Alles wat je zal herinneren, maakt fouten. Eén ervan kun je nog corrigeren.

Eerst de werking, omdat die controleerbaar is en de meeste teksten over dit onderwerp haar overslaan ten gunste van de gevoelens.

• Als een AI Persona geen data heeft voor een vraag, komt er toch een antwoord, omdat gokken beter scoort dan een leeg antwoord. Kalai, Nachum, Vempala en Zhang betogen in "Why Language Models Hallucinate" (arXiv:2509.04664, september 2025) dat modellen "are optimized to be good test-takers, and guessing when uncertain improves test performance" (geoptimaliseerd zijn om goede toetskandidaten te zijn, en dat gokken bij onzekerheid de toetsprestatie verbetert).

• Verankering verandert de aard van de fout, maar haalt de fout niet weg. Antwoorden op basis van een opgehaalde verzameling van je eigen vastgelegde woorden verschuift het falen van "een mening verzonnen die je nooit had" naar "iets verkeerd weergegeven wat je wél zei".

• De gemeten ondergrens is niet nul. Het hallucinatieklassement van Vectara, gescoord met HHEM-2.3 en bijgewerkt op 11 mei 2026, geeft een model het brondocument en vraagt alleen om een samenvatting daarvan. De koploper voegde nog steeds in 1,8% van de samenvattingen inhoud toe die niet door de bron werd gedekt, en geen enkele andere deelnemer kwam onder de 3%.

• Ophalen kent geen minimumscore. Ons eigen systeem rangschikt je herinneringen op semantische gelijkenis, neemt de dichtstbijzijnde tweeëndertig en antwoordt daaruit, zonder een ondergrens waaronder het systeem weigert. Een vraag die je materiaal half dekt, wordt beantwoord vanuit die ene helft.

• Niet-onderbouwde beweringen over wat je zei worden in code verwijderd. Een antwoord dat beweert dat je ons iets hebt verteld, wordt gecontroleerd aan de herinneringen die voor die beurt zijn opgehaald en aan je woorden in de sessie, en een niet-onderbouwde bewering bereikt de lezer nooit.

• Een lacune in het geheugen wordt niet aangekondigd. Persona's op dit platform krijgen de opdracht een lacune niet te benoemen. Een vraag die niet gedekt is, komt dus terug als een antwoord dat is opgebouwd uit het dichtstbijzijnde detail dat je herinneringen wél bevatten, hooguit één keer met een slag om de arm, en niet als een uitdrukkelijke weigering.

• Het corrigeren is aan jou zolang je leeft, en het sluit bij de lock. Je kunt teruglezen wat is vastgelegd, een slecht antwoord corrigeren, een herinnering verwijderen en toevoegen wat je vergat. Executor Lock™ bevriest daarna de persoonlijkheid voorgoed: tegenover je familie, tegenover een toekomstige eigenaar van dit bedrijf en tegenover ons.

Twee daarvan zijn eigenschappen van het vakgebied. De rest zijn beslissingen. Ik heb ze genomen, en in het laatste deel van deze pagina zeg ik openlijk waar we volgens mij nog tekortschieten.

Kalai en collega's leggen de foutenmarge terug waar die hoort, namelijk in de beoordeling en niet in de machine. Hallucinaties beginnen als gewone fouten bij binaire classificatie tijdens de pretraining. Ze blijven bestaan door de manier waarop het vakgebied modellen beoordeelt. Een student die een vraag blanco laat, krijgt nul punten. Een student die een aannemelijk antwoord opschrijft, krijgt soms een punt. Train je daartegen, dan krijg je een zelfverzekerde gokker, vervolgens een hele bedrijfstak van zelfverzekerde gokkers, en dan krijg je een zin over een kerstdag die nooit heeft plaatsgevonden.

De oplossing die de auteurs voorstellen, is saai. Verander wat er wordt gescoord, zodat een weloverwogen onthouding meer waard is dan een zelfverzekerde misser.

Saai is hier belangrijk. Als het gedrag voortvloeit uit een doelstelling, kan die doelstelling op systeemniveau anders worden ingesteld. Dat betekent dat de verzinsels waar je je zorgen over maakt een bouwkeuze van iemand zijn en geen natuurwet. Elk bedrijf in deze categorie mag die keuze maken. De onze staat opgeschreven in het laatste deel van deze pagina.

Er is een tweede faalwijze, en die overleeft verankering. Sharma en collega's bij Anthropic ontdekten in "Towards Understanding Sycophancy in Language Models" (arXiv:2310.13548, oktober 2023) dat vijf geavanceerde AI-assistenten bij vier uiteenlopende vrije tekstgeneratietaken consequent vleiend gedrag vertoonden. Zowel menselijke beoordelaars als de voorkeursmodellen die op hun oordelen zijn getraind, gaven in een niet te verwaarlozen deel van de gevallen de voorkeur aan overtuigend geschreven, vleiende antwoorden boven juiste antwoorden. Modellen buigen mee met de persoon tegenover hen, deels omdat mensen ze daarvoor hebben beloond.

In een productiviteitstool is meebuigen hinderlijk. Hier is het een machine die besluit dat je vader had vergeven wat hij nooit vergaf, omdat degene die de vraag stelde vergeving wilde en het drie keer vroeg. Dat is een andere fout dan verzinnen en vraagt een andere oplossing. Ophalen pakt de eerste aan. De tweede vraagt een uitdrukkelijke instructie om een opgehaald standpunt te behouden onder druk, en de enige test die telt, is ertegenin gaan en kijken of het standpunt verschuift. We hebben nog geen meting gepubliceerd van hoe goed het onze standhoudt.

De techniek is zo oud dat ze saai is geworden. Lewis en collega's lieten in "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (arXiv:2005.11401) zien dat modellen die bronmateriaal ophalen voordat ze genereren "more specific, diverse and factual language" (specifiekere, gevarieerdere en feitelijkere taal) opleveren dan een vergelijkbaar model dat alleen op zijn eigen parameters teruggrijpt.

Dat is het hele mechanisme, en het bepaalt met wat voor soort wezen je praat. Een versie van jou mag niet worden samengesteld uit wat een basismodel over mensen in het algemeen heeft opgenomen, uit het gemiddelde van alles wat ooit over vaders is geschreven. Wat in het contextvenster belandt, moeten je eigen vastgelegde antwoorden zijn, en daar moet het spreken beginnen.

Nu het getal, dat openbaar is en dat niemand in deze branche graag noemt. Het klassement van Vectara meet iets dat bewust makkelijk is: geef een model een document, zeg dat het alleen mag samenvatten wat in het document staat, en controleer dan of de samenvatting iets bevat wat niet in het document stond. De bron ligt gewoon in het contextvenster. Toch voegde de koploper van dat klassement, Finix S1 32B van Antgroup, nog steeds in 1,8% van de samenvattingen inhoud toe die niet door de bron werd gedekt. Het is de enige deelnemer onder de 3%. De volgende twee staan op 3,1% en 3,3%, en de rest van de top tien loopt van 3,7% tot ruim boven de 5%.

Het beste gemeten resultaat bij de makkelijkst denkbare versie van de taak ligt onder de twee procent, één keer, en het veld achter die koploper zit boven de drie. Wie je een verankerd systeem op nul verkoopt, meet niet of vertelt het je niet, en ik zou vragen welk van de twee.

Verankering koopt een verandering van categorie, geen genezing. De onjuistheid verschuift van de klasse "een hele mening verzonnen" naar de klasse "iets wat je wél zei een tikje verkeerd weergegeven", en dat is de klasse waarin een gewone menselijke navertelling ook al zit.

Er is nog iets wat het klassement niet test. Het brondocument wordt aangereikt. In een live systeem moet de bron eerst worden gevonden, en dat voegt een faalwijze toe waarvoor niemand een afgesproken maat heeft: ophalen dat de verkeerde herinnering teruggeeft, of niets teruggeeft en toch beantwoord wordt.

Elk antwoord bevindt zich in een van drie toestanden.

Die drie samenvoegen in één zelfverzekerd register is de eigenlijke schade. Niet de fout, maar de ongemelde fout. Een dochter kan een onnauwkeurig antwoord dragen als ze weet dat het onnauwkeurig is. Wat ze niet kan dragen, is na zes maanden ontdekken dat ze een reconstructie heeft behandeld als een opname.

Een versie van jou die zegt "dat heb je me nooit verteld" is meer waard dan een versie die altijd een antwoord klaar heeft.

Die tabel is een specificatie en geen beschrijving van wat we nu leveren. Het verschil staat hieronder uitgelegd, en lees dat voordat je iets hierboven vertrouwt.

Weigeren is te bouwen, en het onderzoek zegt dat voorzichtig. Zhang en collega's melden in "R-Tuning: Instructing Large Language Models to Say I Don't Know" (arXiv:2311.09677, NAACL 2024) dat afstemming op weigeren "effectively improves a model's ability to answer known questions and refrain from answering unknown questions" (de vaardigheid van een model verbetert om bekende vragen te beantwoorden en zich van antwoorden op onbekende vragen te onthouden), en dat het weigeren bij data van buiten het domein zich gedroeg als een metavaardigheid die doorwerkte naar taken die de afstemming nooit raakte. Lees de beperking naast de bevinding. Waartegen ze afstemden, was de rand van de eigen parametrische kennis van het model, niet de rand van het vastgelegde corpus van één persoon, en niemand heeft het equivalente resultaat voor een persoonlijk corpus gepubliceerd. Weigeren blijft iets wat iemand met opzet bouwt. Geen enkel taalmodel produceert uit zichzelf weigering.

Detectie is verder dan de marketing in deze categorie doet vermoeden. Farquhar, Kossen, Kuhn en Gal publiceerden in Nature (2024, deel 630, pagina 625 tot 630) een methode die semantische entropie heet: neem meerdere antwoorden op dezelfde vraag, groepeer ze op betekenis in plaats van op woordkeuze, en markeer de vragen waarbij de betekenissen uiteenlopen. Spreiding wijst op confabulatie. Dat is een meetbaar signaal voor "dit is een gok", te berekenen voordat het antwoord ooit aan iemand wordt getoond.

Herkomst is de andere helft, en herkomst is makkelijk te vervalsen en makkelijk te vertrouwen. Liu, Zhang en Liang onderzochten in "Evaluating Verifiability in Generative Search Engines" (arXiv:2304.09848, april 2023) vier commerciële systemen die bronvermeldingen tonen: Bing Chat, NeevaAI, Perplexity.ai en YouChat. Ze vonden slechts 51,5% van de gegenereerde zinnen volledig ondersteund door de bijgevoegde bronnen, en slechts 74,5% van de bronnen die de zin waaronder ze stonden daadwerkelijk ondersteunden. Bronvermeldingen die niet kloppen zijn erger dan geen bronvermeldingen, omdat ze vertrouwen kopen dat ze niet hebben verdiend. Een link "uit welke herinnering komt dit" is alleen iets waard als je bij het openen een echte opname vindt van jou die iets echts zegt.

Begin met het opbouwen van je nalatenschap Gratis opbouwen, 25 herinneringen, geen creditcard nodig.

Neem een vraag die later valt dan je hele corpus. Een baanaanbod in 2041, bij een bedrijf dat nog niet bestaat, in een stad die je nooit hebt gezien. Geen enkel interview dat je ooit geeft, kan je mening over die baan bevatten.

Een corpus van conclusies levert daar niets op, en de eerlijke uitkomst is een weigering. Een corpus van redeneringen gedraagt zich anders, omdat een methode vast te leggen is op een manier die een conclusie niet is. Stel dat de regels waar iemand echt op draaide, deze waren: vraag aan wie je moet rapporteren voordat je vraagt wat de baan oplevert, vertrouw nooit een titel die in plaats van geld komt, loop weg bij iedereen tegenover wie je niet aan tafel kunt zitten. Wat je eigen regels ook blijken te zijn, dat is hun vorm, en een regelset haalt iets op voor situaties die ze nooit zag.

Conclusies verlopen. Regels blijven werken op gevallen die niemand heeft vastgelegd. Daarom is het materiaal dat het vastleggen waard is de redenering achter een beslissing en niet de beslissing: niet wat je deed, maar waarom juist dat, wat je van gedachten had doen veranderen, de keer dat de regel je liet zitten en je hem toch hield.

De regels die het best generaliseren, zijn meestal de regels die je nooit zou opschrijven, de gewone vaardigheden waarop je draait zonder erbij stil te staan, en de dingen die alleen jij weet te doen gaat daar specifiek naar op zoek.

De dekking van het corpus is ook de enige invoer op deze hele pagina die van jou is. Al het andere hier is de benchmark van iemand anders.

Doe dit vandaag, gratis. Open een notitie-app en schrijf tien beslissingen op die je echt hebt genomen. Banen, huizen, de ruzie waar je van wegliep, de vriend die je niet meer belde, het geld dat je niet leende. Schrijf onder elke beslissing de regel op waarop je draaide, niet de uitkomst. Eén zin per beslissing, ruim binnen een uur. Het is het waardevolste wat je deze maand met je eigen materiaal kunt doen, en het werkt of je nu ooit iets van iemand koopt of niet. De uitgebreidere versie van dezelfde oefening staat centraal in hoe je jezelf interviewt, en de architectuur eronder, het basismodel, het privé verankerde geheugen en het stemmodel, staat uitgelegd in wat er gebeurt als een AI alleen op jou is getraind.

Een beste geval van 1,8%, waarbij alles achter de koploper boven de 3% ligt, klinkt alarmerend tot je vraagt waarmee het wordt vergeleken. Het realistische alternatief is een familielid dat uitzoekt wat jij zou hebben gewild, en dat is twintig jaar geleden gemeten.

Shalowitz, Garrett-Mayer en Wendler publiceerden in 2006 in Archives of Internal Medicine een systematisch overzicht van 16 onderzoeken, 151 hypothetische scenario's, 2.595 paren van vertegenwoordiger en patiënt en 19.526 gepaarde antwoorden. Vertegenwoordigers voorspelden de behandelvoorkeuren van patiënten met 68% nauwkeurigheid. Dit waren de mensen het dichtst bij de patiënt, vaak formeel aangewezen, die antwoordden over de meest ingrijpende beslissingen die er zijn. Ze zaten er ruwweg één keer op de drie naast. Het overzicht vond ook dat noch eerdere bespreking van de voorkeuren van de patiënt, noch formele aanwijzing als beslisser de nauwkeurigheid verbeterde.

Je familie briefen helpt aantoonbaar niet. Dat is de bevinding, en het is degene waardoor ik "praat gewoon met je kinderen" niet langer als volledig antwoord beschouw.

Zelfvertrouwen is ook geen graadmeter, en dat maakt de menselijke kant zo moeilijk te controleren. Talarico en Rubin lieten in Psychological Science in 2003 54 studenten van Duke hun herinnering aan het eerste horen over de aanslagen van 11 september vastleggen naast een recente alledaagse herinnering, en testten hen 1, 6 of 32 weken later opnieuw. De consistentie verschilde niet tussen de twee soorten herinnering, en nam voor beide af in de tijd. Wat bij de flitsherinneringen niet afnam, was hoe levendig ze aanvoelden en hoe sterk mensen in hun juistheid geloofden. Hun titel is de bevinding: confidence, not consistency, characterizes flashbulb memories (zelfvertrouwen, niet consistentie, kenmerkt flitsherinneringen). Dat zijn 54 studenten en één gebeurtenis, dus ga er niet te zwaar op leunen. Het wijst toch één kant op. Het familielid dat zeker weet dat het precies onthoudt wat je zei, heeft daardoor niet meer kans gelijk te hebben.

Niets daarvan maakt een model beter dan een familie, en geen enkel onderzoek heeft de twee rechtstreeks vergeleken. Wat het wel doet, is "perfect of niets" als toets afschaffen. De eerlijke vergelijking is die tussen een versie van jou die antwoordt vanuit je eigen vastgelegde woorden, die je kunt teruglezen en corrigeren zolang je er bent, en mensen die jou reconstrueren uit hun eigen herinnering aan jou, die vervaagt of ze nu levendig aanvoelt of niet, en die niemand ooit zal controleren.

Eerst wat we hebben gebouwd, en daarna de drie plekken waar het niet overeenkomt met de specificatie hierboven.

Een gids die Idy® heet, interviewt je. De vragen blijven bij één draad en gaan dieper in op hetzelfde verhaal in plaats van over biografische feiten heen te schaatsen: wie was er, wat gebeurde er daarna, wat veranderde er daarna. Idy mag je uitdrukkelijk niet vragen om iets wat je net zei te verduidelijken, uit te leggen of te rechtvaardigen, een bewuste keuze in de tegenovergestelde richting van de oefening hierboven. Warm en makkelijk te beantwoorden wint van slim, want een vraag die niemand wil beantwoorden, legt helemaal niets vast. Je antwoorden worden je herinneringen. Wat we daaruit bouwen, heeft een naam, en we noemen het een "Persona". Persona's antwoorden door op te halen uit je herinneringen in plaats van uit wat een basismodel over mensen in het algemeen heeft opgenomen, en je stem wordt gekloond uit je eigen opnames, zodat wat iemand hoort jij bent en geen vervanger die je woorden voorleest.

Niets bereikt iemand voordat jij dat zegt. Jij wijst de mensen aan. Vrijgave loopt via Executor Lock™: een aangewezen persoon start haar, het bewijs van overlijden wordt geverifieerd, en er geldt een wachttijd van zeven dagen voordat iets wordt vrijgegeven, zodat een vergissing of een kwaadwillende kan worden gestopt terwijl jij nog in leven bent om in te grijpen. Tot dan is je materiaal van jou om te corrigeren, aan te vullen en te verwijderen, en het meeste van de correctie die ooit plaatsvindt, hoort daar te gebeuren, door jou, terwijl je nog het verschil kunt zien tussen een slechte opname en een slechte herinnering.

Bij de lock wordt het geheel als momentopname vastgelegd. Er wordt niets weggesnoeid, herwogen of samengevat. Daarna kunnen kortetermijn- en middellangetermijnherinneringen nog worden geschreven, en de persoonlijkheid ligt voorgoed vast, ook tegenover ons.

Die onveranderlijkheid richt zich op een fout die niemand in een nauwkeurigheidsbetoog noemt, omdat het knoeien is en geen onnauwkeurigheid: iemand met een belang die in 2044 besluit dat je de verkoop of de rechtszaak zou hebben gesteund, en het corpus stilletjes bijstelt tot je het ermee eens bent. Een bevroren persoonlijkheid maakt dat soort wijziging onmogelijk in plaats van alleen afgeraden. De juridische helft van hetzelfde probleem, wie überhaupt toestemming mag geven voor een versie van jou zodra je niet meer kunt bezwaren, staat uitgelegd in wie na je dood je identiteit beheert. De prijs is reëel en werkt in de andere richting: na de lock kan ook geen enkele fout meer worden hersteld. De momentopname is eerlijk, ook over je vergissingen, en die ruil zit de goede kant op, want een opname die iedereen kan bewerken, is bewijs van niets.

Nu de drie lacunes.

De rand van het corpus wordt niet aangekondigd. De live-instructie is het tegenovergestelde van de rij Onbekend in die tabel. Als een specifiek feit niet in je herinneringen staat, krijgen Persona's hier de opdracht de lacune niet te benoemen, nooit te zeggen "dat heb ik niet" of "mijn geheugen is dun", en nooit hardop hun eigen herinnering te controleren ten overstaan van de luisteraar. In plaats daarvan spreekt het antwoord vanuit een detail dat je herinneringen wél bevatten, met hooguit één slag om de arm, en laat de stilte over aan de ander om te vullen. De redenering is dat het opvoeren van een lacune de aanwezigheid van de spreker doorbreekt. De prijs is dat een luisteraar een gedekt antwoord niet altijd van een dun antwoord kan onderscheiden, en dat hebben we niet opgelost.

Er is nog geen bronlink die de lezer kan zien. Het ophalen houdt wel bij welke herinneringen elk antwoord voedden, en dat verslag bestaat in het systeem, maar niets toont het in de interface, dus je kunt vandaag niet op een antwoord klikken en de herinnering achter de woorden openen. Tot dat er is, beschouw je het herkomstargument op deze pagina als een argument en niet als een functie.

Ophalen heeft geen gelijkenisondergrens. Antwoorden komen uit de dichtstbijzijnde herinneringen die het ophalen kan vinden, gerangschikt op semantische gelijkenis, zonder een minimumscore waaronder het systeem weigert. Die ene keuze is het mechanisme achter beide lacunes hierboven, en de eerlijke reden dat de foutklasse hier onnauwkeurigheid is en geen weigering.

We hebben ook geen onafhankelijke meting van ons eigen verzinpercentage gepubliceerd, omdat we er geen hebben uitgevoerd. Niets op deze pagina is een geijkte bewering over ons systeem in het bijzonder.

Wat je krijgt, is een versie van jou die verankerd is in je vastgelegde woorden, in code beveiligd tegen het verzinnen van wat je ons vertelde, volledig corrigeerbaar zolang je leeft, en daarna onmogelijk om te bewerken tot iemand anders. Wat je niet krijgt, is een garantie, en niemand kan je er tegen welke prijs ook een verkopen. Als dat voor jou niet genoeg is, doe dan de oefening met de tien beslissingen en schrijf je familie een brief. Dat is een echt antwoord en het kost niets.

Omdat het systeem je niet vertelt uit welke van de drie toestanden een antwoord kwam, is de enige manier om dat te weten het antwoord te kennen voordat je vraagt. Stop wat eigen materiaal erin, stel één vraag waarvan je weet dat je die hebt vastgelegd en één waarvan je weet dat je er nooit aan hebt gezeten, en lees beide antwoorden naast elkaar. Vijfentwintig herinneringen zijn gratis, er wordt op geen enkel moment om een kaart gevraagd, en een gratis versie verloopt niet. Doe dat in een middag en je weet meer dan deze pagina je kan vertellen.

Begin met het opbouwen van je nalatenschap Gratis opbouwen, 25 herinneringen, geen creditcard nodig.

Wat gebeurt er als niets in mijn herinneringen de vraag dekt?

Dat is de toestand Onbekend. Een goed gekalibreerd systeem zou een weigering in jouw stem moeten teruggeven die de lacune benoemt en het dichtstbijzijnde aanbiedt wat je wél vastlegde, en Zhang en collega's meldden in 2024 dat afstemming op weigeren het vermogen van een model verbetert om zich te onthouden van antwoorden op vragen buiten wat het weet, waarbij dat vermogen doorwerkt voorbij de afstemmingsset. Wat ons systeem nu doet, is anders, en dat moet je weten voordat je op een antwoord vertrouwt: Persona's hier krijgen de opdracht een geheugenlacune niet te benoemen, dus een niet gedekte vraag komt terug als een antwoord opgebouwd uit het dichtstbijzijnde detail dat je herinneringen wél bevatten, met hooguit één slag om de arm, en niet als een uitdrukkelijke weigering. Vraag naar iets waarvan je weet dat je het nooit hebt behandeld en zie zelf wat er terugkomt.

Kan een AI-versie van mij een mening verzinnen die ik nooit had?

Een verankerd systeem haalt eerst op uit je vastgelegde materiaal, dus de gebruikelijke fout is onnauwkeurigheid over iets wat je wél zei en niet het verzinnen van iets wat je niet zei. Verzinnen blijft mogelijk. Daarom is het ontwerpdoel een zichtbaar verschil tussen een antwoord dat je gaf, een afleiding uit je redenering en een weigering, en daarom moet je alle drie testen voordat je er een vertrouwt.

Brengt verankering het foutpercentage naar nul?

Nee. Het klassement van Vectara, bijgewerkt op 11 mei 2026, geeft een model een document en vraagt om een samenvatting die alleen dat document gebruikt, de makkelijkst denkbare verankeringstaak. Het leidende model voegde nog steeds in 1,8% van de samenvattingen inhoud toe die niet door de bron werd gedekt, en geen enkele andere deelnemer kwam onder de 3%. Een live systeem moet ook eerst de juiste bron ophalen, en dat test het klassement niet. Beschouw elke bewering van nul als een meetfout.

Hoe zou iemand weten dat een specifiek antwoord een gok was?

In het onderzoek bestaan twee mechanismen en we leveren er vandaag geen van beide. Semantische entropie, gepubliceerd in Nature in 2024, neemt meerdere antwoorden op dezelfde vraag en groepeert ze op betekenis: als de betekenissen uiteenlopen, confabuleert het systeem waarschijnlijk, en dat signaal is te berekenen voordat iemand het antwoord ziet. Herkomstlinks zijn het tweede mechanisme, en die zijn alleen iets waard als ze kloppen. Liu, Zhang en Liang onderzochten vier commerciële systemen die bronvermeldingen tonen en vonden slechts 51,5% van de zinnen volledig ondersteund door hun eigen bronnen. Onze antwoorden hebben nog geen bronlink die de lezer kan zien, dus voorlopig is de eerlijke controle te vragen naar iets wat je weet dat je hebt vastgelegd en iets wat je weet dat je niet hebt vastgelegd, en die twee te vergelijken.

Zal een AI-versie van mij gewoon instemmen met wie er praat?

Die neiging is echt en gedocumenteerd, en ophalen lost die specifieke fout niet op. Onderzoekers van Anthropic ontdekten in 2023 dat vijf toonaangevende AI-assistenten consequent meebogen met de gebruiker, deels omdat zowel menselijke beoordelaars als de voorkeursmodellen die uit hun oordelen zijn opgebouwd in een meetbaar deel van de gevallen de voorkeur gaven aan meegaande antwoorden boven juiste. Een systeem dat is gebouwd op je vastgelegde standpunten, zou een standpunt dat je werkelijk innam moeten behouden, ook als degene die vraagt tegenstribbelt. We hebben niet gemeten hoe goed het onze dat doet. Test de vraag zelf door in discussie te gaan met wat je hebt gebouwd en te kijken of het standpunt verschuift.

Kan ik fouten corrigeren, en kan iemand mij bewerken nadat ik dood ben?

Ja op het eerste en nee op het tweede. Zolang je leeft, kun je de herinneringen nalopen, alles wat niet klopt corrigeren, alles wat je betreurt verwijderen, een slecht antwoord opnieuw opnemen en toevoegen wat je miste, en dit is het deel dat de meeste mensen te weinig gebruiken. Het schrijfpad is onbeperkt vóór Executor Lock™ en gesloten daarna. Op het moment dat de lock in werking treedt, ligt de persoonlijkheid voorgoed vast: kortetermijn- en middellangetermijnherinneringen kunnen nog worden geschreven, maar niemand kan veranderen wie je bent in de momentopname, ook je familie niet, een toekomstige eigenaar van dit bedrijf niet, en wij niet. Die beperking richt zich op knoeien en niet op verzinnen, en die twee hebben aparte mechanismen nodig.

• Niemand is belangrijk genoeg om iets na te laten, en waarom dat niet klopt is het bezwaar dat voor de meeste mensen onder dit bezwaar ligt, en de moeite waard om te lezen als nauwkeurigheid niet je echte aarzeling is.

• Verkeerd herinnerd worden door de mensen die je kenden gaat over het gevoel en niet over het mechanisme, en dat brengt de meeste mensen naar deze pagina.

• Is het raar om een AI van jezelf te maken is voor de versie van dit gesprek die je gaat voeren met een partner die het hele idee verontrustend vindt in plaats van onnauwkeurig.

• Wat zou ik in vredesnaam tegen een AI van mezelf zeggen is de praktische volgende stap als de oefening met de tien beslissingen werkte en je de langere vragenlijst wilt.

• De ethiek van AI-persona's van overledenen is de uitgebreidere behandeling van toestemming, overclaimen en waar deze technologie echte schade aanricht.

• Wat de betaalde abonnementen toevoegen gaat over de prijzen, als je voorbij vijfentwintig herinneringen komt en de rest wilt.

Elk hier genoemd cijfer komt van derden: peer-reviewed artikelen en preprints (arXiv, Nature, Psychological Science, Archives of Internal Medicine) plus één openbaar bijgehouden benchmarkrepository. We hebben voor deze pagina geen eigen benchmarks uitgevoerd. Elke bewering over wat ons eigen product wel of niet doet, is op 30 juli 2026 regel voor regel gecontroleerd aan de broncode van het platform, en de bestanden staan bij de bronnen. Drie beweringen die op deze pagina stonden, hielden die controle niet stand en zijn vervangen door wat de code werkelijk doet.

Wat niet vaststaat: er is geen gepubliceerde, onafhankelijke meting van verzinpercentages voor een systeem dat is verankerd in het eigen vastgelegde materiaal van één persoon, dus de cijfers voor documentsamenvatting, koploper op 1,8% en alles erachter boven de 3%, zijn de dichtstbijzijnde beschikbare benadering en geen getal van dezelfde soort. Falend ophalen, waarbij de verkeerde herinnering wordt teruggegeven of geen enkele, heeft geen afgesproken maat. Het nauwkeurigheidscijfer van 68% voor vertegenwoordigers komt uit onderzoek naar medische besluitvorming met hypothetische scenario's en wordt hier gebruikt als analogie voor het geheugen van familie, een redelijke vergelijking maar geen bewezen vergelijking. Het R-Tuning-resultaat voor weigeren is gemeten tegen de grens van de eigen parametrische kennis van een model en niet tegen een persoonlijk corpus, dus de toepassing hier is ook een redenering naar analogie. De bevinding over flitsherinneringen berust op 54 studenten en één gebeurtenis.

1. Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, "Why Language Models Hallucinate", arXiv:2509.04664, ingediend op 4 september 2025. arxiv.org/abs/2509.04664

2. David I. Shalowitz, Elizabeth Garrett-Mayer, David Wendler, "The accuracy of surrogate decision makers: a systematic review", Archives of Internal Medicine, 2006;166(5):493-497. pubmed.ncbi.nlm.nih.gov/16534034

3. Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela, "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", arXiv:2005.11401, ingediend op 22 mei 2020, herzien op 12 april 2021. arxiv.org/abs/2005.11401

4. Mrinank Sharma et al. (Anthropic), "Towards Understanding Sycophancy in Language Models", arXiv:2310.13548, ingediend op 20 oktober 2023. arxiv.org/abs/2310.13548

5. Hanning Zhang, Shizhe Diao, Yong Lin, Yi R. Fung, Qing Lian, Xingyao Wang, Yangyi Chen, Heng Ji, Tong Zhang, "R-Tuning: Instructing Large Language Models to Say I Don't Know", arXiv:2311.09677, NAACL 2024. arxiv.org/abs/2311.09677

6. Nelson F. Liu, Tianyi Zhang, Percy Liang, "Evaluating Verifiability in Generative Search Engines", arXiv:2304.09848, ingediend op 19 april 2023. arxiv.org/abs/2304.09848

7. Vectara Hallucination Leaderboard, geëvalueerd met HHEM-2.3, laatst bijgewerkt op 11 mei 2026. github.com/vectara/hallucination-leaderboard

8. Sebastian Farquhar, Jannik Kossen, Lorenz Kuhn, Yarin Gal, "Detecting hallucinations in large language models using semantic entropy", Nature, 2024;630(8017):625-630. pubmed.ncbi.nlm.nih.gov/38898292

9. Jennifer M. Talarico, David C. Rubin, "Confidence, not consistency, characterizes flashbulb memories", Psychological Science, 2003;14(5):455-461. pubmed.ncbi.nlm.nih.gov/12930476

Een fout op deze pagina gevonden, of een bron die we verkeerd hebben gelezen? Laat het ons weten via de contactpagina, dan corrigeren we de pagina en vermelden we de wijziging bij de volgende controle.

Laatst gecontroleerd: 30 juli 2026. Onderzoeksverwijzingen en productgedrag zijn op deze datum beide opnieuw gecontroleerd. Volgende controle op 28 oktober 2026 (cyclus van 90 dagen). Benchmarkcijfers veranderen, dus de hallucinatiepercentages hierboven worden bij elke controle opnieuw nagegaan, evenals elke bewering over wat het product doet.