Grounding in AI

Grounding betekent dat een AI-model zijn antwoord baseert op bronnen die je het geeft, zoals je eigen documenten, een productdatabase of een zoekopdracht op het web, in plaats van alleen op wat het tijdens de training heeft opgepikt. Een chatbot in een webshop antwoordt dan vanuit je echte leveringsvoorwaarden en kan de passage tonen die hij gebruikte, zodat een medewerker of klant het antwoord kan controleren.

Wat betekent grounding bij taalmodellen?

Google Cloud omschrijft grounding als het vermogen om de uitvoer van een model te verbinden met controleerbare informatiebronnen. Heeft een model toegang tot bepaalde gegevensbronnen, dan blijft zijn uitvoer aan die gegevens gebonden en verzint het minder snel iets. Google noemt minder hallucinaties en links naar de bronnen als de voordelen. Het woord is ouder dan taalmodellen: in 1990 beschreef de cognitiewetenschapper Stevan Harnad het symbol grounding problem, de vraag hoe de symbolen in een computersysteem een eigen betekenis krijgen, los van de betekenis die mensen eraan geven.

Hoe werkt grounding?

Voordat het grote taalmodel antwoordt, voegt het systeem de relevante bronnen toe aan de prompt. Gangbare manieren om ze te vinden:

• Zoeken in je eigen documenten: RAG (retrieval-augmented generation).
• Zoeken op het web. Google biedt grounding met Google Search aan voor zijn Gemini-modellen.
• Actuele gegevens uit een systeem, zoals de voorraad of de status van een bestelling, opgehaald via function calling.
• Feiten uit een knowledge graph.

Twee extra stappen maken een antwoord controleerbaar. Met bronvermelding wijst het model de passages aan die het gebruikte: de functie Citations van Anthropic (januari 2025) knipt documenten in zinnen en laat Claude bij elke bewering naar de precieze zinnen verwijzen. Een controle achteraf vergelijkt het antwoord met de bronnen: de groundedness detection van Microsoft markeert uitspraken die het bronmateriaal niet ondersteunt. Volgens de documentatie (laatst herzien in november 2025) werkt die alleen met Engelse tekst.

Voorkomt grounding hallucinaties?

Het vermindert ze. In een menselijke beoordeling door Shuster e.a. (Facebook AI Research, 2021) hallucineerde een chatbotmodel zonder zoekstap in 68,2% van zijn antwoorden over Wikipedia-onderwerpen die het in de training niet had gezien; met zoekstap lag dat tussen 7,9% en 21,5%, afhankelijk van de opzet.

Het maakt er geen einde aan. De makers van juridische onderzoekstools van LexisNexis en Thomson Reuters, die jurisprudentie opzoeken voordat ze antwoorden, prezen ze aan als tools die hallucinaties vermijden of "hallucination-free" bronvermeldingen geven. In een vooraf geregistreerd onderzoek vonden Magesh e.a. (2024) dat deze tools toch in 17 tot 33% van de gevallen hallucineerden. De zoekstap kan de verkeerde passages opleveren, en het model kan nog steeds beweringen toevoegen die zijn bronnen niet ondersteunen. De benchmark FACTS Grounding van Google DeepMind (januari 2025) meet dat: modellen krijgen een document van maximaal 32.000 tokens en een opdracht, en meerdere AI-beoordelaars controleren of het lange antwoord volledig door het document wordt gedekt.

Voorbeeld

Stel: een administratiekantoor laat klanten in een chatvenster vragen stellen over belastingdeadlines. Zonder grounding antwoordt het model vanuit zijn trainingsdata, die verouderd kunnen zijn. Met grounding doorzoekt het systeem eerst het eigen, actuele overzicht van deadlines van het kantoor, geeft het de passende passage met de vraag aan het model en toont die passage onder het antwoord. Vindt de zoekstap niets relevants, dan zegt de bot dat en verwijst hij de klant door naar een adviseur.