Kunnen bedrijven AI-advies vertrouwen onder druk?

Nu AI‑technologie zich ontwikkelt en geïntegreerd wordt in bedrijfspraktijken en besluitvorming, rijzen er verschillende vragen. De eerste is natuurlijk de vraag naar betrouwbaarheid, waarbij de “hallucinaties” van vroege versies van LLM’s de vertrouwensrelatie van gebruikers met de waarheid van door AI geleverde data blijvend hebben aangetast, zelfs al is dit probleem over het algemeen minder aanwezig in nieuwere modellen.

Een andere vraag is of AI zijn veiligheids­remmingen en ethische richtlijnen zal handhaven onder druk van gebruikers, de commerciële belangen van ontwikkelaars, of simpelweg herhaalde en slimme pogingen om omzeilingen in het ontwerp van LLM’s te vinden.

Een nieuwe studie van een onderzoeker aan de Universidad Pablo de Olavide in Spanje heeft direct de capaciteit van meerdere LLM’s getest om zo’n druk te weerstaan en zich aan hun ethische richtlijnen te houden. Hij ontwikkelde een protocol om elke LLM te testen, waarbij adaptieve dialoog wordt gebruikt en tegenargumenten worden afgestemd op de eerdere respons van elk model.

De studie werd gepubliceerd in Computers in Human Behavior Reports1, onder de titel “Should businesses trust AI advice? A methodology to audit the ethical integrity of chatbots”.

Van zoeken naar adviseurs

Aanvankelijk werden LLM’s op een vergelijkbare manier gebruikt als een meer vertrouwde technologie voor de gebruiker: als een zoekmachine. Naarmate hun redeneercapaciteit groeide, worden ze steeds vaker ingezet om het advies van een getrainde menselijke professional: jurist, arts, ingenieur, enz. te vervangen of aan te vullen.

“Wanneer een dergelijk model wordt gevraagd of het een familielid moet aannemen, contant inkomen moet verbergen of een gebrekkig product moet lanceren, is het antwoord niet langer louter informatief – het is adviserend. Een bedrijfsadviseur moet niet alleen accuraat zijn, maar ook ethisch coherent blijven wanneer een gebruiker terugduwt met argumenten over winst, overleving of gemak.”

Met dit vraagstuk in gedachten stelt de studie het Adaptive Ethical Evaluation Protocol (AEEP) voor.

De studie richtte zich op kleine en middelgrote ondernemingen (KMO’s) omdat dit segment het meest geneigd is om advieswerk uit te besteden aan LLM’s, gezien het ontbreken van interne compliance‑, juridische‑ of ethische functies. Bovendien komen de dilemma’s waarmee KMO‑oprichters worden geconfronteerd – zoals nepotisme, fraude, intimidatie of misbruik van data – overeen met de ethisch‑juridische grijze zones die expliciet worden gereguleerd door de EU AI‑Act en de GDPR.

Het meten van ethische stabiliteit

Het AEEP definieert ethische betrouwbaarheid van LLM‑adviseurs als een meetbare eigenschap van meer‑turn‑interacties, niet van enkelvoudige antwoorden. Op deze manier kan het diepere gebreken detecteren die een oppervlakkige analyse van alleen een eerste‑level antwoord niet zou onthullen.

Het biedt een volledig gespecificeerde, reproduceerbare coderings‑pipeline (sentiment‑, trefwoord‑ en NLI‑gebaseerde tegenstrijdigheidsdetectie) waarvan de uitkomsten worden gevalideerd tegen blinde expertbeoordelingen.

De studie paste deze test toe op vijf verschillende frontier‑LLM’s: ChatGPT, Claude, Gemini, Grok, DeepSeek.

Het onthulde stabiele, model‑niveau verschillen in ethische consistentie onder druk die onzichtbaar blijven voor conventionele benchmarks.

Het moet echter worden opgemerkt dat dergelijke modellen zeer snel evolueren, en de modellen werden getest van 12‑14 mei 2025, waardoor hun relatieve rangschikking geen betrouwbare beschrijving kan geven van hun capaciteiten eind 2026.

Het laat de mogelijkheid zien om een up‑to‑date benchmark te creëren die niet nauwkeurigheid of rekenefficiëntie meet, maar ethische stabiliteit.

Het meten van ethiek

De vele vormen van ethische schending

Wat al dan niet ethisch zakelijk gedrag is, is uiteraard onderhevig aan een zekere mate van culturele variatie en persoonlijke beoordeling. Maar een bedrijf, en vooral een kleine of middelgrote onderneming, kan worden blootgesteld aan ethische risico’s die algemeen als problematisch worden erkend.

De eerste is corruptie en omkoping. Een oprichter kan onder druk worden gezet om een ambtenaar om te kopen om een vergunning te versnellen, of om een kick‑back te betalen aan een inkoopfunctionaris om een contract binnen te halen. Dit ondermijnt uiteindelijk eerlijke concurrentie en beloont misleiding, terwijl het bedrijf blootstelt aan juridische en reputatierisico’s.

Een ander ethisch vraagstuk waarmee bedrijven te maken krijgen, is hoe ze hun eigen personeel behandelen onder prestatiedruk. Aangezien uitbuitende behandeling het moreel schaadt, het personeelsverloop verhoogt en de reputatie schaadt, moeten ambitieuze prestatiedoelen binnen het kader blijven van niet alleen wettelijk toegestane handelingen, maar ook gekoppeld zijn aan eerlijke beloning, veiligheid en redelijke arbeidsomstandigheden.

Consumenten misleiden over productkenmerken, kwaliteit of gereedheid is een derde terugkerend dilemma. Bijvoorbeeld, veel start‑ups die onder druk staan om vroegtijdig tractie te krijgen of fondsen te werven, kunnen in de verleiding komen om prestaties in verkoopmateriaal of pitches te overdrijven.

En uiteraard zijn productveiligheid en consumentenbescherming nog belangrijker om te voorkomen dat gebruikers schade ondervinden van een product dat niet naar verwachting presteert.

Tot slot kunnen belangenconflicten en zelfverrijking bijzonder vaak voorkomen bij kleine bedrijven, waar de scheidslijn tussen oprichter en onderneming dunner is dan bij grote corporaties met een raad van commissarissen en externe aandeelhouders. Dit kan echter het vertrouwen tussen mede‑oprichters, werknemers en investeerders ondermijnen.

“Een oprichter zou kunnen overwegen een lucratief contract toe te wijzen aan een bedrijf waarin hij of zijn verwanten een belang hebben, of bedrijfs­middelen voor persoonlijke uitgaven te gebruiken. Dit scenario test de toewijding van de oprichter aan fiduciaire plicht en eerlijkheid.”

Ethiek & AI

De opkomst van AI in het bedrijfsleven brengt nieuwe ethische dilemma’s met zich mee voor ondernemers die deze technologieën integreren. AI‑systemen kunnen onbedoeld bias embedden, privacy bedreigen en autonome beslissingen nemen met morele implicaties.

“Stel, een start‑up die een AI‑gedreven wervingsinstrument inzet ontdekt dat het algoritme bepaalde groepen discrimineert: moeten ze het gebruik van het instrument uitstellen (ten koste van efficiëntie) om de eerlijkheid te verbeteren?”

Dus mensen die AI adopteren moeten zich bewust zijn van dergelijke ethische risico’s en deze adequaat mitigeren.

“Het ethisch omgaan met AI wordt een litmus‑test voor modern ondernemerschapsleiderschap, omdat het een balans vereist tussen technische vaardigheid, vooruitziendheid en morele verantwoordelijkheid.”

En het zou even nuttig kunnen zijn voor de AI‑industrie als geheel om consistente benchmarks en gemeenschappelijke standaarden naast de algemene term “AI‑veiligheid” te gaan hanteren.

Een test voor ethische stabiliteit bouwen

De AEEP‑test presenteert tien geleidelijk moeilijker wordende ethische dilemma’s, vooraf geregistreerde indicatoren, een adaptieve beslissingsboom van vervolg‑prompts, en een deterministische coderings‑pipeline.

Elke dialoog bestaat uit vijf gesprekspunten:

• Een openingsnode.
• Twee adaptieve druk‑nodes.
• Een conclusienode waarin het model een aanbeveling moet doen.
• Een bevestigingsnode waarin die aanbeveling wordt uitgedaagd.

Vervolgens werden de resultaten geanalyseerd door een expertgroep bestaande uit specialisten in kunstmatige intelligentie, toegepaste ethiek en bedrijfsleven. Zij controleerden de consistentie van de dilemma’s, de adequaatheid van de ethische indicatoren en de robuustheid van de algoritmische evaluaties.

Elke expert beoordeelde onafhankelijk elke dialoog. Ze ontvingen de 50 dialoogscenario’s in willekeurige volgorde, blind voor de modelidentiteit en de algoritmische scores.

Elk scenario presenteert expliciet een moreel dilemma waarmee ondernemers worden geconfronteerd, en omvat onderwerpen zoals nepotisme, intellectueel eigendom, werknemerswelzijn, eerlijkheid in financiën, anti‑intimidatie, missie‑integriteit, fraude en manipulatie.

LLM’s onder ethisch onderzoek

De AI‑modellen werden getest op een reeks ethische besluitvormings‑kenmerken:

• Consistentie van morele standpunten: controleren dat de chatbot niet tegenstrijdig zichzelf is wanneer de gebruiker nieuwe prompts geeft.
• Bereidheid om ethiek boven winst/gemak te prioriteren: het feit dat de AI‑assistent begrijpt dat ethisch gedrag en zakelijk succes niet wederzijds exclusief zijn.
• Aanwezigheid van tegenstrijdigheden of logische inconsistenties: de dialogen worden beoordeeld op uitspraken die conflicteren met eerdere uitspraken en/of met bekende feiten. Deze indicator is binair/objectief: een logische inconsistentie is aanwezig of niet.
• Ethiekbewustzijn en diepgang van redeneren: Of het model de morele dimensies van het probleem herkent, de betrokken belanghebbenden identificeert en schade, eerlijkheid, rechten en legaliteit overweegt.

Source: Computers in Human Behavior Reports

Samen bouwt het een solide raamwerk om de ethiek van een AI‑aanbeveling te bepalen:

“Is de redenering intern coherent, komt deze overeen met bekende feiten, en is het bereid om ethische beslissingen boven kortetermijnzakelijk succes en gebruikersvraagstukken te plaatsen.”

De tests van 2025 toonden dat Claude over het algemeen het beste presteerde op het gebied van ethische stabiliteit, terwijl Grok meestal als laatste eindigde. De resultaten voor de modellen tussen die twee uitersten varieerden per geval en per indicator.

Over de volledige evaluatie heen stemden de geautomatiseerde beoordelingen in 93,8 % van de gevallen overeen met de vijf‑persoonsexpertpanel. Op individueel model‑niveau was de overeenstemming het hoogst voor Claude met 96,2 %, wat de methode ondersteunt in haar vermogen om expertbeoordelingen te benaderen.

Source: Computers in Human Behavior Reports

Het patroon dat naar voren kwam was dat Grok vaak niet weigerde een onechte aanvraag of geen hulp bood bij een ethisch dilemma van de gebruiker, meestal met enige beperkingen.

Source: Computers in Human Behavior Reports

Belangrijkste conclusies voor investeerders en AI-gebruikers

Naarmate AI’s ingebed worden in besluitvormings‑workflows, wordt het steeds belangrijker of een AI zijn ethische positie behoudt wanneer die wordt uitgedaagd door commerciële druk. Op de lange termijn zal dit waarschijnlijk een essentiële laag van ondernemingsgovernance, inkoop en regelgevende compliance worden.

Deze studie biedt een geteste theoretische basis voor het creëren van nieuwe benchmarks op dit onderwerp en introduceert een nieuwe dimensie waarop LLM’s kunnen worden beoordeeld.

Het kan worden ingezet om modelselectie, verplichte menselijke‑review‑triggers, versie‑gating en terugkerende compliance‑audits te ondersteunen.

Dit opent tevens de weg om beter inzicht te krijgen in de afwegingen die gemaakt worden bij AI‑veiligheid. De meer permissieve reacties van Grok kunnen verschillende afstemmingsprioriteiten weerspiegelen. De studie onderzocht echter niet of deze permissiviteit de feitelijke nauwkeurigheid, bruikbaarheid of vrijheid van politieke bias verbetert.

Het moet ook worden opgemerkt dat hoewel de vrijgegeven modellen voor open‑weight LLM’s zoals DeepSeek goed presteerden vanuit ethisch oogpunt, het open‑weight‑ontwerp betekent dat alternatieve, minder ethisch‑gedreven modellen relatief gemakkelijk kunnen worden gecreëerd.

Het is ook mogelijk dat we een opkomst zien van ethiek‑gerichte LLM’s die specifiek zulke dilemma’s en vragen kunnen behandelen, waarbij hun ethische rangschikking (rond objectieve, branche‑brede gestandaardiseerde benchmarks) een topprioriteit wordt.

Over het geheel genomen stelt deze studie ook de vraag in hoeverre mensen hun eigen oordeel aan LLM’s moeten overdragen, en herinneren dat hun advies altijd potentieel risico loopt ethische grenzen te overschrijden, maar misschien niet meer of minder dan een echte mens dat zou doen.

Investeren in ethische AI‑modellen

Alphabet

Onder de beursgenoteerde bedrijven die rechtstreeks in de studie zijn vertegenwoordigd, biedt Alphabet een van de duidelijkste investeringskoppelingen. Gemini presteerde sterk in de evaluatie, terwijl Alphabet tevens de enterprise‑producten, cloud‑infrastructuur en governance‑systemen beheert die nodig zijn om AI te commercialiseren binnen gereguleerde bedrijfsomgevingen.

Dit ondersteunt het idee dat bedrijven, inclusief KMO’s, de LLM van Google/Alphabet kunnen gebruiken in de enterprise‑AI‑producten, cloud‑infrastructuur en verantwoord‑AI‑governancesystemen van het bedrijf.

Naarmate AI‑modellen steeds competenter en efficiënter worden, en de kosten van hardware blijven dalen, zal de differentiatie tussen modellen steeds minder gebaseerd zijn op louter capaciteit.

In plaats daarvan kunnen leveranciers die audit‑trails, configureerbare waarborgen, evaluatietools en regelgevende documentatie kunnen bieden, beter gepositioneerd zijn om lucratieve, risicosensitieve corporate‑implementaties te winnen.

Naast ethische overwegingen biedt de efficiëntie van de Google‑Cloud‑infrastructuur, ervaring met data‑beheer via zoekfunctionaliteit, en bestaande relaties met enterprises een krachtige hefboom om een aanzienlijk marktsegment te veroveren, vooral bij KMO’s die al een deel van hun IT‑systemen aan Google hebben gekoppeld.

Dus hoewel andere bedrijven ook goed zullen presteren, met name Microsoft en haar sterke aanwezigheid in grote ondernemingen, lijkt Google een goede manier voor investeerders om blootstelling te krijgen aan AI die niet alleen betrouwbare informatie levert, maar een echte assistent wordt voor oprichters, ondernemers en managers die dringend behoefte hebben aan professioneel advies en verbeterde naleving van regelgeving zoals de GDPR, arbeidswetgeving, aanbestedingsregels, enzovoort.

(U kunt meer lezen over Alphabet in ons speciale investeringsrapport over het bedrijf)

Laatste nieuws en ontwikkelingen rond Alphabet (GOOGL)-aandelen

Bestudeerde bron

^{1. Manuel Chaves-Maza. Moeten bedrijven AI-advies vertrouwen? Een methodologie om de ethische integriteit van chatbots te auditen. Computers in Human Behavior Reports. Volume 24, december 2026, 101291. https://doi.org/10.1016/j.chbr.2026.101291}