiezen welk risicokader geldt en welke drempels besluitrelevant zijn. In organisaties die uitlegbaarheid vragen, is dat precies het verschil tussen “snelle tekst” en “verantwoord stuk”.

Voorbeeld 2: AI Trusteer → Critical Verifier bij het verkennen van beleidsopties

Je vraagt Copilot om zes beleidsopties te genereren met voor- en nadelen, bedoeld om divergent te denken. De output levert inderdaad breedte: varianten met governance-focus, een communicatie-route, een gefaseerde aanpak en een technologische oplossing. De valstrik hier is vaak bron-achtige taal: zinnen als “bewezen effectief” of “sluit aan bij best practices” verschijnen om opties gewicht te geven. Als je dat laat staan, krijgen sommige opties een oneerlijke voorsprong doordat ze overtuigender klinken.

Je schakelt naar Critical Verifier en behandelt elke optie als hypothese-set. Je vraagt per optie: welke claims zijn feitelijk (controleerbaar), welke zijn aannames, en welke zijn waardekeuzes? Vooral de “sterkste” claims pak je eerst aan: waar “bewezen” staat, wil je bron en context; waar “leidt tot” staat, wil je het causale mechanisme of onzekerheidslabel. Als je geen bruikbare bron hebt, verlaag je de stelligheid: “vermoedelijk”, “kan bijdragen”, “afhankelijk van”.

De winst: je behoudt de creatieve breedte, maar voorkomt dat het team besluit op retorische kracht. De beperking: AI kan helpen om opties te formuleren, maar validatie blijft extern (data, interne kaders, domeinexperts). Zo blijft het proces transparant: de output is een startpunt, niet het bewijs.

Een compacte manier om dit dagelijks te doen

Valstrikken herkennen is geen “extra laag werk” als je het beperkt tot drie terugkerende acties:

  • Scan op stelligheid: harde woorden zonder meetkader zijn de snelste route naar schijnzekerheid.

  • Scan op causaliteit: elke “leidt tot” vraagt om “waardoor weten we dat?” of een hypothese-label.

  • Scan op ontbrekende voorwaarden: als een advies geen scope of afhankelijkheden noemt, is het nog geen besluitstuk.

Als je dit consequent doet, ga je AI gebruiken als versneller van structuur en formulering—zonder dat het je besluitvorming stiekem overneemt. Next, we'll build on this by exploring Kwaliteitscriteria voor AI-denken [30 minutes].

Last modified: Wednesday, 1 July 2026, 1:39 PM