--- title: "Wat is grounding bij LLM's | Grounding versus RAG | Len P. van der Hof" description: LLM-grounding is de vraag of een gegenereerde bewering wordt onderbouwd door het bewijs dat het model bij het genereren in zijn context had. RAG haalt die… image: "https://lenvanderhof.com/media/generated/blog-hero-llm-grounding-v1.0c5fe074c523.wide.webp" --- [AI-systemen](https://lenvanderhof.com/nl/blog/categorie/ai-systemen/) Onderzoeksartikel # Wat is LLM-grounding? De zin moet een map kunnen openen Een echt bron-ID kan een onjuiste bewering sieren. Grounding begint pas nadat de link opent. Len P. van der HofGepubliceerd 22 september 20265 min. leestijd Bewering, geciteerde passage en het spoor van de contextopbouw blijven aan elkaar vastzitten, anders hangt de bewering los. Direct antwoord LLM-grounding betekent dat elke feitelijke bewering in een gegenereerd antwoord wordt onderbouwd door specifiek bewijs dat het model voor dat antwoord kreeg. Die onderbouwing kan uit één passage komen of uit meerdere passages samen, en het bewijs moet in de context hebben gestaan op het moment van genereren. Een geldige bronlink is op zichzelf niet genoeg: de geciteerde passage moet de bewering dragen. De terminologie verschilt per leverancier. De Search-gids van Google noemt retrieval-augmented generation, RAG, een techniek die ook bekendstaat als grounding; Google Cloud beschrijft RAG als een veelgebruikte techniek voor grounding. Deze site houdt een operationeel onderscheid aan: RAG haalt bewijs op en bouwt de context, grounding toetst of het antwoord daaruit volgt. ## Belangrijkste inzichten - RAG brengt bewijs in de context. Grounding toetst of elke feitelijke bewering uit dat bewijs volgt. - Een citaat kan keurig openen en toch zakken voor grounding, als de passage de bewering ernaast niet draagt. - Het bewijs moet in de context hebben gestaan op het moment van genereren. Een bron die je achteraf vindt, onderbouwt het oorspronkelijke antwoord niet. - Een gegrond antwoord kan alsnog verouderd zijn. Onderbouwing en actualiteit zijn twee toetsen met twee eigenaren. Een citaat kan echt zijn, klikbaar, en fout. Stel dat een antwoord zegt dat je opzegtermijn dertig dagen is, en het huidige leverancierscontract citeert. De link opent. Het document is echt. De geciteerde clausule zegt alleen dat beide partijen schriftelijk kunnen opzeggen. Het getal komt ergens anders vandaan. De interface toont herkomst. De bewering heeft geen dekking. **LLM-grounding is de vraag of een gegenereerde bewering wordt onderbouwd door het bewijs dat het model voor dat antwoord kreeg.** Een bewering is gegrond wanneer één passage, of een benoemde combinatie van passages die je samen leest, draagt wat de zin zegt, en wanneer dat bewijs in de context stond op het moment van genereren. Aannemelijkheid telt niet. Een vergelijkbare passage elders in het corpus telt niet. Trainingsdata telt niet. Een nette voetnoot ook niet. ## Grounding versus RAG De woorden worden losjes gebruikt, en de leveranciers zijn het onderling niet eens. De Search-gids van Google beschrijft retrieval-augmented generation als een techniek “also known as grounding”. Google Cloud legt de relatie andersom: RAG is een veelgebruikte techniek voor grounding. Beide formuleringen zijn actueel, en elk klopt binnen het eigen product. Voor wie een retrievalsysteem beheert, houdt deze site de taken uit elkaar: TaakVraag die ze beantwoordtTypische misserRAG-retrievalHeeft het systeem de relevante passages gevonden en samengebracht vóór het genereren?De bepalende clausule kwam nooit in de contextGroundingVolgt elke feitelijke bewering uit de passages die in de context stonden?Het model voegt een getal toe dat de context niet bevat, of plakt twee feiten verkeerd aan elkaarCitaatKan een lezer de aangevoerde onderbouwing openen?De link werkt, maar de passage draagt de zin ernaast niet RAG kan uitstekende context ophalen en toch een ongegrond antwoord opleveren. Het model kan de beslissende zin overslaan, een vertrouwd getal uit zijn training invoegen of het verkeerde bron-ID aanhechten. Grounding toetst die laatste meter. [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) definieert de retrievalarchitectuur. Deze pagina definieert de controle die daarna draait. Het omgekeerde geval telt ook. Een bewering kan trouw steunen op een verouderde beleidsversie. Ze is dan gegrond in de aangeleverde bron en toch fout voor het besluit van vandaag. Dat is een fout in actualiteit, niet in grounding, en [Wat is GRAIN?](https://lenvanderhof.com/nl/blog/wat-is-grain/) is daar de eigenaar van. ## Twee fouten die op elkaar lijken Het boek achter deze pagina benoemt er twee. **Ongegronde generatie** is een bewering zonder steun waar dan ook in de samengestelde context. Het model produceerde een aannemelijke voortzetting uit zijn trainingsdistributie, en niets van wat is opgehaald kan ervoor instaan. **Fout geciteerde generatie** is subtieler. Het model citeert een echte passage uit de context, maar die passage zegt niet wat de bewering zegt. De syntax klopt, retrieval deed zijn werk, en de koppeling is vals. Beide worden door hetzelfde mechanisme gevangen: vergelijk de uitvoer met de samengestelde context en vraag, bewering voor bewering, of ze volgt uit wat is aangeleverd. Die controle moet structureel zijn. Een promptregel als “gebruik alleen de aangeleverde context” is een instructie, geen garantie. ## De toets per bewering Voer de toets uit per bewering, niet per alinea. 1. Splits het antwoord in feitelijke beweringen. “Het beleid wijzigde op 1 juni en staat nu dertig dagen toe” bevat er minstens twee. 2. Leg de exacte passages vast die in de context stonden op het moment van genereren, met stabiele bron- en chunk-ID’s. 3. Benoem per bewering welke passage of passages haar dragen. 4. Vraag of het bewijs de hele bewering dekt. Gedeelde woorden en semantische gelijkenis zijn zwakkere toetsen, en ze laten zinnen door die niet door mogen. 5. Controleer of het zichtbare citaat precies die dragende passages opent. 6. Handel af wat zakt: schrap een bijkomstig detail, beantwoord alleen het gedekte deel, haal opnieuw op, weiger, of leg het voor aan een mens. De volgorde is belangrijk vanwege een veelvoorkomende reparatie die niets verandert. Een team vindt een niet-onderbouwde zin, doorzoekt achteraf het corpus, vindt een alinea die de zin zou kunnen dragen en voegt dat citaat toe. De weergave oogt nu verdedigbaar. De oorspronkelijke generatie was nog steeds ongegrond, want het bewijs kwam ná het antwoord. Een bron die je later vindt, kan een zin die eerder is geschreven niet onderbouwen. ## Waar GRAIN het werk plaatst In [De RAG-engineer](https://lenvanderhof.com/boeken/the-rag-engineer/) staat GRAIN voor **Gather corpora, Rank and rerank, Assemble context, Inspect failures, Navigate freshness**. De grounding-check hoort bij Assemble, even wezenlijk voor die fase als het bouwen van de context zelf. Bron-ID’s en passagegrenzen reizen mee de context in, en de check vraagt of de beweringen die eruit komen daaruit volgen. Elk afgekeurd antwoord wordt daarna een record voor Inspect, dat de failure-trace bewaart en meet hoe vaak de check afgaat. Navigate houdt de dragende bron actueel. Die verdeling voorkomt dat één overbelast woord drie verschillende defecten verbergt: - het juiste bewijs is nooit opgehaald; - het bewijs is opgehaald en droeg de gegenereerde bewering niet; - het bewijs droeg de bewering bij het indexeren en is sindsdien achterhaald. Elk defect heeft een andere eigenaar en een andere reparatie. ## Een citaat is een interface, geen oordeel Klikbare bron-ID’s zijn waardevol. Een lezer opent er de exacte passage mee, en software kan ermee vaststellen dat een identifier in het spoor van de contextopbouw voorkwam. Dat is referentiële geldigheid: de verwijzing bestaat. Grounding vraagt de tweede controle. Draagt de passage waarnaar wordt gewezen de zin ernaast? Een model kan clausule 12.3 correct citeren en clausule 12.3 in dezelfde adem verkeerd weergeven. Geautomatiseerde grounding-beoordelaars kunnen dit werk voorsorteren. Hun scores meten één beoordelaar, één prompt, één set beweringen en één drempel; het zijn geen waarheidsmeters. Bouw gelabelde voorbeelden uit je eigen corpus, neem gevallen met gedeeltelijke dekking op en houd een route naar een mens open voor besluiten waarbij een gepolijste fout echt geld kost. [Evalueer de redenering, niet de vloeiendheid](https://lenvanderhof.com/nl/blog/evalueer-de-redenering-niet-de-vloeiendheid/) behandelt de bredere gewoonte om afwerking voor bewijs aan te zien. Grounding zit tussen retrieval en vertrouwen. Elke feitelijke zin moet het bewijs kunnen heropenen dat op tafel lag toen ze werd geschreven. Citeer deze pagina:Wat is LLM-grounding? De zin moet een map kunnen openen.Len P. van der Hof. [https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/](https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/) · Gepubliceerd 22 september 2026. ## Begrippen - [RAG](https://lenvanderhof.com/nl/begrippen/rag/) - [GRAIN](https://lenvanderhof.com/nl/begrippen/grain/) ## Bronnen 1. [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) 2. [Wat is GRAIN?](https://lenvanderhof.com/nl/blog/wat-is-grain/) 3. [Evalueer de redenering, niet de vloeiendheid](https://lenvanderhof.com/nl/blog/evalueer-de-redenering-niet-de-vloeiendheid/) 4. [RAG versus fine-tuning versus agents](https://lenvanderhof.com/nl/blog/rag-versus-finetuning-versus-agents/) 5. [De RAG-engineer](https://lenvanderhof.com/boeken/the-rag-engineer/) 6. [Optimizing your website for generative AI features on Google Search](https://developers.google.com/search/docs/fundamentals/ai-optimization-guide) · Google Search Central 7. [Develop a generative AI application](https://docs.cloud.google.com/docs/ai-ml/generative-ai/develop-generative-ai-application) · Google Cloud 8. [Check grounding with RAG](https://docs.cloud.google.com/generative-ai-app-builder/docs/check-grounding) · Google Cloud ## Verder lezen - [Wat is RAG?](https://lenvanderhof.com/nl/blog/wat-is-rag/) - [Wat is GRAIN?](https://lenvanderhof.com/nl/blog/wat-is-grain/) - [De RAG-engineer](https://lenvanderhof.com/boeken/the-rag-engineer/) Over de auteur ## [Len P. van der Hof](https://lenvanderhof.com/nl/auteurs/len-p-van-der-hof/) Ondernemer, AI-innovator en venture builder Len P. van der Hof bouwt praktische AI-systemen, digitale ventures en evidence-informed hulpmiddelen voor founders. ```json { "@context": "https://schema.org", "@graph": [ { "@type": "Person", "@id": "https://lenvanderhof.com/#person", "name": "Len P. van der Hof", "alternateName": [ "Len van der Hof", "L.P. van der Hof", "Leendert Pieter van der Hof" ], "honorificSuffix": "MSc", "url": "https://lenvanderhof.com/", "image": [ "https://lenvanderhof.com/photos/len-portrait-1.jpg", "https://lenvanderhof.com/photos/len-portrait-2.jpg", "https://lenvanderhof.com/photos/len-portrait-3.jpg", "https://lenvanderhof.com/photos/len-portrait-4.jpg", "https://lenvanderhof.com/photos/len-speaking.jpg", "https://lenvanderhof.com/photos/len-hero.jpg" ], "jobTitle": "Ondernemer, AI-innovator en venture builder", "description": "Len P. van der Hof, MSc, is een Nederlandse ondernemer en AI-innovator in Zwijndrecht. Hij bouwt ReasonKit, MindSesh, Undominated.ai, boeken onder zijn eigen naam, het fictie-imprint LPH98.lifestyle en technologieventures via LPH98.ventures. Elf titels in Systems for the Strategic Self zijn nu verkrijgbaar, in het Engels en het Nederlands.", "address": { "@type": "PostalAddress", "addressLocality": "Zwijndrecht", "addressCountry": "NL" }, "alumniOf": { "@type": "CollegeOrUniversity", "name": "Rotterdam School of Management, Erasmus University" }, "knowsAbout": [ "Artificial intelligence", "AI agents", "Agentic AI systems", "LLM routing", "SEO", "Generative engine optimization", "Answer engine optimization", "Venture building", "Founder performance", "Founder psychology", "Evidence-based decision-making" ], "sameAs": [ "https://www.linkedin.com/in/lenvanderhof/", "https://x.com/LenvanderHof", "https://www.youtube.com/channel/UCTG20buKqYYbitqqf7l3zJA", "https://www.instagram.com/Lenvanderhof/", "https://www.threads.com/@lenvanderhof", "https://github.com/Lenvanderhof", "https://huggingface.co/LPH98", "https://www.npmjs.com/~lenvanderhof", "https://www.goodreads.com/author/show/70983905.Len_P_van_der_Hof", "https://www.amazon.com/author/lenvanderhof", "https://www.bol.com/nl/nl/b/len-p-van-der-hof-msc/609879394/", "https://bsky.app/profile/lenvanderhof.com", "https://mastodon.social/@Lenvanderhof", "https://crates.io/users/Lenvanderhof", "https://cursor.com/@Lenvanderhof", "https://medium.com/@Lenvanderhof", "https://gitlab.com/Lenvanderhof", "https://hub.docker.com/u/lenvanderhof/", "https://dev.to/lenvanderhof", "https://www.facebook.com/Lenvanderhof", "https://soundcloud.com/Lenvanderhof" ], "affiliation": [ { "@id": "https://lenvanderhof.com/#publisher" }, { "@id": "https://lenvanderhof.com/#mindsesh" }, { "@id": "https://lenvanderhof.com/#lifestyle" } ] }, { "@type": "WebSite", "@id": "https://lenvanderhof.com/#website", "url": "https://lenvanderhof.com/", "name": "Len P. van der Hof", "description": "Len P. van der Hof, MSc, is een Nederlandse ondernemer en AI-innovator in Zwijndrecht. Hij bouwt ReasonKit, MindSesh, Undominated.ai, boeken onder zijn eigen naam, het fictie-imprint LPH98.lifestyle en technologieventures via LPH98.ventures. Elf titels in Systems for the Strategic Self zijn nu verkrijgbaar, in het Engels en het Nederlands.", "inLanguage": [ "en", "nl" ], "publisher": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#publisher", "name": "LPH98.ventures", "url": "https://lph98.ventures", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#mindsesh", "name": "MindSesh", "url": "https://mindsesh.net", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "SoftwareApplication", "@id": "https://lenvanderhof.com/#reasonkit", "name": "ReasonKit", "url": "https://reasonkit.sh", "creator": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "SoftwareApplication", "@id": "https://lenvanderhof.com/#undominated", "name": "Undominated.ai", "url": "https://undominated.ai", "creator": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "Organization", "@id": "https://lenvanderhof.com/#lifestyle", "name": "LPH98.lifestyle", "url": "https://lph98.lifestyle", "founder": { "@id": "https://lenvanderhof.com/#person" } }, { "@type": "ImageObject", "@id": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/#primaryimage", "url": "https://lenvanderhof.com/media/generated/blog-hero-llm-grounding-v1.0c5fe074c523.wide.webp", "contentUrl": "https://lenvanderhof.com/media/generated/blog-hero-llm-grounding-v1.0c5fe074c523.wide.webp", "representativeOfPage": true }, { "@type": "BreadcrumbList", "@id": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/#breadcrumb", "itemListElement": [ { "@type": "ListItem", "position": 1, "name": "Home", "item": "https://lenvanderhof.com/nl/" }, { "@type": "ListItem", "position": 2, "name": "Blog", "item": "https://lenvanderhof.com/nl/blog/" }, { "@type": "ListItem", "position": 3, "name": "AI-systemen", "item": "https://lenvanderhof.com/nl/blog/categorie/ai-systemen/" }, { "@type": "ListItem", "position": 4, "name": "Wat is LLM-grounding? De zin moet een map kunnen openen", "item": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/" } ] }, { "@type": "WebPage", "@id": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/#webpage", "url": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/", "name": "Wat is LLM-grounding? De zin moet een map kunnen openen", "description": "LLM-grounding is de vraag of een gegenereerde bewering wordt onderbouwd door het bewijs dat het model bij het genereren in zijn context had. RAG haalt die context op. Grounding toetst of het antwoord er ook echt uit volgt.", "isPartOf": { "@id": "https://lenvanderhof.com/#website" }, "primaryImageOfPage": { "@id": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/#primaryimage" }, "breadcrumb": { "@id": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/#breadcrumb" }, "inLanguage": "nl-NL" }, { "@type": "BlogPosting", "@id": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/#article", "mainEntityOfPage": { "@id": "https://lenvanderhof.com/nl/blog/wat-is-llm-grounding/#webpage" }, "headline": "Wat is LLM-grounding? De zin moet een map kunnen openen", "description": "LLM-grounding is de vraag of een gegenereerde bewering wordt onderbouwd door het bewijs dat het model bij het genereren in zijn context had. RAG haalt die context op. Grounding toetst of het antwoord er ook echt uit volgt.", "datePublished": "2026-09-22T14:05:00.000Z", "author": { "@id": "https://lenvanderhof.com/#person" }, "publisher": { "@id": "https://lenvanderhof.com/#person" }, "image": [ "https://lenvanderhof.com/media/generated/blog-hero-llm-grounding-v1.0c5fe074c523.square.webp", "https://lenvanderhof.com/media/generated/blog-hero-llm-grounding-v1.0c5fe074c523.landscape.webp", "https://lenvanderhof.com/media/generated/blog-hero-llm-grounding-v1.0c5fe074c523.wide.webp" ], "articleSection": "AI-systemen", "inLanguage": "nl-NL" } ] } ```