Hoe je met AI onderzoekt en feiten controleert: de deep research-modus

Kort gezegd: de deep research-modus is wanneer AI niet meteen antwoordt, maar zelf tientallen zoekopdrachten uitvoert, pagina's opent en er in 5–30 minuten een rapport met bronnen van maakt. Het bespaart uren, maar neemt het controleren niet weg: het model kan een bron nog steeds verkeerd samenvatten of verwijzen naar een pagina die niet bestaat. Eén regel: open de links zelf. Wat volgt is geen theorie, maar een rondgang door ons eigen marktonderzoek — wat we opgroeven, wat we opnieuw controleerden en wat we, eerlijk gezegd, niet te pakken kregen.

Waarin het verschilt van een gewone chat met zoeken

Een gewone chat met zoeken op internet doet één of twee zoekopdrachten en antwoordt binnen seconden. De onderzoeksmodus werkt anders: hij splitst je vraag in deelvragen, zoekt bij elke, leest wat hij vindt, merkt tegenstrijdigheden op, zoekt bij wat ontbreekt — en schrijft pas daarna een gestructureerd rapport met voetnoten. Het is een lus van "zoeken → lezen → verfijnen", vele keren doorlopen zonder jou.

Vandaar het verschil in gevoel: een gewoon antwoord is de mening van een belezen gesprekspartner; een deep research-rapport is het klad van een analistennotitie. Met een bronnenlijst die je kunt controleren. Of niet controleert — en op je bek gaat.

En dit is wat je meteen moet snappen. De modus verandert de economie van onderzoek, niet de aard ervan. Veertig pagina's doornemen kostte je vroeger een dag. Nu kost het tien minuten wachten. Maar de beslissing welke veertig pagina's het waard waren en wat eruit volgt, is nog steeds aan jou. Het gereedschap maakte het verzamelen goedkoop en deed precies niets aan het controleren. Het controleren bleef precies waar het was — en daarom gaat de rest van dit artikel vooral over controleren.

Waar je het vindt

• ChatGPT — de Deep Research-modus, meestal in betaalde abonnementen, met een maandelijkse limiet aan runs.
• Gemini — Deep Research, ingebouwd in de interface, toont het onderzoeksplan voordat het start.
• Claude — de Research-modus met zoeken op internet en werken met meerdere bronnen.
• Perplexity — van oorsprong op zoeken gericht, met een aparte onderzoeksmodus.

Namen en limieten veranderen bijna maandelijks, dus onthoud niet het merk maar het principe: toont een tool een lijst met bronnen en doet hij er minuten over in plaats van seconden, dan is dat de modus. Hoe de modellen in het algemeen verschillen, lees je in ChatGPT vs Claude vs Gemini.

Hoe je de opdracht formuleert zodat het rapport nuttig wordt

De klassieke fout is een onderwerp in één regel erin gooien ("de markt voor elektrische auto's in Europa") en een wonder verwachten. De modus draait wel, maar levert je loze vulling. Baken de opdracht af op vier assen: de vraag, de grenzen (periode, regio, brontypen), het formaat en wat te doen met onzekerheid.

In plaats van dit abstract te beschrijven, zie het gebeuren. Druk hieronder op "Uitvoeren" en het model verandert voor je ogen een vaag onderwerp in een echte briefing. Zet er daarna je eigen onderwerp voor in de plaats.

Je bent een redacteur van onderzoeksbriefings. Hier is een aanvraag
precies zoals een klant hem stuurde: "Ik heb een overzicht nodig van
de markt voor elektrische auto's in Europa."

Dit is een slechte briefing. Herschrijf hem tot een werkbare, langs
vier assen:

1. DE VRAAG. Splits het onderwerp in 4-6 concrete vragen die met
   feiten te beantwoorden zijn, niet met redeneren. Slechte vraag:
   "wat zijn de vooruitzichten van de markt". Goede vraag: "hoe
   veranderde het aandeel elektrische auto's in nieuwe registraties
   per land over drie jaar".
2. GRENZEN. Stel een periode, een regio en een prioriteitsvolgorde
   van brontypen voor. Zeg expliciet welke bronnen bij dit onderwerp
   als primair gelden en welke navertellingen zijn.
3. FORMAAT. Beschrijf de opbouw van het rapport en de citatieregel:
   wat er naast elk getal moet staan.
4. ONZEKERHEID. Formuleer de sectie die de onderzoeker verplicht moet
   invullen: waar bronnen uiteenlopen, wat niet te vinden was, welke
   beweringen zwak onderbouwd zijn.

Sluit af met 5 "valkuilen van dit onderwerp" — de typische getallen
en beweringen die in dit veld van artikel naar artikel reizen zonder
primaire bron. Leg uit waarom elk het hercontroleren waard is.

Die laatste as — onzekerheid — is de waardevolste en bijna niemand vraagt erom. Ze verandert het rapport van "zelfverzekerde tekst" in een kaart van wat bekend is, waarop je ziet waar de grond vast is en waar het moeras. De basis van het bouwen van opdrachten staat in wat een prompt is, uitgewerkte voorbeelden in onze verzameling prompts.

De grootste valkuil: bronnen die niet bestaan

Taalmodellen verzinnen bronnen. Niet af en toe, en niet alleen "slechte modellen" — het is systematisch: het model genereert een plausibele voortzetting van tekst, en een plausibele URL met een plausibele artikeltitel verzint het net zo makkelijk als een echte. De mechaniek wordt uitgelegd in AI-hallucinaties: waarom modellen dingen verzinnen.

De onderzoeksmodus verlaagt het risico omdat hij echt langs pagina's gaat. Maar hij haalt het niet weg. Drie manieren waarop verzinsel in een afgerond rapport sijpelt:

• Een dode link. De bron is verhuisd of heeft nooit bestaan — in het rapport zien beide er even solide uit.
• De link werkt, maar de bewering staat er niet in. Het vaakst voorkomende en meest verraderlijke geval: de pagina opent, ziet er relevant uit, maar het getal uit het rapport staat er simpelweg niet — het model vulde de nadruk in.
• Een keten van navertellingen. Het rapport verwijst naar een blog, de blog naar een nieuwsbericht, het nieuws naar "een studie" die niemand heeft gezien. Formeel is er een voetnoot. Feitelijk is er geen primaire bron.

De ongemakkelijke maar eerlijke conclusie: een voetnoot is geen controle, het is een belofte van controle. Het controleren is aan jou.

Zes gevallen uit ons eigen onderzoek

Wat volgt zijn geen leerboekvoorbeelden. We deden zelf een onderzoek naar de markt van AI-cursussen (gegevens opgehaald op 17-07-2026): we haalden prijzen en cursusmetrieken uit een interne Udemy-API, verzamelden de inschrijfstatistieken op Coursera en lazen wat ontevreden cursisten daadwerkelijk schreven. Het is handig materiaal om alle valkuilen in één keer te tonen, want we trapten in allemaal.

Geval 1. De primaire bron versus "iedereen weet het"

De volkswijsheid zegt dat Udemy-cursussen $200 kosten en permanent met 90% korting in de aanbieding zijn. Vraag het aan welk model dan ook — het herhaalt dit met stelligheid, want duizenden artikelen zeggen het. We doken in het ruwe API-antwoord (het endpoint price_text) en zagen dit:

Je bent een analist die ruwe API-antwoorden leest en de marketing
niet op zijn woord gelooft. Hier is een fragment van het API-antwoord
van een cursuspagina (door ons opgehaald op 17-07-2026):

{
  "price": {"amount": 24.99, "currency": "EUR"},
  "list_price": {"amount": 24.99, "currency": "EUR"},
  "saving_price": {"amount": 0.0},
  "has_discount_saving": false,
  "discount_percent": 0
}

Je taken:
1. Wat bewijst dit fragment en wat niet? Houd de twee strikt
   gescheiden.
2. De gangbare bewering luidt: "op dit platform is het altijd
   uitverkoop; een cursus van 200 euro gaat voor 20." Weerlegt het
   fragment die bewering? Volledig of maar gedeeltelijk?
3. Geef drie alternatieve verklaringen waarbij het fragment en de
   gangbare bewering toch verenigbaar kunnen zijn.
4. Noem drie extra velden of verzoeken die je zou eisen om de kwestie
   definitief te sluiten. Zeg bij elk welke specifieke twijfel het
   wegneemt.
5. Formuleer de conclusie zoals ze gedrukt zou kunnen worden: één
   zin, zonder overdrijving, met een expliciet voorbehoud over de
   grenzen van de data.

Wat we zagen: er is geen korting. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. De cursus kost € 24,99, en € 24,99 is meteen ook de volle prijs. Van de twaalf topcursussen die we vastlegden, kosten er elf € 19,99; één (The Complete AI Guide) € 24,99. Nergens een "was € 199,99".

Dat is de hele les over primaire bronnen in één alinea. Een massaovertuiging bestond, was duizenden keren gepubliceerd en klonk volstrekt plausibel. Geen enkele deep research had haar omvergeworpen: het model had diezelfde duizenden artikelen gevonden en ze plichtsgetrouw samengevat. Het enige wat haar weerlegt, is een machineleesbaar serverantwoord dat iemand moest gaan ophalen. Deep research vindt de consensus uitstekend en vindt bijna nooit wat de consensus miste.

Dus voordat je een run start, stel jezelf een onprettige vraag: staat mijn antwoord waarschijnlijk ergens opgeschreven, of leeft het in een database, een dossier, een API, een prijslijst, een rechtbankverslag? Is het dat laatste, dan overhandigt het rapport je een prachtig van bronnen voorziene samenvatting van wat iedereen gelooft, en heb je niets geleerd.

Geval 2. Het getal dat we niet te pakken kregen

Ons onderzoek bevat een regel die ik leuker vind dan alle getallen erin: de exacte prijs van ChatGPT Plus — onbevestigd, elk OpenAI-domein gaf 403 terug. We kennen die prijs bij benadering, zoals iedereen. Maar de primaire bron gaf hem ons niet, dus in ons interne bestand staat hij gemarkeerd als tweedehands en verboden om als feit te gebruiken.

Dezelfde markering draagt de prijs van het Udemy Personal Plan: € 20,00/maand, € 10,00/maand in de aanbieding — van de landingspagina gehaald, omdat udemy.com onze crawler 403 gaf. Het getal staat in het rapport, maar de herkomst ervan staat er pal naast.

Dit is wat deep research-rapporten het slechtst doen. Het model haat het om met lege handen terug te komen. Is de primaire bron onbereikbaar, dan schuift het stilletjes een getal uit een navertelling in de plaats en zegt er geen woord over. Het verschil tussen "we hebben dit gecontroleerd" en "we vonden een vermelding hiervan" verdwijnt spoorloos in zijn proza. Eis expliciet een sectie "wat ik niet kon vinden" — vanzelf verschijnt die nooit.

En let op de vorm van de fout. Het is geen hallucinatie. Het getal klopt waarschijnlijk. Wat ontbreekt, is het label. Een correct getal zonder label en een fout getal zonder label zien er op de pagina identiek uit — en precies daarom telt het label zwaarder dan het getal.

Geval 3. Een gezaghebbende bron met een gebrekkige methode

Toen we ons voorbereidden op lokaliseren, stuitten we op de EF English Proficiency Index — de meest geciteerde ranglijst van Engelse taalvaardigheid ter wereld. Die zet Roemenië op de 11e plaats ter wereld. Elk AI-rapport over talen sleept hem als eerste erbij: hij staat overal, ziet eruit als statistiek, media citeren hem.

We gooiden hem in zijn geheel weg. En dit is waarom. Zijn steekproef is zelfgeselecteerd — EF schrijft dat zelf in de methodologie: de test wordt afgelegd door mensen die zelf besloten hun Engels te checken op de site van een talenschool. De gemiddelde deelnemer is 26. Vergelijk nu met bronnen met een kanssteekproef: Eurobarometer 540 (n = 26 523) en Eurostat AES 2022 zeggen allebei dat Roemenië het slechtst is in de EU — 51,2% van de bevolking spreekt helemaal geen vreemde taal, en 25% spreekt Engels. Elfde ter wereld en slechtste in de EU is geen spreiding van schattingen. Dat zijn onverenigbare uitspraken, en een ervan is voortgebracht door een gebrekkige methode.

Vandaar een regel die meer waard is dan welke checklist ook: kijk naar hoe een getal tot stand kwam, niet naar wie het publiceerde. Deep research rangschikt bronnen op gezag en zichtbaarheid — en een gebrekkige methode is juist wat een bron zichtbaar maakt, omdat ze schone, citeerbare getallen oplevert. Een zorgvuldige enquête rapporteert marges en betrouwbaarheidsintervallen; een zelfgeselecteerde quiz rapporteert een ranglijst. Raad eens welke de citatierace wint.

Geval 4. Een studie die niet zegt wat ze lijkt te zeggen

Het enige peer-reviewed experiment dat we over ons onderwerp vonden: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. Een gerandomiseerde gecontroleerde studie, n = 2 263 Zweedse studenten, een online programmeercursus, willekeurig toegewezen aan de Zweedse of de Engelse versie.

Het resultaat: uitval van 57% in het Zweeds tegenover 71% in het Engels (φ = 0,2; p < 0,00001). Gemiddelde score onder wie bleef: 16,9 tegenover 14,3, effectgrootte δ = 0,085 — verwaarloosbaar.

Kijk nu wat daar gebeurde. Op de scores is er praktisch geen verschil. De verleidelijke conclusie is "taal beïnvloedt de uitkomst niet" — het getal is er, de significantie niet. Maar op de uitval is het gat enorm. Engels schaadde het begrip niet; het deed mensen afhaken. Dat zijn verschillende beweringen, en de tweede zie je alleen als je kijkt wat de studie mat en bij wie. Zelfingeschatte vaardigheid, trouwens, bood geen bescherming tegen afhaken.

Deep research-rapporten lopen precies hier vast, en betrouwbaar. Ze vatten de conclusie uit de samenvatting samen, niet de opzet van de studie. Een samenvatting is zelf ook een navertelling — alleen een die door de auteurs is geschreven. Als een bewering ertoe doet voor jou, zijn de twee dingen die het lezen waard zijn de methodesectie en de tabel. Al het andere in een artikel is proza.

Geval 5. Een getal dat op een antwoord lijkt maar het niet is

Toen we de markt per taal in kaart brachten, stuitten we op de cursustellers van Udemy: zoveel cursussen in het Spaans, nul in het Zweeds. Een mooi getal, een kant-en-klare slide. Alleen meet het aanbod, geen vraag. Nul Zweedse cursussen is óf een lege niche waar je meteen op moet afstormen, óf het bewijs dat er daar geen markt is. Eén getal, twee tegengestelde conclusies, en geen data om ertussen te kiezen. Dus dat schreven we op: dubbelzinnig.

Een nuttige gewoonte: voordat je een getal in een conclusie zet, vraag je af welke tegengestelde beslissing datzelfde getal ook zou steunen. Steunt het beide, dan is het geen argument — het is versiering. Deep research produceert dit soort versiering bij de vleet, want een getal met een bron eraan doorstaat elke oppervlakkige toets die er is.

Geval 6. Effectgrootte versus de grootte van de kop

De lokalisatie-industrie belooft "+40–70%" groei. We zochten onafhankelijke bevestiging en vonden precies twee metingen. eBay, bij het uitrollen van machinevertaling: +10,9% export (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019) — en het effect daalde naarmate de prijs van het artikel steeg. Een A/B-test van Wikimedia: +3,64%. Achter de belofte "+40–70%" zit niets onafhankelijks.

Het gat tussen 3,64% en 70% is geen meningsverschil over een getal. Het is het verschil tussen een meting en een advertentie. En let op het detail dat het effect kleiner wordt als de prijs stijgt: het bestaat alleen in het artikel en verdwijnt in elke navertelling, omdat het de kop verpest. Voorbehouden sterven eerst — ze zijn het eerste wat in een keten van navertellingen wordt geamputeerd, lang voordat het getal zelf vervormt.

Een rapport controleren in 5 minuten

1. Schrijf de beweringen op waar iets van afhangt. Meestal 3–7 per rapport, geen veertig. De rest is context, waar een fout niets kost.
2. Open bij elke de link. Laadt hij? Dan Ctrl+F op het getal of het trefwoord. Niet aanwezig? De bewering is niet onderbouwd. Punt.
3. Loop terug naar de primaire bron. Leidt de voetnoot naar nieuws over een rapport, zoek dan het rapport. Getallen muteren onderweg en voorbehouden vallen weg.
4. Controleer de datum. Een "vers" rapport is zo in elkaar gezet uit vijf jaar oude artikelen als je de periode niet hebt afgebakend.
5. Controleer de methode, niet het merk. Hoe kwam het getal tot stand? Wie is er gevraagd, en hoe zijn ze geselecteerd? Ons EF-geval gaat precies hierover.
6. Vraag om het tegendeel. Start een tweede ronde: "vind argumenten tegen conclusie X en data die haar tegenspreken." Komt er helemaal niets bovendrijven, dan is er waarschijnlijk oppervlakkig gezocht.

De eerste vijf minuten betalen zich terug doordat je geen verzinsel citeert. De zesde stap betaalt zich terug doordat je geen waarheid citeert die niets betekent.

Hier is een kant-en-klare auditor voor stap 1–3. De prompt is op zichzelf staand — het rapport zit erin verwerkt, dus voer hem uit zoals hij is.

Je bent een factchecker. Je hebt een fragment van een AI-rapport
gekregen. Je taak is niet de feiten controleren (je hebt geen
internet), maar een controleplan opstellen en de beweringen op risico
sorteren.

RAPPORTFRAGMENT:
"De markt voor online AI-cursussen beleeft een boom. Volgens
schattingen uit de sector bereikt de markt 47 miljard dollar in 2030
(bron: de blog van een marketingbureau, 2025). Cursussen worden
verkocht met gemiddeld 87% korting — platforms geven ze praktisch
weg. De grootste cursus trok meer dan 400 000 cursisten. Experts zijn
het erover eens dat video het geprefereerde formaat blijft voor de
meeste lerenden. Onderzoek heeft aangetoond dat het lokaliseren van
content de conversie met 40-70% verhoogt."

Doe vier dingen:

1. ONTLEDING. Schrijf elke bewering op een eigen regel. Label elke:
   meetbaar feit / voorspelling / schatting / naverteld standpunt /
   marketingcliché.
2. RISICO. Geef elke bewering een risico op verzinsel of vertekening:
   hoog / midden / laag. Onderbouw in één zin. Let vooral op getallen
   zonder datum en methode en op wendingen als "experts zijn het eens"
   en "onderzoek heeft aangetoond".
3. PLAN. Schrijf voor de drie riskantste beweringen op welke concrete
   primaire bron de kwestie zou sluiten en welk ene verzoek je eraan
   zou richten.
4. HERSCHRIJVEN. Herschrijf het fragment zo dat alleen overblijft
   waar je voor kunt instaan, en al het andere expliciet als
   onbevestigd is gemarkeerd. Verzin niets: waar geen data is, schrijf
   dat.

Wanneer je bronnen mensen zijn

De helft van ons onderzoek zijn geen getallen, maar reviews. We verzamelden 26 citaten van ontevreden cursisten woordelijk, met auteurs en data (plus twee van fora, die we apart tellen, want een forumbericht is geen cursusreview). Over videocursussen bijvoorbeeld:

"why read straight from the slide? I can do that. This was not a helpful course at all" — Janie I., 02.07.2026, 1★

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website" — Shashank T., 13.04.2026, 1★

Belangrijk is wat we daarna deden. We schreven niet "cursisten zijn massaal ontevreden". We telden het aandeel negatieve reviews (≤3,5★): Generative AI for Beginners — 9,61%; The Complete AI Guide — 10,36%. Dus ongeveer één cursist op de tien. De citaten zijn krachtig, maar ze illustreren een minderheid, en dat hoort er in de tekst pal naast te staan.

En het tweede eerlijke voorbehoud: op Coursera gebeurt het filteren van reviews op sterren in de browser — de server-HTML geeft altijd de eerste pagina terug. Dat betekent dat onze citaten daarvandaan uit de standaardweergave komen die elke bezoeker ziet, niet uit een systematische steekproef. Dat verzwakt de bewering, en dat hebben we opgeschreven.

De regel: een citaat is bewijs dat een mening bestaat, niet hoe wijdverbreid ze is. Een deep research-rapport dat uit reviews is samengelijmd, klinkt altijd als een vonnis — want geschreeuw is luider dan stilte, en een negatieve review schrijft men veel gemakkelijker dan een neutrale. Eis de noemer. Geeft het rapport je vijf woedende citaten en geen percentage, dan heeft het je niets over de wereld verteld; het heeft je verteld dat boze tekst makkelijk te vinden is.

Een goed rapport onderscheiden van een mooi

Deep research-rapporten zien er bijna altijd overtuigend uit: koppen, opsommingen, voetnoten, een egale analytische toon. Schoonheid van vorm zegt niets over de kwaliteit van de inhoud.

• Hoeveel verschillende bronnen de kernbeweringen dragen. Rust het hele rapport op twee pagina's, dan is het geen onderzoek — het is een navertelling van twee pagina's.
• Of de brontypen variëren. Een rapport dat alleen uit blogs en media bestaat, is zwak. Een rapport met primair materiaal (ruwe API-antwoorden, statistieken, documentatie, jaarverslagen, wetenschappelijke artikelen) is sterk.
• Of er data zijn vermeld. Een bewering zonder datum in een snel veranderend onderwerp is bijna nutteloos.
• Of de methode is vermeld. Wie is er gevraagd, hoeveel, hoe zijn ze geselecteerd. Zonder dat is "een enquête toonde aan" een stijlfiguur, geen bewijs.
• Of onzekerheid wordt toegegeven. Een goed rapport zegt ergens "de data lopen uiteen" of "geen bevestiging gevonden". Een rapport waarin alles eenduidig is, is verdacht: zo ziet de werkelijkheid er niet uit.
• Of feiten van conclusies zijn gescheiden. "De verkoop groeide met X%" en "de markt stevent af op een boom" zijn beweringen van verschillende klasse.

Zet je eigen conclusie hiermee onder druk — de prompt werkt zonder internet, hij valt de logica van de tekst aan, niet de feiten.

Je bent advocaat van de duivel. Je taak is te proberen de conclusie
hieronder onderuit te halen. Wees niet beleefd en zoek geen balans.

CONCLUSIE: "Video verliest het van tekst bij het aanleren van digitale
vaardigheden aan volwassenen, omdat video niet op eigen tempo te
doorbladeren is, terwijl tekst per definitie een transcript heeft."

HET BEWIJS WAAROP DE CONCLUSIE STEUNT (echte reviews van best
verkopende videocursussen, verzameld op 17-07-2026):
- "It is too fast for a beginner... until you try to see and
  understand it the next screen pops up" — Amit A., 29.04.2026,
  2★, cursus The Complete AI Guide
- "I am very frustrated that I can not easily access a transcript
  to reference later. The instructors are talking so quickly"
  — Vince D., 16.03.2026, 1★, cursus niet vermeld
- aandeel reviews ≤3,5★ voor The Complete AI Guide: 10,36%

Doe vijf dingen:
1. Noem het zwakste punt in deze redenering.
2. Leg uit wat deze reviews bewijzen en wat niet. Apart: wat doet het
   getal 10,36% met de kracht van de conclusie — versterkt of
   verzwakt het die?
3. Bouw het sterkste tegenargument: onder welke voorwaarden wint video
   het van tekst, en voor wie precies?
4. Verzin de data die de conclusie volledig zouden weerleggen.
   Beschrijf de studie die ze zou opleveren.
5. Herschrijf de conclusie zo dat ze eerlijk is over het beschikbare
   bewijs. Waarschijnlijk wordt ze smaller en saaier. Dat is prima.

Apart over de keten van navertellingen

De stilste fout van allemaal. De link leeft, de pagina opent, het getal staat erop — en nergens is er een primaire bron, want iedereen citeert elkaar in een kring. Deep research is hier machteloos: formeel is elke voetnoot geldig. Niets in de structuur van het rapport kan je vertellen dat het hele bouwwerk rust op een persbericht dat niets citeerde.

Hier is diezelfde "+40–70%", stap voor stap uitgelegd. Het AI-rapport beweert "lokalisatie verhoogt de conversie met 40–70%" en linkt naar de blog van een vertaalplatform. De blog, 2025: "studies tonen een stijging van 40–70%" — met een link naar het persbericht van een branchevereniging. Het persbericht, 2024: "in een enquête onder marktpartijen melden bedrijven een groei van maximaal 70%" — zonder enige link.

Kijk waar het brak. Tussen het persbericht en de blog werd "bedrijven melden een groei van maximaal 70%" tot "studies tonen een groei van 40–70%". De zelfrapportage van belanghebbende partijen werd "studies", "maximaal 70%" werd een bereik van "40–70%", en de ondergrens kwam uit het niets. Bij de derde navertelling leest het al als een meting. En geen enkele link in die keten is formeel onwaar — en juist daarom redt het machinaal controleren van voetnoten je hier niet.

Ondertussen lag de echte meting er pal naast en kwam nooit in de keten terecht: die +10,9% van eBay, met het effect dat daalde naarmate de prijs steeg. De primaire bron verloor het van de navertelling omdat ze een slechter getal bood.

Wanneer de onderzoeksmodus niet het juiste gereedschap is

• Je hebt één feit nodig. Een tarief, een datum, een definitie — gewoon zoeken is sneller.
• Het onderwerp is jonger dan een dag. Indexering en toegang tot verse pagina's werken ongelijkmatig; heet nieuws lees je beter met eigen ogen.
• De data zit achter een muur. Betaalde databases, interne documenten, artikelen achter een paywall — het model komt er niet in en, erger nog, bouwt een overzicht uit navertellingen van samenvattingen. Onze 403's van Udemy en OpenAI zijn precies deze categorie.
• Je hebt nodig wat de consensus miste, niet de consensus. Het verhaal van de Udemy-korting markeert de grens van het genre: wat nergens is opgeschreven, kan de modus per definitie niet vinden.
• De prijs van een fout is medisch of juridisch. Een rapport deugt als terreinkaart en bronnenlijst, niet als basis voor een beslissing.

Hoe je het inpast in je werk

Het werkende patroon: deep research brengt het veld in kaart (wie zegt wat, en waar) → jij besteedt 5 minuten aan het controleren van de kernbeweringen → je vraagt het model het rapport te herschrijven met alleen wat bevestigd is, en apart op te sommen wat is geschrapt. De uitkomst is een korte tekst waar je regel voor regel voor kunt instaan.

Precies zo is het bestand opgebouwd waar dit artikel uit komt. Het heeft een sectie "wat we niet hebben": de prijs van ChatGPT Plus (403), het reviewfilter van Coursera (aan de clientkant), Reddit (onbereikbaar voor onze crawler), en een aantekening dat onze drie bronnen over één bepaalde vraag gevorderde gebruikers zijn, niet de beginners om wie het ons gaat — een kleine steekproef, en dat zeiden we erbij. Die sectie is onprettig, want ze somt onze gaten publiekelijk op. En ze is ook de enige reden waarom de overige getallen enig vertrouwen verdienen: bij een auteur die drie gaten toegeeft, vind je het vierde makkelijker dan bij een auteur bij wie alles netjes klopte.

Vraag je rapport om hetzelfde. Niet "weet je het zeker?" — het model zegt ja. Vraag: welke beweringen hier zou je laten vallen als je op elk geld moest inzetten? De antwoorden zijn meestal specifiek, en meestal dezelfde drie beweringen waarop je net een beslissing wilde bouwen.

Houd ook de basishygiëne in gedachten: voer geen gevoelige of andermans gegevens in de onderzoeksmodus — privacy bij het werken met AI geldt hier net als in een gewone chat. Als je er nog aan went — begin met de gids voor ChatGPT. En ging je rapport de mist in bij de redenering in plaats van de feiten, dan gaat het over hoe modellen fouten opstapelen over stappen heen.