Waarom ChatGPT je slechte antwoorden geeft (en wat je eraan doet)

ChatGPT geeft slechte antwoorden om vier redenen: het kent jouw bedrijf niet, je vraag is te vaag, de kennis van het model is verouderd en taalmodellen verzinnen soms dingen. Aan alle vier is iets te doen, van betere prompts tot het koppelen van AI aan je eigen data.

Herkenbaar? Je stelt een simpele werkvraag en krijgt een antwoord dat op het eerste gezicht klopt, maar niet past bij jouw situatie. Verzonnen prijzen, een verkeerd retourbeleid, regelgeving van een paar jaar geleden. Veel medewerkers haken daarom af met de gedachte dat AI niet werkt. Het verschil zit zelden in de tool en bijna altijd in de aanpak.

Waarom kent ChatGPT jouw bedrijf niet?

ChatGPT is een taalmodel, getraind op een enorme hoeveelheid tekst tot een bepaalde datum. Het is erg goed in zinnen voltooien, samenvatten en formuleren. Maar het weet niets over jóuw bedrijf: niet je tarieven, niet je klanten, niet je processen, tenzij je dat expliciet vertelt.

Zie het als een uitzonderlijk belezen stagiair op zijn eerste werkdag. Hij schrijft prachtig, maar heeft je prijslijst nooit gezien. Vraag je hem blind om een offerte, dan vult hij de gaten op met een plausibele gok. Dat is precies wat een taalmodel doet.

De vier oorzaken van slechte antwoorden

1. Geen toegang tot jouw bedrijfsinformatie. ChatGPT weet niet wat er in je CRM staat, wat je precies verkoopt of hoe je werkt. Zonder die context krijg je generieke tekst. Dit is verreweg de meest voorkomende oorzaak van teleurstellende output.

2. Vage of onvolledige vragen. "Schrijf een e-mail" levert iets heel anders op dan een prompt met rol, context en doel. Hoe scherper je vraag, hoe bruikbaarder het antwoord, en hier valt vaak de meeste winst te halen zonder iets te investeren. Meer daarover in prompt engineering: de kunst van effectieve AI-prompts.

3. Verouderde kennis. Elk model heeft een kennisgrens (cutoff). Actuele wet- en regelgeving, marktprijzen of nieuws van ná die datum kent het niet. Voor belasting-, juridische of marktvragen is ChatGPT zonder koppeling aan live bronnen onbetrouwbaar. Welk model welke sterktes heeft, verschilt per aanbieder, zie ChatGPT vs Copilot vs Claude.

4. Hallucinaties. Soms verzint een taalmodel een antwoord dat overtuigend klinkt maar niet klopt. Dat is geen bug maar een kenmerk: het model voorspelt waarschijnlijke tekst en zoekt geen feiten op. Dit risico geldt voor alle taalmodellen. Voor alles wat feitelijk moet kloppen geldt: verifieer, of koppel het model aan een gecontroleerde bron.

Hoe ziet dat eruit in de praktijk?

Drie herkenbare scenario's uit het mkb:

• De offerte. Een installatiebedrijf vraagt om een offerte. ChatGPT levert een nette tekst met verzonnen prijzen, want het tarievenblad, de leveranciers en de garantietermijnen kent het niet.
• De klantenservice. Een webshop laat klachten beantwoorden. De AI belooft retour binnen 30 dagen, terwijl het beleid 14 dagen is. Resultaat: boze klanten en onnodig gedoe.
• De regelgeving. Een accountant vraagt naar een actuele fiscale regel en krijgt een antwoord op basis van verouderde wetgeving.

De rode draad is steeds hetzelfde: het model mist de juiste context of de actuele feiten. En elke keer is dat oplosbaar, op een ander niveau.

Eerst zelf: schrijf betere prompts

Voordat je iets koppelt of bouwt, haal je de meeste winst uit je manier van vragen. Een goede zakelijke prompt bevat vrijwel altijd vier onderdelen:

1. Rol: "Jij bent een ervaren verkoper bij een installatiebedrijf."
2. Context: de relevante feiten, zoals klant, product, geschiedenis en gewenste toon.
3. Taak: wat je precies wilt, bijvoorbeeld een follow-up mail, een samenvatting of een checklist.
4. Kaders: lengte, stijl, en wat het model niet mag doen (bijvoorbeeld geen bedragen verzinnen).

Vergelijk: "Schrijf een e-mail" met "Jij bent verkoper bij een installatiebedrijf. Schrijf een vriendelijke follow-up van maximaal 120 woorden naar een klant die drie weken geleden een offerte voor een badkamerrenovatie ontving en nog niet reageerde. Noem geen bedragen." Het tweede levert direct bruikbare output op. Deze aanpak kost niets en pakt oorzaak 2 aan, en voor een deel ook oorzaak 1.

Structureel: geef AI toegang tot je eigen data

Prompts helpen, maar je gaat niet bij elke vraag je hele tarievenblad overtikken. Voor herhaalbaar werk koppel je het model aan je eigen bronnen. Dat gebeurt meestal via RAG (retrieval-augmented generation): de AI zoekt eerst het juiste stuk uit jouw documenten, CRM of kennisbank op en baseert het antwoord daarop, in plaats van op een gok. Hoe dat werkt zonder je hele bedrijf naar ChatGPT te uploaden, lees je in hoe AI jouw bedrijf leert kennen.

De praktische bouwsteen heet een AI-agent: een AI die niet alleen praat, maar ook je systemen raadpleegt en acties uitvoert. In onze eigen projecten bouwden we bijvoorbeeld een e-mailresponder die inkomende berichten afhandelt, een systeem dat support-tickets automatisch naar de juiste afdeling routeert, en betalingsherinneringen voor een accountantskantoor. Steeds geldt hetzelfde principe: de agent werkt met geverifieerde bedrijfsdata, niet met een generieke gok.

Wat levert dat op? Dat verschilt sterk per proces. Teams die AI voeden met actuele product- of klantdata winnen vaak veel tijd op repetitief werk, zoals klantvragen die sneller worden beantwoord en offertes die in een fractie van de tijd klaarstaan. Zie percentages die je online tegenkomt als indicatie, niet als garantie: jouw winst hangt af van je proces, je datakwaliteit en hoe vaak de taak terugkeert.

Een indicatief kosten- en tijdsplaatje

Wat kost zo'n koppeling? Onderstaande ranges zijn indicatief voor het mkb en bedoeld om een orde van grootte te geven, geen offerte.

De koppeling met bestaande systemen, zoals een CRM als HubSpot of Pipedrive en boekhoudpakketten als Exact, regel je via integraties. Tools als n8n kunnen daarbij helpen als optionele workflow-laag. Twijfel je waar de meeste winst zit? Een AI-scan brengt in kaart welke processen zich lenen voor automatisering, en AI-consultancy helpt bij de bredere afweging tussen zelf doen en laten bouwen. Wil je het eerst zelf proberen, lees dan zelf een AI-agent bouwen.

Welke aanpak past bij welke taak?

Niet alles hoeft gekoppeld. Kies naar taak:

Dit is relevant als je ChatGPT al gebruikt maar teleurgesteld bent over de kwaliteit, of als je wilt dat AI werkt met jouw data, prijzen en interne kennis. ChatGPT is niet slecht; een generalist zonder jouw context kan alleen nooit antwoorden als een collega die jouw bedrijf kent.

Wat is een logische volgende stap?

Generieke AI geeft generieke antwoorden, ook als het niet ChatGPT is maar een andere AI die jouw data niet kent. Bedrijven die dat verschil overbruggen, doen dat met AI-agents die zijn afgestemd op hun eigen processen en data.

Benieuwd waar voor jou de meeste winst zit? Maak een AI-scan of plan een kennismakingsgesprek.