ChatGPT, Claude en Gemini geven verrassend vaak hetzelfde antwoord: nieuw AI-model wil dat patroon doorbreken

dinsdag, 07 juli 2026 om 6:20

De grootste AI-chatbots ter wereld blijken veel minder origineel dan gebruikers denken. Onderzoekers hebben vastgesteld dat taalmodellen van verschillende ontwikkelaars opvallend vaak naar vrijwel identieke antwoorden convergeren. De Australische startup Springboards wil dat patroon doorbreken met een nieuw taalmodel, Flint, dat juist is ontworpen om creatievere en minder voorspelbare antwoorden te genereren.

De discussie raakt een fundamenteel vraagstuk binnen generatieve AI. Bedrijven als OpenAI, Anthropic en Google hebben hun modellen de afgelopen jaren steeds betrouwbaarder gemaakt. Volgens Springboards is dat echter ten koste gegaan van iets anders: originaliteit.

Het probleem heet 'Artificial Hivemind'

De aanleiding voor de discussie is niet alleen de introductie van Flint. Achter de schermen groeit ook de wetenschappelijke aandacht voor wat onderzoekers het Artificial Hivemind noemen.

Tijdens NeurIPS 2025, een van de belangrijkste AI-conferenties ter wereld, won een onderzoeksteam van de University of Washington de Best Paper Award met een studie waarin meer dan 70 grote taalmodellen werden onderzocht. Daarbij analyseerden de onderzoekers duizenden open vragen waarop geen goed of fout antwoord bestaat.

Hun conclusie is opvallend: verschillende AI-modellen produceren niet alleen vaak dezelfde antwoorden, maar gebruiken ook vergelijkbare formuleringen, metaforen en creatieve invalshoeken.

Dat gebeurt op twee niveaus:

Intra-model homogeniteit: één model geeft bij herhaalde vragen vrijwel hetzelfde antwoord.
Inter-model homogeniteit: verschillende modellen van concurrerende bedrijven komen onafhankelijk tot bijna identieke antwoorden.

Zelfs verschillende AI-bedrijven denken hetzelfde

Het onderzoek laat zien dat dit verschijnsel veel verder gaat dan toeval.

Toen onderzoekers 25 verschillende taalmodellen vijftig keer vroegen een metafoor over tijd te schrijven, bleek een groot deel uit te komen op vrijwel dezelfde beelden:

"Time is a river"
"Time is a weaver"

Ondanks verschillende architecturen, datasets en ontwikkelaars ontstond dus opvallend weinig variatie. Volgens de onderzoekers kan dat uiteindelijk leiden tot gedeelde blinde vlekken wanneer AI steeds vaker wordt ingezet voor onderwijs, wetenschap, besluitvorming en creatieve werkzaamheden.

Springboards wil AI juist minder voorspelbaar maken

Volgens Springboards-oprichter Pip Bingemann zijn moderne taalmodellen te sterk geoptimaliseerd voor het produceren van het meest waarschijnlijke antwoord.

Tijdens demonstraties laat hij zien dat populaire chatbots opvallend vaak hetzelfde willekeurige getal kiezen wanneer gebruikers vragen om een nummer tussen 1 en 10. Ook bij opdrachten als "noem een automerk" of "bedenk een slogan" verschijnen regelmatig dezelfde veilige keuzes.

Daarom ontwikkelde Springboards Flint.

Het model is gebouwd bovenop Qwen 3, het open-source taalmodel van Alibaba. In plaats van simpelweg de bekende temperature-instelling te verhogen, probeert Flint alleen op specifieke beslismomenten meer variatie toe te voegen.

Dat betekent bijvoorbeeld dat alleen de keuze van een bestemming, productnaam of creatief concept willekeuriger wordt gemaakt, terwijl de grammatica en logische structuur intact blijven. Volgens Springboards voorkomt dat de onsamenhangende antwoorden die vaak ontstaan wanneer de temperatuur van een model volledig wordt verhoogd.

Waarom AI steeds meer op elkaar lijkt

Volgens de onderzoekers is het probleem waarschijnlijk structureel.

Vrijwel alle grote taalmodellen worden tegenwoordig ontwikkeld volgens vergelijkbare principes:

training op enorme internetdatasets;
optimalisatie via reinforcement learning met menselijke feedback (RLHF);
voorkeur voor veilige en breed geaccepteerde antwoorden;
evaluatie door automatische beoordelingsmodellen die consensus belonen.

Juist die laatste stap lijkt belangrijk.

De onderzoekers ontdekten dat de systemen die AI beoordelen en belonen creatieve antwoorden vaak lager waarderen wanneer die afwijken van het gemiddelde. Daardoor leren modellen onbewust dat "veilige" antwoorden meestal de beste strategie zijn.

Betrouwbaarheid versus creativiteit

Dat betekent niet dat OpenAI, Anthropic of Google iets verkeerd doen.

Voor toepassingen als programmeren, juridische analyse, medische informatie of wetenschappelijk onderzoek is voorspelbaarheid juist een voordeel. Gebruikers verwachten daar consistente en reproduceerbare antwoorden.

OpenAI heeft eerder aangegeven dat modellen bewust worden geoptimaliseerd voor betrouwbaarheid en samenhang. Meer willekeur leidt vaak ook tot meer feitelijke fouten, hallucinaties en inconsistente redeneringen. Dat maakt de afweging tussen creativiteit en nauwkeurigheid ingewikkeld.

Flint kiest bewust voor een andere doelgroep

Springboards positioneert Flint daarom niet als vervanger van ChatGPT of Claude.

Het model richt zich vooral op:

reclamebureaus;
marketeers;
ontwerpers;
creatieve teams;
strategische brainstormsessies.

Volgens het bedrijf gebruiken inmiddels duizenden creatieve professionals Flint naast bestaande modellen om sneller op onverwachte ideeën te komen. De startup werkt inmiddels aan een publieke API zodat ook andere ontwikkelaars het model kunnen integreren.

De impact reikt verder dan marketing

De discussie over AI-homogeniteit raakt een veel bredere ontwikkeling binnen de sector.

Nu generatieve AI steeds vaker wordt gebruikt voor teksten, onderwijs, softwareontwikkeling en beleidsadvies, groeit de vraag of gebruikers onbewust allemaal dezelfde ideeën voorgeschoteld krijgen. Wanneer miljoenen mensen dezelfde brainstormpartner gebruiken, kan dat uiteindelijk leiden tot minder diversiteit in creatieve processen.

De onderzoekers achter het Artificial Hivemind-onderzoek waarschuwen daarom dat toekomstige AI-systemen niet alleen slimmer moeten worden, maar ook beter moeten leren omgaan met meerdere geldige perspectieven. Diversiteit in antwoorden is volgens hen niet alleen wenselijk voor creativiteit, maar kan ook helpen om gedeelde fouten en tunnelvisie te voorkomen.

Robin HeesterOprichter

Robin Heester is mede-oprichter van AI Wereld en heeft door de jaren heen meerdere websites, nieuwsbrieven en magazines opgericht. Hij schrijft over technologie, innovatie en de maatschappelijke impact van nieuwe digitale ontwikkelingen.

LLM Startup

Vorig artikel

NHS investeert bijna €12 miljard in AI: Britse zorg zet grootste digitale transformatie ooit in gang

Plaats reactie