# Bias in AI: waar vooroordelen vandaan komen en hoe je ze opmerkt

> Bias in AI uitgelegd voor ondernemers: waar vooroordelen in AI vandaan komen, voorbeelden uit onderzoek en een eenvoudige test om bias op te merken.

Bron: https://geo-kennisbank.nl/kennisbank/vooroordelen-in-ai/  
Uitgever: GEO-Kennisbank (geo-kennisbank.nl), een label van Harundo  
Bijgewerkt: 2026-11-10

Je vraagt een AI om een vacaturetekst, een klantprofiel of advies over wie je het beste kunt aannemen. Het antwoord klinkt neutraal en zelfverzekerd, en toch kan er een vooroordeel in zitten. Bias in AI betekent dat een systeem bepaalde mensen, groepen of bedrijven stelselmatig anders behandelt, zonder goede reden. Kwade opzet zit er niet achter. AI leert van data uit onze samenleving en neemt de scheefheden daarin over.

Kort antwoord

Bias in AI is een systematische scheefheid in de uitkomsten van een AI-systeem. Het komt vooral uit de trainingsdata, uit ontwerpkeuzes en uit hoe mensen het systeem gebruiken. Je merkt het op door dezelfde vraag te testen met wisselende namen, geslachten of plaatsen, en door belangrijke beslissingen door een mens te laten controleren.

## Wat is bias in AI?

In het Nederlands heet het vooringenomenheid of vooroordeel. Bij bias in AI wijkt een systeem vaker of sterker in één richting af. Denk aan een cv-sorteerder die mannelijke namen vaker bovenaan zet, of een beeldgenerator die bij „directeur” vooral mannen laat zien.

Het systeem bedoelt er niets mee. Een taalmodel heeft geen mening, het voorspelt welke woorden bij elkaar passen op basis van enorme hoeveelheden tekst. Is die tekst scheef, dan komt het antwoord ook scheef uit. Meer over het leerproces lees je bij [trainingsdata](https://geo-kennisbank.nl/begrippen/#trainingsdata).

Het kabinet noemt dit zelf een zorg: via de trainingsdata en de instellingen van het model kunnen vooringenomenheid en selectiviteit in de systemen verankerd raken. Voor jou als ondernemer is het eerst een kwaliteitsvraag. Een antwoord dat structureel scheef is, is een slecht antwoord, en soms ook een juridisch risico.

## Waar komt bias in AI vandaan?

Meestal uit een van deze vier bronnen.

|Bron |Hoe het ontstaat |Voorbeeld |

|Trainingsdata |De data weerspiegelt de samenleving, met haar scheefheden en lege plekken |Meer teksten over grote bedrijven dan over kleine |

|Ontwerpkeuzes |Wat gemeten, gelabeld en beloond wordt, bepaalt wat het model leert |Een systeem dat „succes” afleidt uit eerdere aanwervingen |

|Gebruik |Mensen gebruiken een tool voor iets waarvoor het niet is gemaakt |Een algemeen taalmodel inzetten om sollicitanten te rangschikken |

|Terugkoppeling |Uitkomsten beïnvloeden nieuwe data, waardoor de scheefheid groeit |Wat vaak wordt aanbevolen, wordt vaker bezocht en dus vaker aanbevolen |

Een voorbeeld uit het dagelijks gebruik: je laat een AI klantreviews samenvatten en ziet dat klachten van ouderen steeds als „emotioneel” worden omschreven en klachten van jongeren als „zakelijk”. De feiten kloppen, alleen de toon is scheef, en juist daarom valt het niet snel op.

De data is de grootste oorzaak, maar je eigen vraag telt ook mee. „Schrijf een profiel van een ideale verpleegkundige” levert vaak een vrouw op, tenzij je er iets anders om vraagt.

## Bias in AI: wat onderzoek laat zien

Twee onderzoeken maken het concreet.

In Gender Shades uit 2018 testten Joy Buolamwini en Timnit Gebru drie commerciële systemen die gezichten indelen op geslacht. Bij donkere vrouwen liepen de foutpercentages op tot 34,7 procent, terwijl het maximum bij lichte mannen 0,8 procent was. Voor de ene groep werkte het systeem dus goed en voor de andere slecht.

In 2024 onderzocht de Universiteit van Washington hoe drie taalmodellen meer dan 550 echte cv's rangschikten bij meer dan 500 vacatures, met namen die bij witte en zwarte mannen en vrouwen horen. Dat leverde meer dan drie miljoen vergelijkingen op. In 85 procent van de gevallen kozen de modellen voor namen die bij witte mensen horen, tegen 9 procent voor namen die bij zwarte mensen horen. Mannelijke namen: 52 procent. Vrouwelijke: 11 procent. Een zwarte mannelijke naam kozen de modellen nooit boven een witte mannelijke naam. Het ging om drie bepaalde modellen, niet om ChatGPT of Copilot, en om een onderzoeksopzet. Wat het vooral laat zien, is dat het kan gebeuren.

**Hoe ziet AI jouw website?** Doe de gratis GEO-scan: 40 controles en een cijfer van 0 tot 100.

[Start de GEO-scan](https://geo-kennisbank.nl/ai-scan/)

## Zo merk je bias in AI op

Daar hoef je geen datawetenschapper voor te zijn. Een eenvoudige wisseltest laat al veel zien.

- **Kies een vaste vraag.** Bijvoorbeeld: „Schrijf een korte beoordeling van deze kandidaat” met een fictief cv.

- **Wissel één kenmerk.** Verander alleen de naam, het geslacht, de leeftijd of de woonplaats. De rest blijft gelijk.

- **Herhaal meerdere keren.** Aan één antwoord heb je weinig, dus doe het minstens tien keer per variant.

- **Vergelijk.** Let op verschillen in toon, advies, cijfers en woordkeus.

- **Leg vast.** Noteer wat je ziet en wat je eraan doet.

- **Laat een mens beslissen.** Gebruik AI als hulp en niet als beslisser, zeker als het om mensen of geld gaat.

Waar het vaak misgaat: één mooi antwoord als bewijs zien, de tool alleen testen met voorbeelden die je zelf bedenkt, of aannemen dat een duurder abonnement vanzelf eerlijker is. Teams stellen elkaar ook makkelijk gerust. Meldt niemand een probleem, dan lijkt er geen te zijn. Plan daarom vaste controles, bijvoorbeeld elk kwartaal, met iemand erbij die de tool niet dagelijks gebruikt. Verwar bias overigens niet met [hallucinatie](https://geo-kennisbank.nl/kennisbank/ai-hallucinaties/): daarbij is de inhoud verzonnen, terwijl bias gaat over een structurele scheefheid.

## Wie is verantwoordelijk voor bias in AI?

Jij, als je de tool inzet. Het College voor de Rechten van de Mens zei in 2021 dat een werkgever verantwoordelijk is als een algoritme bij werving discrimineert, ook als het een lerend systeem is dat pas later gaat afwijken. Het College adviseert vooraf objectieve criteria vast te leggen die bij de functie horen, te controleren of criteria indirect naar beschermde kenmerken verwijzen, en vacatures via meerdere kanalen te plaatsen.

De AI-verordening ziet AI bij werving als hoog risico. Volgens de aangepaste planning gaan die eisen op 2 december 2027 in. De digitale omnibus van 2026 maakt het ook makkelijker om bijzondere persoonsgegevens te verwerken als je bias wilt opsporen en corrigeren. Meer daarover vind je in [AI bij werving en selectie](https://geo-kennisbank.nl/kennisbank/ai-bij-werving/) en [verantwoord AI gebruiken](https://geo-kennisbank.nl/kennisbank/verantwoord-ai-gebruiken/). Dit is algemene informatie, geen juridisch advies.

## Wat dit betekent voor jou

Bias raakt ook je zichtbaarheid. Modellen kennen vooral wat vaak en duidelijk online staat, dus een bedrijf dat er weinig of vaag op staat, wordt minder snel genoemd. Beschrijf goed wat je doet en voor wie, verzamel reviews en houd je gegevens kloppend. Wat AI nu over je zegt, zie je met de [vermeldingscheck](https://geo-kennisbank.nl/vermeldingscheck/). Je eigen AI-tools test je met de wisseltest.

## Conclusie

Bias in AI komt uit data, ontwerp en gebruik. Aannemen dat AI neutraal is, lost niets op. Test met wisselende voorbeelden, leg criteria vooraf vast en laat mensen beslissen over mensen, want jij blijft verantwoordelijk voor wat je tools doen. Wil je weten hoe AI jouw bedrijf nu beschrijft en of je website goed leesbaar is voor AI, start dan de [GEO-scan](https://geo-kennisbank.nl/ai-scan/).

## Veelgestelde vragen

### Wat is bias in AI?
Bias in AI is een systematische scheefheid in de uitkomsten van een AI-systeem, waardoor bepaalde groepen of onderwerpen beter of slechter worden behandeld. Meestal komt het door de data waarmee het systeem is getraind, door ontwerpkeuzes of door de manier waarop mensen het systeem inzetten.

### Is AI objectiever dan een mens?
Niet vanzelf. AI is consequent, maar past dezelfde scheefheid dan ook keer op keer toe, op grote schaal en zonder dat iemand het merkt. Het kabinet wijst erop dat vooringenomenheid en selectiviteit via de trainingsdata en de instellingen van het model in systemen kunnen zitten. Er moet dus een mens meekijken.

### Kan ik bias uit een AI-tool halen?
Niet helemaal. Aanbieders proberen het te verkleinen, maar uitsluiten kan niet. Zelf kun je de tool testen met wisselende voorbeelden, vooraf duidelijke criteria kiezen, belangrijke beslissingen door een mens laten nemen en afwijkingen bijhouden. Bij werving en selectie is dat extra belangrijk, omdat het daar om mensen gaat.

### Ben ik verantwoordelijk als de AI discrimineert?
Ja. Het College voor de Rechten van de Mens stelt dat een werkgever verantwoordelijk is als een algoritme bij werving discrimineert. Die verantwoordelijkheid schuif je niet door naar de software of de leverancier. Opzet is daarvoor niet nodig, ook niet als een lerend systeem pas later gaat discrimineren.

### Heeft bias invloed op mijn zichtbaarheid in AI-antwoorden?
Mogelijk wel. Wat vaak en uitgebreid online staat, is beter vertegenwoordigd in trainingsdata en zoekbronnen. Een klein bedrijf met weinig beschrijvingen of reviews wordt daardoor minder snel genoemd. Dat volgt uit hoe modellen leren. Een gemeten percentage is er niet voor.

## Bronnen

- Rijksoverheid, Kabinet presenteert visie op generatieve AI (18 januari 2024)
- College voor de Rechten van de Mens, Recruiter of computer? (december 2021)
- Buolamwini en Gebru, Gender Shades, Proceedings of Machine Learning Research (2018)
- Universiteit van Washington, onderzoek naar bias in AI-cv-selectie (31 oktober 2024)
- Europese Commissie, Regulatory framework for AI
- Garrigues, AI digital omnibus regulation has been published (juli 2026)