Meer dan de helft van de organisaties die AI inzetten heeft al minstens één keer te maken gehad met onnauwkeurige output. Ondertussen sturen steeds meer medewerkers AI-gegenereerde teksten rechtstreeks naar klanten: offertes, rapporten, e-mails. Vaak na een snelle blik, soms zonder. De meeste fouten die AI maakt zijn net klein genoeg om ze over het hoofd te zien, en net groot genoeg om vertrouwen te beschadigen. Vijf gerichte checks, drie minuten werk, vangen het merendeel op.
Waarom vallen AI-fouten pas op als het te laat is?
AI-output ziet er bijna altijd overtuigend uit, ook als de inhoud niet klopt. Een taalmodel produceert vloeiende, professioneel klinkende tekst, ongeacht of de feiten erachter correct zijn. Het verschil tussen een kloppende en een verzonnen referentie is voor de lezer onzichtbaar, tenzij die lezer actief controleert.
Uit cijfers van het CBS blijkt dat 22,7 procent van de Nederlandse bedrijven met tien of meer werknemers AI gebruikte in 2024. Dat percentage groeit snel. In dezelfde periode meldde 51 procent van de organisaties die AI inzetten minstens één negatief gevolg. Bijna een derde noemde specifiek onnauwkeurigheid als oorzaak.
Het probleem zit niet in de grote, zichtbare blunders. Die vallen op. Het zit in de subtiele fouten: een percentage dat net niet klopt, een productnaam die niet meer bestaat, een juridische term die verkeerd wordt gebruikt.
Even voor de beeldvorming: als een junior collega een offerte schrijft, zou je die niet ongelezen doorsturen. Je checkt de cijfers, de toon, de referenties. Bij AI-output slaan veel teams die stap over, omdat de tekst er “af” uitziet. Dat is de valkuil.
Drie soorten fouten die AI in zakelijke teksten maakt
AI maakt drie categorieën fouten in zakelijke communicatie, elk met een ander risicoprofiel.
De feitelijke fout. Ook wel hallucinatie genoemd. Het model verzint informatie die niet bestaat: een statistiek, een bedrijfsnaam, een praktijkvoorbeeld. Volgens onderzoek van Stanford HAI hallucineren zelfs speciaal gebouwde juridische AI-tools in 17 tot 34 procent van de gevallen bij complexe vragen. Bij eenvoudigere taken presteren de beste modellen beter, maar foutloos zijn ze niet. Denk aan een offerte waarin AI verwijst naar een “succesvolle implementatie bij PostNL” die nooit heeft plaatsgevonden. De klant die bij PostNL werkt, prikt daar binnen twee seconden doorheen.
De toonfout. AI kiest een register dat niet past bij de ontvanger. Een e-mail aan een formele opdrachtgever die te los klinkt. Een rapport voor de directie dat leest als een blogpost. Het model kent de relatie niet en grijpt terug op een gemiddelde toon. Voor een mkb-er met een handvol vaste klanten is die gemiddelde toon bijna altijd verkeerd, want elke klantrelatie heeft een eigen register.
Het contextgat. AI weet niet wat jij gisteren met de klant hebt besproken, welke gevoeligheden er spelen of welke afspraken er mondeling zijn gemaakt. De tekst is feitelijk correct maar mist essentiële nuance. Dit is de moeilijkst te herkennen fout, omdat de tekst er goed uitziet voor iedereen behalve de persoon die de context kent.
Check de feiten, niet de zinnen
De eerste check richt zich op alles wat verifieerbaar is: cijfers, namen, data, juridische termen en referenties naar eerdere projecten of partijen.
Lees de tekst niet als een redacteur die taal beoordeelt, maar als een factchecker die elk getal en elke claim bevraagt. Drie concrete stappen helpen daarbij.
Controleer of genoemde bedrijven, producten en personen bestaan. AI verzint regelmatig referentieverhalen en noemt soms bestuurders bij naam die niet bij het bedrijf werken. Probeer dat maar eens uit te leggen als je klant die persoon opzoekt op LinkedIn. Een Google-zoekopdracht duurt tien seconden en voorkomt een pijnlijk telefoontje.
Reken financiële cijfers na. Percentages, btw-berekeningen en kostenoptellingen zien er overtuigend uit maar kloppen niet altijd. Vooral bij bedragen in euro’s inclusief btw gaat het geregeld mis, omdat de meeste trainingsdata in dollars en exclusief belasting zijn. Dat is een detail dat AI-gebruikers in Nederland vaak pas ontdekken als de factuur al de deur uit is.
Check juridische en technische termen. Noemt de tekst een “verwerkersovereenkomst” terwijl het een bewerkersovereenkomst had moeten zijn? Verwijst het naar de AI Act met een verkeerde deadline? Juridisch jargon is een bekend struikelblok voor taalmodellen.
Klinkt dit als jouw bedrijf of als een chatbot?
De toon van AI-output is herkenbaar voor wie er dagelijks mee werkt: nét te glad, nét te neutraal, nét te veel opsommingen waar een doorlopende tekst logischer is.
Check of de tekst klinkt alsof die van jouw organisatie komt. Lees de eerste drie zinnen hardop voor. Zou een collega dit zo schrijven? Zou je je naam eronder zetten? Als het antwoord op een van beide nee is, heb je werk te doen.
Let specifiek op deze signalen: zinnen die beginnen met “het is belangrijk om op te merken dat”, opsommingen waar lopende tekst beter past, en een woordkeuze die te formeel is voor de relatie met de klant. AI kiest in zakelijke teksten vaak een register dat past bij een jaarverslag, niet bij een e-mail aan een opdrachtgever die je bij de voornaam noemt.
Een praktische vuistregel: vervang minstens de openingszin en de slotalinea door iets persoonlijks. Verwijs naar het laatste gesprek, noem een concreet detail uit het project of sluit af op een manier die past bij hoe je normaal communiceert. Dat kost dertig seconden en maakt het verschil tussen een tekst die naar AI ruikt en een tekst die van jou komt. In een eerder artikel beschreven we hoe je een AI-werkwijze voor je hele team opzet, inclusief dit soort kwaliteitsafspraken.
Wat weet de klant dat de AI niet weet?
Elke klantrelatie heeft context die nergens in een prompt past: lopende irritaties, interne politiek bij de klant, eerdere toezeggingen die niet op papier staan.
Denk aan een situatie waarin je een aanbeveling naar een klant stuurt. De feiten kloppen, de toon is goed, maar je noemt een leverancier waarmee de klant net een conflict heeft. Of je stelt een aanpak voor die vorig kwartaal al is afgewezen. AI kan dit onmogelijk weten, tenzij je het expliciet in je prompt zet. En zelfs dan mist het de nuance.
Voor je op verzenden klikt: loop mentaal door de laatste drie contactmomenten met de ontvanger. Is er iets besproken dat deze tekst raakt? Speelt er iets gevoeligs waar de tekst niet op inspeelt? Bevat de tekst een aanname die voor jou logisch is maar voor de klant niet? Deze check duurt het langst van de vijf, vaak een volle minuut. Het is ook de check die de meeste schade voorkomt.
Overigens geldt dit niet alleen voor e-mails en offertes. Ook bij het checken van contracten met AI mist het model vaak de context die een jurist of accountant wél heeft: eerdere versies, mondelinge afwijkingen, sectorspecifieke gewoonten.
Kun je elke bewering verdedigen?
Als de klant morgen belt en vraagt “waar baseer je dit op?”, moet je een antwoord hebben dat verder gaat dan “AI schreef het”.
Dit is de check die het vaakst wordt overgeslagen. De tekst leest goed, de feiten zijn gecheckt, de toon klopt. Maar begrijp je daadwerkelijk wat er staat? AI kan een analyse schrijven die indrukwekkend leest maar die je niet kunt uitleggen zodra iemand doorvraagt.
De test is simpel: kun je van elke alinea in eigen woorden uitleggen waarom die bewering klopt? Nee? Dan stuur je iets door dat je niet helemaal begrijpt. Dat zou je met het werk van een stagiair ook niet doen.
“De verantwoordelijkheid voor AI-output ligt bij degene die op verzenden klikt, niet bij het model.”
Wat in de praktijk helpt: lees het document alsof je de ontvanger bent, niet de afzender. Welke vraag zou jij stellen na het lezen? Die vraag is precies het punt waar je de tekst extra moet controleren.
Van wie is de fout als het misgaat?
Jouw bedrijf draagt de verantwoordelijkheid voor AI-output die het verstuurt, niet de aanbieder van het model.
Dit klinkt als een open deur, maar in de praktijk gedraagt de gemiddelde gebruiker zich alsof AI een soort vrijbrief is. “AI heeft het geschreven” is geen verweer. Niet richting je klant en niet richting een toezichthouder.
Onder de EU AI Act, die sinds februari 2025 stapsgewijs van kracht is, zijn bedrijven die AI-systemen inzetten (de zogeheten deployers) verantwoordelijk voor de output die ze ermee genereren. De Autoriteit Persoonsgegevens heeft in 2026 meerdere keren gewaarschuwd dat het gebruik van AI bij klantcommunicatie en besluitvorming aan dezelfde zorgvuldigheidseisen moet voldoen als handmatig werk.
Voor je als Nederlandse ondernemer betekent dat concreet: als een AI-gegenereerde offerte een fout bevat waardoor een klant schade lijdt, is jouw organisatie aansprakelijk. Niet OpenAI. Niet Anthropic. Niet Google. Jij.
De vijfde check is daarom niet inhoudelijk maar procedureel: is er een persoon die verantwoordelijkheid neemt voor deze specifieke tekst? In veel bedrijven wordt AI-output doorgestuurd zonder dat iemand formeel akkoord geeft. Bouw dat moment in, al is het alleen een mentale bevestiging voordat je op verzenden klikt. Wil je de bredere context van wat er met je bedrijfsdata in AI-tools gebeurt, dan hebben we daar eerder over geschreven.
Wat kun je hier maandag mee?
Begin met één type klantcommunicatie: de offerte, het maandrapport of de wekelijkse update. Kies het type waar je team het vaakst AI voor gebruikt.
Spreek af dat AI-gegenereerde teksten voor klanten altijd langs deze vijf punten gaan voordat ze de deur uit gaan:
- Feiten. Kloppen de namen, cijfers, data en referenties?
- Toon. Klinkt dit als jouw bedrijf, of als een chatbot?
- Context. Mist er iets dat de klant wél weet?
- Verdedigbaarheid. Kun je elke bewering uitleggen als de klant doorvraagt?
- Eigenaarschap. Neemt iemand verantwoordelijkheid voor deze tekst?
Print de lijst desnoods uit en hang hem naast het scherm. Het hoeft geen bureaucratisch proces te worden. Een mentale checklist van drie minuten is genoeg.
De bedrijven die het meeste halen uit AI-tools zijn niet de bedrijven die er het snelst mee beginnen. Het zijn de bedrijven die de output behandelen als wat het is: een eerste versie die je tot de jouwe maakt voordat het de deur uit gaat. In de acht niveaus van AI-gebruik beschreven we hoe dat volwassenheidsproces eruitziet. De checklist uit dit artikel past bij elk niveau boven het eerste.
