AI Fundamentals

Waarom AI in het Nederlands vaak tegenvalt — en wat je eraan doet

Nederlandse AI-teksten klinken soms net niet goed: vertaald, verkeerd je/u, foute vaktermen. Met praktijkvoorbeeld, tabel en concrete aanpak voor 2026.

aiworktalent Redactie · 24 juli 2026 · 10 min leestijd

Vraag een AI-tool om een klantmail, een productbeschrijving of een social post in het Nederlands, en het resultaat oogt vaak net niet goed: een tikje te formeel, een zin die klinkt alsof hij uit het Engels is vertaald, een "u" waar je klant "je" gewend is, of een vakterm die net niet klopt. Dat is geen inbeelding en ook geen kwestie van een verkeerde prompt schrijven: de grote AI-modellen zijn vooral getraind op Engelstalig materiaal, en dat is in het Nederlands te merken. Dit artikel laat zien waar het misgaat, waarom dat gebeurt, en vooral: wat je er zelf aan doet.

Waar het misgaat: vijf herkenbare symptomen

De klachten die je van Nederlandse mkb-ondernemers over AI-teksten hoort, zijn opvallend consistent. De belangrijkste op een rij:

• Tekst die "vertaald" klinkt. Grammaticaal correct Nederlands, maar de zinsopbouw, een hoofdletter bij elk woord in een titel, of een uitdrukking als "Boost je productiviteit" verraadt dat het model eigenlijk in het Engels heeft geredeneerd en het resultaat heeft vertaald. Contentplatform Frankwatching documenteerde dit al in 2023: ChatGPT stelde als koptitel "Superchargeer je online aanwezigheid" voor — een letterlijke, Engels aandoende constructie die geen Nederlandse tekstschrijver zo zou opschrijven.
• Je of u door elkaar. Het Engelse "you" kent dat onderscheid niet, dus een model moet zelf inschatten of een tekst formeel of informeel moet zijn. Zonder duidelijke instructie kiest het iets dat "gemiddeld" klinkt, en dat wisselt weleens binnen één en dezelfde tekst.
• Verkeerde vaktermen. Vraag een model om een tekst over bijvoorbeeld een meerjarenonderhoudsplan, en de kans bestaat dat het de term half vertaalt, verkeerd afkort, of een net niet passend synoniem gebruikt.
• Afkortingen die verkeerd worden uitgelegd of gewoon verzonnen. Nederlandse afkortingen zijn een smal onderdeel van al smalle Nederlandstalige trainingsdata. Vraag een model het verschil tussen een btw-nummer en een btw-identificatienummer uit te leggen — twee dingen die sinds 2020 voor eenmanszaken bewust uit elkaar zijn getrokken — en de kans is reëel dat het antwoord de twee door elkaar haalt of een verklaring verzint die overtuigend klinkt maar niet klopt.
• Spraakherkenning die struikelt over accenten en eigennamen. Spraakmodellen zijn vooral getraind op het Standaardnederlands. Een Limburgs, Fries of Gronings accent, een minder gangbare achternaam of een kleine plaatsnaam levert vaker een transcriptiefout op dan bij een "gemiddelde" spreker uit de Randstad.

Een voorbeeld uit de praktijk

Een facilitair dienstverlener met twintig medewerkers — onderhoudscontracten voor kantoorpanden — wil AI gebruiken om een eerste concept te schrijven op vragen en klachten van klanten. Het verschil tussen de eerste en de tweede poging laat precies zien waar de aanpak om draait.

Eerste concept: functioneel, maar niet bruikbaar

Prompt: "Schrijf een professionele e-mail naar deze klant over zijn vraag over het meerjarenonderhoudsplan."

Resultaat: een keurig lopende tekst, maar met een paar dingen die meteen wringen. Het model spreekt de klant aan met "u", terwijl dit bedrijf standaard met "je" communiceert. Het meerjarenonderhoudsplan wordt in de tekst eenmaal voluit geschreven en eenmaal afgekort tot "MOP" in plaats van de in de sector gangbare afkorting "MJOP". En de opbouw — een uitgebreide inleiding, een dankwoord, dan pas de inhoud — leest alsof hij eerst in het Engels is opgesteld en daarna vertaald.

Na aanpassing: instructie, voorbeeld en begrippenlijst

Prompt: "Schrijf in het Nederlands, denk niet in het Engels en vertaal niet. Spreek de klant aan met 'je', informeel maar zakelijk — zo doen we dat altijd, ook bij klachten. Gebruik de term 'MJOP' (niet 'MOP' of voluit), zoals in dit voorbeeld: [eigen tekst uit een eerdere klantmail]. Kom direct ter zake, geen uitgebreide inleiding."

Resultaat: een tekst die meteen bruikbaar is — de juiste aanspreekvorm, de juiste afkorting, en een opbouw die aanvoelt zoals dit bedrijf altijd schrijft. Het verschil zit niet in een "slimmer" model, maar in wat je vooraf hebt vastgelegd: toon, vaktaal en een voorbeeld, in plaats van het aan het model over te laten om te raden.

Waarom dit gebeurt

De verklaring is minder mysterieus dan hij aanvoelt, en zit vooral in twee dingen: hoeveel Nederlandstalig materiaal een model tijdens de training ziet, en waarop een model wordt beoordeeld en bijgeschaafd.

Ten eerste de hoeveelheid. Het overgrote deel van de tekst op het publieke internet — en dus van het materiaal waarmee grote taalmodellen worden getraind — is Engelstalig. Nederlands is daarbinnen een relatief kleine taal. Hoe groot dat verschil in de praktijk kan uitpakken, blijkt uit de bouw van GPT-NL, het soevereine Nederlandse taalmodel van TNO, SURF en het NFI: de makers wilden zoveel mogelijk Nederlandse tekst verzamelen en mikten aanvankelijk op vijftig procent Nederlandstalig materiaal. Dat lukte niet. Het aandeel Nederlands in de uiteindelijke trainingsdata kwam uit op ongeveer tien procent, tegenover 73 procent Engels, meldt Genootschap Onze Taal — en dat is nog een project dat gericht naar Nederlandse tekst zocht. Bij de grote internationale modellen, die uit honderden talen putten, is de verhouding niet gunstiger.

Onderzoekers aan onder meer de KU Leuven bevestigen het patroon vanuit een andere hoek: algemene taalmodellen richten zich vooral op Engels, met voor de meeste andere talen — het Nederlands incluis — merkbaar minder aandacht. Dat is ook precies de reden dat er losse initiatieven zijn ontstaan om specifiek Nederlandse modellen te trainen, zoals Fietje en ChocoLlama: de bouwers daarvan constateerden dat een algemeen model onvoldoende recht deed aan het Nederlands, en trainden daarom zelf verder op Nederlandse tekst.

Ten tweede de beoordeling. De bekendste ranglijsten en tests waarmee AI-bedrijven hun modellen vergelijken en verbeteren, zijn overwegend Engelstalig. Een deel van de vooruitgang die een nieuw model op zo'n ranglijst boekt, vertaalt zich dus niet automatisch naar evenveel vooruitgang in het Nederlands — simpelweg omdat daar minder op gestuurd en getest wordt.

Wat je eraan doet: zes concrete stappen

• Geef voorbeelden mee in plaats van "professioneel Nederlands" te vragen. "Professioneel" is voor een model een vaag containerbegrip. Een paar regels van een tekst die je zelf goed vindt, werkt beter dan drie zinnen omschrijving van hoe het moet klinken.
• Leg aanspreekvorm en toon vast, en herhaal ze. Zeg expliciet of het je of u wordt, en of de toon zakelijk-warm, kort-zakelijk of iets anders is. Herhaal dat in elke instructie of vaste systeeminstructie, in plaats van het één keer te zeggen en te hopen dat het blijft hangen.
• Stel een lijstje met eigen vaktermen samen. Hoe schrijf je een afkorting, welke term gebruik je wel en welke niet. Stuur dat lijstje standaard mee bij teksten waar vaktaal in voorkomt.
• Laat het model in het Nederlands denken en schrijven, niet vertalen. Zeg dat expliciet: schrijf in het Nederlands, redeneer niet eerst in het Engels. Dat is geen garantie, maar het scheelt merkbaar in hoe "vertaald" een tekst aanvoelt.
• Controleer op typisch vertaalde formuleringen. Een hoofdletter bij elk woord in een titel, een uitdrukking die letterlijk uit het Engels is overgenomen, een té enthousiaste of clickbait-achtige toon — dat zijn de tekens dat een tekst eigenlijk Engels denkwerk is dat in Nederlandse woorden is gegoten.
• Test verschillende modellen op je eigen tekst. Modellen verschillen merkbaar in hoe goed ze Nederlands schrijven, en welk model wint hangt af van de taak en de manier waarop je het vraagt. Neem dezelfde opdracht, met dezelfde voorbeelden en instructies, en probeer die in twee of drie modellen — niet met een generieke testvraag, maar met een tekst die je bedrijf ook echt zou versturen.

Onderzoek van taal- en communicatietrainingsbureau Loo van Eck naar het Nederlandse schrijfniveau van GPT-4o, Claude 3.5, Gemini 1.5 en Mistral 8x7b laat precies zien waarom die laatste stap ertoe doet: welk model het best scoorde, verschilde per type instructie. Met een simpele opdracht kwam een ander model als beste uit de test dan met een uitgebreide, doordachte opdracht. Dat onderstreept waarom testen met je eigen tekst en je eigen manier van vragen meer zegt dan een algemene uitspraak over "het beste AI-model voor het Nederlands".

Let er bij het eerste punt wel op wat voor voorbeeldteksten je meestuurt: bevatten ze klantgegevens, wees dan terughoudend met wat je in een publieke AI-tool plakt. Zie wat de AVG in de praktijk van je vraagt.

Overzicht: symptoom, oorzaak, aanpak

Wat je niet moet doen

Twee valkuilen zijn met dit alles in het achterhoofd toch de moeite waard om apart te noemen, want ze zijn hardnekkig.

Vertrouw nooit klakkeloos op de eerste output voor klantcommunicatie. Ook met alle bovenstaande maatregelen blijft een AI-tekst een concept. Lees hem na vóór hij naar een klant gaat — niet alleen op toon, maar ook op feiten, vaktermen en aanspreekvorm. Precies de fouten die dit artikel beschrijft, ogen op het eerste gezicht vloeiend en overtuigend, en worden daardoor makkelijk over het hoofd gezien.

Laat ook niet alles in het Engels schrijven om het daarna te laten vertalen. Dat lijkt een handige omweg — een model is in het Engels vaak sterker — maar je haalt daarmee het probleem juist naar binnen in plaats van dat je het oplost: een vertaalslag voegt een nieuwe laag toe waarin nuance, toon en vaktaal opnieuw verloren kunnen gaan. Laat een model liever direct in het Nederlands denken en schrijven, met je eigen voorbeelden en instructies erbij, dan een omweg via het Engels te forceren.

Wordt dit vanzelf beter?

Ja, in grote lijnen wel. Nieuwere modellen zijn merkbaar beter in het Nederlands dan de generatie van een paar jaar geleden, en de klassieke fouten van een paar jaar terug — een titel met een hoofdletter bij ieder woord, een woord dat gewoon in het Engels blijft staan — kom je bij de nieuwste modellen minder vaak tegen. De onderliggende ongelijkheid in trainingsdata verdwijnt daarmee niet, maar de modellen worden er kennelijk steeds beter in om dat gat te overbruggen.

Wat niet verdwijnt, is de spreiding. Het ene model schrijft nu eenmaal beter Nederlands dan het andere, en dat verschil hangt af van het model, van de taak, en van hoe je het vraagt — zoals het onderzoek van Loo van Eck hierboven laat zien. Er is dus geen vaste winnaar die je blind kunt aanhouden. De enige manier om dat voor jouw teksten en jouw sector zeker te weten, is het zelf testen, met je eigen voorbeelden, op het moment dat je een keuze moet maken — niet op basis van wat een half jaar geleden de beste keuze was.

AI in het Nederlands wordt met de tijd beter, maar het verschil met het Engels verdwijnt niet vanzelf — en welk model op jouw taak het beste scoort, verandert. Leg je eigen toon, aanspreekvorm en vaktaal vast, geef voorbeelden in plaats van vage opdrachten, en test voordat je op een model vertrouwt voor klantcommunicatie. Wil je dit structureel in je organisatie verankeren in plaats van het steeds opnieuw uit te vinden, dan is een stapsgewijze aanpak een goed vertrekpunt, en overweeg of je dat zelf oppakt of uitbesteedt. Op aiworktalent plaats je je opdracht en ontvang je voorstellen van specialisten; twijfel je hoe je zo'n samenwerking aanpakt, zie de gids voor het inhuren van een AI-expert.