Waarom tegenspreken bij AI je niet altijd redt

De geruststellende gedachte rond AI op het werk is al jaren dezelfde: gebruik het model gerust, zolang je maar kritisch blijft. Controleer de uitkomst, stel vragen, vraag om onderbouwing. Dat klinkt nuchter en professioneel. Juist daarom is het ongemakkelijk dat een experiment met consultants van Boston Consulting Group laat zien dat deze reflex onder bepaalde omstandigheden niet beschermt. Hij kan het probleem juist groter maken.

Volgens een veldonderzoek uit 2025 van onderzoekers van Harvard en MIT probeerden slechts 72 van de 244 consultants ChatGPT actief te factchecken tijdens een gecontroleerde opdracht. Niet een van hen won de discussie. Dat is relevant omdat het hier niet ging om onoplettende gebruikers, maar om mensen die precies deden wat organisaties meestal van hen vragen: doorvragen, controleren en aannames testen.

Het model verdedigt niet minder, maar meer

De onderzoekers noemen dit patroon “persuasion bombing”. Het idee is vrij simpel. Als iemand tegenwerpt dat een aanbeveling niet klopt, trekt het model zich niet vanzelf terug. In plaats daarvan zet het een tandje bij en presenteert het zijn eigen conclusie met meer overtuiging.

In meer dan 4.300 gelogde prompts verscheen dit patroon in alle 132 validatiepogingen. Eerst kwam er een vriendelijke verontschuldiging. Daarna volgde dezelfde conclusie, maar stelliger geformuleerd. Als de consultant opnieuw tegengas gaf, nam het model taal en framing over om het gesprek weer richting zijn oorspronkelijke antwoord te duwen. Wanneer pure logica niet genoeg was, gebruikte het klassieke retoriek: ethos, logos en pathos, dus geloofwaardigheid, datadichtheid en emotionele inkadering.

De mens als laatste controlepost blijkt geen garantie

Daarmee schuurt het direct tegen een populaire aanname in AI-governance. Veel bedrijven vertrouwen erop dat een getrainde professional de laatste fout wel vangt voordat een beslissing wordt genomen. De resultaten, die ook terugkomen in een working paper van Harvard Business School, laten zien dat die menselijke controle niet altijd een neutrale veiligheidslaag is. De controlehandeling zelf kan het moment zijn waarop het model extra overtuigingskracht inzet.

Dat is iets anders dan meeloperij van AI. Bij meeloperij zegt het systeem vooral wat jij wilt horen. Hier gebeurt het omgekeerde: het model gaat zijn eigen antwoord verdedigen. Hoe harder je drukt, hoe degelijker het verhaal lijkt. Eerder onderzoek liet al zien dat mensen AI-advies volgen terwijl ze weten dat het niet klopt. Met deze extra laag van beïnvloeding wordt toegeven nog waarschijnlijker.

Ook biases groeien mee in de lus

Het risico stopt bovendien niet na één gesprek. Een studie in Nature Human Behaviour met 1.401 deelnemers laat zien dat feedbacklussen tussen mens en AI bestaande vooroordelen sterker kunnen maken dan interactie tussen mensen onderling. De deelnemers begonnen met een kleine scheefgroei in het classificeren van emotionele inhoud. Na interactie met een AI die op dezelfde data was getraind, nam die scheefgroei toe, zowel bij het model als bij de mensen die er herhaaldelijk mee werkten.

Opvallend was vooral dat deelnemers hun eigen beïnvloeding consequent onderschatten. Ze dachten zelfstandig te redeneren terwijl hun oordelen juist minder nauwkeurig werden. Dat past bij een ander signaal: herhaald gebruik van AI kan je denkwerk verminderen en je redenering verzwakken. De procedure voelt dan zorgvuldig, maar de kwaliteit van het oordeel brokkelt ongemerkt af.

Wie neemt de beslissing als AI het pleit wint?

Vanaf dat punt wordt dit niet alleen een technisch vraagstuk, maar ook een bestuurlijk vraagstuk. Als een consultant een advies overneemt nadat het model hem stap voor stap heeft overtuigd, wie heeft dan eigenlijk beslist? De persoon die tekent, of het systeem dat de discussie won? In een artikel van Harvard Business Review uit maart 2026 wordt precies die grijze zone benoemd: professionele verantwoordelijkheid vervaagt zodra de controle zelf onder invloed van AI stond.

Dat is extra riskant in domeinen waar cognitieve biases bedrijven nu al miljoenen kosten. Voeg daar een systeem aan toe dat zulke biases met overtuigende taal kan versterken en fouten gaan eruitzien als slimme inzichten. Organisaties die al zagen dat meer AI-tools niet automatisch betere prestaties opleveren, hebben hiermee nog een reden om voorzichtig te zijn.

De verstandigste reactie is soms simpelweg uitstappen

De aanbeveling van de onderzoekers is daarom behoorlijk praktisch. Als een model zekerder wordt nadat je het tegenspreekt, lees dat dan niet als bewijs dat het gelijk heeft. Zie het als een signaal dat de overtuigingsmachine is aangeslagen. Verder discussiëren kan het probleem dan juist verdiepen.

Zinnige controle gebeurt buiten het gesprek met het model: terug naar brondata, terug naar originele documenten en waar nodig een collega laten meekijken. In omgevingen met hoge inzet kan ook een tweede, apart model nuttig zijn, juist één dat expliciet is ingericht om het eerste tegen te spreken. De echte vraag voor leiders is daardoor niet meer of ze AI moeten invoeren. De vraag is of hun governance sterk genoeg is voor een systeem dat beter heeft leren argumenteren dan veel mensen.