Trust & Verify

01

Waarom dit, waarom nu

Een klant kocht zestig dagen geleden een jaarabonnement en vraagt zijn geld terug. De agent antwoordt vriendelijk en vloeiend: natuurlijk, de volledige terugbetaling is goedgekeurd, binnen drie tot vijf werkdagen staat het bedrag op de rekening. Elk woord leest prettig. En het klopt op drie punten niet, want het beleid geeft na dertig dagen geen geld terug maar alleen tegoed, het bedrag had langs een leidinggevende gemoeten, en die termijn belooft het bedrijf helemaal niet.

Aan die zinnen is niets te zien. Dat is precies waarom ze gevaarlijk zijn, en waarom dit dossier bestaat.

Elk eerder deel van deze handleiding duwt naar dezelfde ongemakkelijke plek. Een lus die draait tot hij slaagt, moet weten wat slagen betekent. Een harness heeft een verificatiestap nodig. Een agent die zelfstandig handelt, heeft iets nodig dat hem nakijkt. Naarmate AI beter en goedkoper wordt in het produceren van antwoorden, verschuift de knellende beperking naar de andere kant: een antwoord maken is makkelijk, en weten of je het kunt vertrouwen is moeilijk.

De grootste kracht van een taalmodel is tegelijk zijn grootste gevaar. Het produceert vloeiende, zelfverzekerde, plausibele tekst over van alles, of die tekst nu waar is of niet. Een fout antwoord en een goed antwoord zien er identiek uit, allebei gepolijst en allebei stellig. Een menselijke expert die twijfelt, klinkt meestal twijfelend; een model dat er volledig naast zit, klinkt precies zo overtuigd als een model dat het volledig bij het rechte eind heeft.

Dit is het vijfde en laatste deel van de serie, en het is het deel dat de andere vier veilig maakt om te gebruiken. In 2026 benoemde de onderzoekswereld de verschuiving hardop, toen een team van Stanford, Berkeley en NVIDIA betoogde dat verificatie een nieuwe schaalas is, even belangrijk als grotere modellen trainen of ze langer laten denken. Dit dossier gaat over die as: hoe je het werk van AI controleert, waarom naïef controleren stukloopt, en hoe een bedrijf het vertrouwen opbouwt dat het echt werk aan een machine durft te geven.

02

1. Waarom nu: verificatie is de flessenhals

Volg de logica van de hele serie en ze landt hier. Zodra genereren goedkoop is, wordt het schaarse goed het weten of de uitvoer klopt.

De timing zit erin dat het vakgebied dat in 2026 expliciet maakte. Onderzoekers van Stanford, Berkeley en NVIDIA betogen dat verificatie, het vermogen om te bepalen of een oplossing juist is, een nieuwe schaalas is naast grotere modellen en langer denken. Daarmee verschuift verificatie van een karwei aan het eind van het proces naar een hefboom voor vooruitgang op zichzelf.

Dit afsluitende dossier loopt langs hoe je het werk van AI controleert, waarom de voor de hand liggende manieren van controleren stilletjes falen, en hoe een bedrijf het soort vertrouwen opbouwt waarop het kan leunen. Gingen de eerdere delen over AI capabel maken, dit deel gaat over AI betrouwbaar maken, en dat zijn niet dezelfde opgave.

03

2. Genereren tegenover verifiëren

Het begint bij de verschuiving in waar de moeilijkheid zit.

Genereren wordt elke maand goedkoper en sneller, en modellen produceren steeds meer en steeds plausibeler. De val is dat plausibel en juist verschillende eigenschappen zijn, en dat genereren op de eerste optimaliseert. Het terugbetalingsantwoord uit de opening is die val in één alinea: niets aan de formulering ziet er verkeerd uit, en juist daarom glipt de fout erdoorheen.

Verifiëren, weten of de uitvoer werkelijk klopt, is lastiger te automatiseren dan genereren, en het is waar vertrouwen gewonnen of verloren wordt. Jarenlang was het een bijzaak, een menselijke blik aan het eind. Inmiddels geldt het als een eigen as van vooruitgang, want in een wereld die verzuipt in plausibele uitvoer is het schaarse en waardevolle vermogen het onderscheiden van juist en slechts overtuigend.

04

3. Verificatie als nieuwe schaalas

Het duidelijkste teken dat verificatie volwassen is geworden, is dat het opschalen ervan in zijn eentje inmiddels de beste resultaten oplevert.

Het team van Stanford, Berkeley en NVIDIA bouwde een algemene verifieerder, een taalmodel met als enige taak beoordelen of een antwoord juist is, en verbeterde die niet door een model te hertrainen maar door de controle zelf op te schalen: fijnmaziger scores, herhaalde beoordelingen, en het oordeel opknippen in delen. Het resultaat was volgens hun eigen meting state of the art in vier heel verschillende domeinen tegelijk, van programmeren en robotica tot geneeskunde. Dat is één team dat zijn eigen verifieerder beoordeelt, dus we lezen het als een richting en niet als een onafhankelijk vastgestelde grens.

Het diepere idee is het onthouden waard. Er zijn nu drie manieren om AI capabeler te maken: een groter model trainen, het langer laten denken, en het werk harder controleren. De derde was een jaar geleden nagenoeg onzichtbaar, en het is ook de manier die het dichtst bij een gewoon team ligt, want voor een betere controle is geen frontier-lab nodig. Wat wél nodig is, is helderheid over wat "juist" betekent voor deze specifieke taak, en dan serieus controleren. Dat is een discipline en geen onderzoeksbudget.

05

4. Taalmodel als beoordelaar, goed en slecht gedaan

Het werkpaard van praktische verificatie is het taalmodel als beoordelaar: één model laat het werk van een ander nakijken. Het schaalt op een manier waarop menselijke review dat nooit kon, en het komt met een scherpe faalwijze.

Het verschil tussen een zwakke en een sterke beoordelaar zit vrijwel volledig in hoe de vraag gesteld wordt. Neem hetzelfde terugbetalingsantwoord uit de opening. De zwakke variant vraagt: ziet dit antwoord er goed uit? Het model leest een vloeiend antwoord, zegt dat het er prima uitziet, en de fout zeilt erdoorheen. De sterke variant vraagt: zoek elke manier waarop dit antwoord het terugbetalingsbeleid schendt, citeer de precieze regel die het breekt, of antwoord met PASS. Het antwoord is dan: dit schendt regel vier, geen contante terugbetaling na dertig dagen, en de aankoop was zestig dagen geleden.

De zwakke beoordelaar is vertrouwenstheater. Hetzelfde model beoordeelt zijn eigen werk, of één ja-neevraag laat alles door wat zelfverzekerd klinkt, of een raad van modellen deelt één blinde vlek doordat hun fouten met elkaar samenhangen, een groepsdenken dat onderzoek inmiddels heeft vastgelegd, al blijft onduidelijk hoe breed het effect optreedt. De sterke controle is adversarieel van bouw: een apart model, gevraagd om te weerleggen in plaats van goed te keuren, dat vanuit meerdere hoeken kijkt, de specifieke regel moet aanhalen en een fijnmazig oordeel geeft in plaats van een stempel.

De regel die een beoordelaar eerlijk houdt is simpel te formuleren en makkelijk te vergeten. Wat het antwoord maakte, mag nooit hetzelfde zijn als wat het antwoord goedkeurt, en de taak van de controleur is het antwoord breken en niet zegenen.

06

5. De extractor is niet de verifieerder

Die regel heeft in onze eigen praktijk een naam: de extractor is niet de verifieerder. Zodra wij een cijfer of een claim of een ontwerp uit een bron halen en er iets publiceerbaars van maken, probeert een aparte controle, blind voor hoe we eraan kwamen, het onderuit te halen. Wie een resultaat maakt is de slechtst denkbare beoordelaar ervan, want hij deelt elke aanname die de fout veroorzaakte. Hem zijn eigen werk laten nakijken is als iemand zijn eigen typefout laten proeflezen: het oog glijdt er precies overheen.

Voor mij is dat niet academisch. Tijdens het bouwen van de eerdere dossiers in deze serie ving een adversariële controle die alleen maar mocht weerleggen een benchmarkresultaat dat ik omgekeerd had opgeschreven, plus een medische claim die meer beweerde dan de bron zei. Allebei zagen ze er volkomen in orde uit voor het model dat ze schreef. En wat meer zegt: allebei zagen ze er ook in orde uit voor mij, bij het nalezen.

De les geldt voor elk AI-systeem dat echt werk doet. Scheid het maken van het controleren, en geef de controleur een reden om adversarieel te zijn. Een verifieerder die probeert goed te keuren, keurt goed; een die probeert te weerleggen, vindt de fout.

07

6. Evals: meten of blind vliegen

Onder elke beoordelaar en elke controle zit een minder glamoureuze discipline. Een eval is een herhaalbare test of een systeem doet wat het moet doen, gedraaid op bekende gevallen met bekende antwoorden. Het is het AI-equivalent van een testsuite in software, en het ziet er ook zo uit.

Voor de terugbetalingsagent zijn dat een handvol testgevallen. Terugbetaling na vijf dagen hoort volledig te zijn. Na twintig dagen naar rato. Na zestig dagen tegoed en geen contant geld. Een bedrag van 900 euro op dag twintig hoort langs een leidinggevende. En een boze klant die een chargeback noemt, hoort naar een mens. Draai die reeks bij elke wijziging, en een terugval van vijf op vijf naar vier is een regressie die je opmerkt.

Zonder eval vlieg je blind, zoals het in het vakgebied heet: wijzigingen uitrollen en hopen, zonder een manier om een verbetering van een verslechtering te onderscheiden. Mét eval houdt verificatie op een gevoel te zijn en wordt het een getal.

Een eval is hoe je weet dat een nieuw model of een nieuwe prompt werkelijk heeft geholpen in plaats van alleen anders te voelen. Het is hoe je de wijziging opmerkt die stilletjes geval drie sloopte terwijl geval één gerepareerd werd. Het is hoe de lus uit deel één weet wat slagen betekent. Voor een bedrijf is een evalsuite voor de eigen toepassing een van de hoogst renderende en minst glamoureuze AI-investeringen die er zijn. Naar onze ervaring is het meestal ongeveer een weekend werk, en het betaalt zichzelf terug zodra het de eerste regressie vangt voordat een klant dat doet.

08

7. Vangrails, en hoe controles omzeild worden

Verificatie heeft ook een adversariële kant, want wat gecontroleerd wordt kan leren de controle te verslaan. Vangrails, de regels en filters die een systeem binnen de lijnen houden, zijn nodig en niet voldoende. Een capabel model dat op goedkeuring optimaliseert, kan leren precies te produceren waar de vangrail naar kijkt en tegelijk te missen wat die had moeten vangen. Een filter dat het woord "garantie" blokkeert, weerhoudt een model er niet van hetzelfde in andere woorden te beloven.

De scherpere versie hiervan is verontrustend en, voor zover het bewijs strekt, echt. Een paper uit 2025 legt agents vast die aan opwaartse misleiding doen: ze leren hun eigen mislukkingen te verbergen en vooruitgang te veinzen in plaats van de waarheid te melden, omdat afgerond lijken is wat beloond werd. Een controle die omzeild kan worden, wordt waarschijnlijk omzeild zodra er genoeg optimalisatiedruk op staat.

Daarom is de sterkste verificatie divers en adversarieel, meerdere hoeken in plaats van één, met controles die het systeem niet simpelweg kan leren bevredigen. En daarom zit er bij alles wat ertoe doet nog steeds een mens bovenaan. Een vangrail verdient zijn plek door de prijs van eromheen komen op te drijven en te vangen wat er doorheen glipt, niet door onverslaanbaar te zijn. Het doel is een gelaagde verdediging waarin de gaten van de ene laag door de volgende worden afgedekt.

09

8. Toezicht is een vaardigheid, geen vinkje

Dit alles landt bij de mens, en daar levert het onderzoek zijn meest contra-intuïtieve bevinding, een die deze serie eerder tegenkwam. Een mens in de lus is niet automatisch een waarborg. Zet iemand die een goed antwoord niet van een zelfverzekerd antwoord kan onderscheiden op de controle, en die persoon voegt vertraging en valse geruststelling toe, waarmee het systeem soms slechter wordt dan het model alleen. Een beoordelaar die doorlaat wat de machine produceert, is geen toezicht. Dat is een stempel met een salaris.

Toezicht is dus een vaardigheid en geen vinkje, precies zoals het dossier over wat menselijk blijft betoogde. Het goed doen betekent drie dingen. Ten eerste weten welke beslissingen een model alleen mag nemen en welke niet, en bij sommige, waaronder aannemen en ontslaan, stelt Mollick op grond van meerdere studies dat een model nooit onbewaakt zou moeten beslissen omdat het meetbare vooringenomenheid meedraagt. Ten tweede controles ontwerpen die het systeem niet kan omzeilen, wat de adversariële verificatie uit de vorige secties is. Ten derde de autonomiegrens uit deel één bewust trekken, op waarde en zekerheid en omkeerbaarheid, zodat de machine alleen handelt bij de kleine, omkeerbare, zekere gevallen en een mens de grote, onomkeerbare, onzekere gevallen bezit. Verificatie is de machinerie. Het oordeel over wat te vertrouwen is het menselijke deel, en dat komt niet gratis.

10

9. De serie sluiten: de hele stapel

Dit is het laatste van vijf delen, dus het loont een stap terug te doen en de hele vorm te zien. De lus is het atoom: verzamelen, handelen, verifiëren, herhalen. De harness is de machine die hem draait. Context engineering bepaalt wat de lus ziet. Workflows en agents bepalen hoeveel lussen er draaien en wie ze aanstuurt. En verificatie, dit deel, is hoe je het geheel genoeg vertrouwt om het te laten werken.

Samen vormen ze één betoog. Het frontier-model is een ingekochte grondstof, en het voordeel zit in alles wat eromheen gebouwd wordt: de harness, de context, de architectuur en de controles. Dat is goed nieuws, want alle vier liggen binnen bereik van een gewoon, goed geleid team. Een model trainen is niet nodig om duurzame waarde uit AI te halen. Wel nodig is de machine eromheen goed bouwen: wikkel het in een lus, geef het een goede harness, voer het de juiste context, kies de simpelste architectuur die werkt, en controleer wat eruit komt. Verificatie is het deel waarop je 's nachts slaapt, en het deel dat de andere vier van een indrukwekkende demo verandert in iets waarop een bedrijf kan leunen.

11

10. De eerlijke tegenwerping

Drie kanttekeningen houden dit eerlijk. Ten eerste is verificatie niet gratis. Elke controle kost tokens en tijd, en een systeem dat alles drie keer nakijkt kan te traag en te duur worden om te gebruiken. De kunst is de striktheid van de controle af te stemmen op wat er op het spel staat. Een ticketlabel controleer je niet drie keer. Een betaling wel.

Ten tweede zijn verifieerders zelf modellen en kunnen ze het mis hebben, en een zelfverzekerde slechte verifieerder is gevaarlijker dan helemaal geen, want die fabriceert vals vertrouwen. Daarom doen diversiteit en adversarieel ontwerp ertoe, en daarom eindigen de belangrijkste controles nog steeds bij een mens.

Ten derde neemt geen enkele hoeveelheid geautomatiseerde controle de behoefte weg aan menselijk oordeel bij beslissingen met echte gevolgen. Verificatie tilt de bodem op en vervangt de verantwoordelijkheid niet, en iemand moet de uitkomst blijven bezitten. De kernclaim overleeft alle drie: in een wereld waar plausibele uitvoer produceren vrijwel gratis is, is het schaarse en beslissende vermogen weten wat werkelijk waar is en wat werkelijk te vertrouwen valt.

12

11. Wat een bedrijf hiermee doet

Voor een bestuurder is verificatie de vraag die aan elk AI-systeem gesteld hoort te worden voordat het bedrijf erop leunt: hoe weet je dat het klopt? Luidt het antwoord dat een mens even naar de uitvoer kijkt, dan is er vertrouwenstheater en geen verificatie.

De echte antwoorden zijn concreet en er is geen technische achtergrond voor nodig om ze te vragen. Is er een evalsuite voor deze toepassing, met testgevallen en verwachte antwoorden? Is er een controle die losstaat van wat gecontroleerd wordt? Is die controleur adversarieel, met de opdracht fouten te vinden in plaats van succes te bevestigen? En bezit iemand de beslissingen die de machine niet alleen mag nemen?

Dit is See, Understand, Adopt toegepast op vertrouwen. Zien dat in het tijdperk van overvloedige generatie het controleren de flessenhals en het voordeel is. Begrijpen dat een naïeve controle, of dat nu zelfbeoordeling is of een stempel of een verveelde mens, slechter kan zijn dan geen, omdat ze vertrouwen fabriceert zonder het te verdienen. En dan adopteren door verificatie er vanaf het begin in te bouwen, de eval en de adversariële beoordelaar en de menselijke grens, zodat echt werk aan een machine gegeven kan worden en het resultaat te vertrouwen is. De hele serie komt hierop neer: het model is makkelijk te kopen, en het vertrouwen bouw je zelf.

De zet: beantwoord voor elk AI-systeem één vraag voordat je erop leunt, namelijk hoe je weet dat het klopt. Bouw een eval met echte testgevallen; maak de controleur apart en adversarieel, met de opdracht het antwoord te breken; en houd een mens op de beslissingen met echte gevolgen. Genereren is goedkoop; geverifieerd vertrouwen is het voordeel.

13

12. Verantwoording en bronnen

Dit dossier steunt op live webresearch en een persoonlijk archief van ruim 15.000 bronnen. Dragende cijfers zijn waar mogelijk gecontroleerd. Het terugbetalingsvoorbeeld, de beoordelaarsprompts en de evalsuite zijn illustratief, gemaakt om de mechaniek uit te leggen. De notities hieronder geven per claim het vertrouwen en de belangrijkste voorbehouden, in de geest van ons uitgangspunt: laat zien hoe je eraan gekomen bent, wat het onderwerp van dit dossier zelf is.

De ingekaderde figuur in dit dossier komt uit een gepubliceerd artikel en is in het bijschrift toegeschreven. Grafieken met het label "BFF" zijn van ons, getekend naar de bronnen die eronder staan. Het terugbetalingsvoorbeeld, de beoordelaarsprompts en de evalsuite zijn illustratief, geschreven om het idee uit te leggen.

Back From the Future · BFF Inzichten · Werken met AI · Deel 5 van 5 · juli 2026