Post 3: Wanneer AI’s Het Oneens Zijn – Conflicterende Informatie Documenteren

Het Internet is Vol Leugens (En Dat is Nuttig)

Na het bouwen van onze AI-kennisbank (post 2) stond ik voor een interessante keuze. We hadden een systeem dat onze primaire bronnen perfect analyseerde. We wisten de waarheid: Claude Valsuani, niet Marcello.

Maar hier is het ding: de waarheid kennen is niet hetzelfde als de waarheid verspreiden.

Het internet stond (en staat) nog steeds vol met “Marcello Valsuani” vermeldingen. Wikipedia, veilinghuizen, blogs, academische databases – allemaal citeren ze elkaar in een gigantische echo-kamer van misinformatie.

De vraag werd: hoe documenteren we niet alleen wat waar is, maar ook wat er allemaal fout staat? En waar komen die fouten precies vandaan?

Multi-Agent Strategie

We besloten iets ambitieus te doen: meerdere AI-systemen tegelijk loslaten op het internet, elk met een andere opdracht.

AI Agent 1: De Optimist
– Taak: Vind alle bronnen die “Marcello Valsuani” ondersteunen
– Strategie: Zoek naar academische papers, museumcatalogi, gerespecteerde bronnen
– Doel: Bouw het sterkst mogelijke argument voor “Marcello bestaat”
AI Agent 2: De Scepticus
– Taak: Vind alle bronnen die “Marcello Valsuani” tegenspreken
– Strategie: Zoek naar primaire documenten, officiële registers, archieven
– Doel: Bouw het sterkst mogelijke argument voor “Marcello bestaat niet”
AI Agent 3: De Historicus
– Taak: Traceer de oorsprong van de “Marcello” claim
– Strategie: Volg citeerketens terug in de tijd
– Doel: Vind de eerste keer dat “Marcello” verscheen in publicaties
AI Agent 4: De Genealoog
– Taak: Bouw complete familie-stamboom Valsuani
– Strategie: Cross-reference alle civil records Frankrijk/Italië
– Doel: Documenteer elke persoon in de familie-lijn
AI Agent 5: De Marktanalist
– Taak: Analyseer hoe attributie-fouten veilingprijzen beïnvloeden
– Strategie: Vergelijk bronzen met correcte vs incorrecte attributie
– Doel: Kwantificeer de economische impact van de fout

Wat Ze Vonden (En Waar Ze Het Oneens Waren)

Na twee weken parallel zoeken hadden we een fascinerende dataset:

Consensus-punten (alle 5 AI’s eens):
– Claude Valsuani documenteerbaar als zoon van Carlo (1876-1923)
– Geen enkel Frans civil record vermeldt “Marcello Valsuani”
– Eerste “Marcello” vermelding waarschijnlijk veilingcatalogus vroege 1970’s
– Citeerketens vertonen klassiek patroon van error-propagatie
Conflict-punten (AI’s onenigheid):

AI 1 vond: “Wikipedia artikel zegt Marcello arriveerde uit Italië 1902”
AI 2 reageerde: “Maar welke bron citeert Wikipedia? Geen primaire bron gevonden”
AI 3 traceerde: “Wikipedia artikel uit 2008, citeert website uit 2005, die citeert boek uit 1985, die citeert catalogus uit 1971”
Conclusie: 4-stappen verwijderd van originele fout, geen verificatie tussendoor

AI 1 vond: “Daumier.org zegt ‘Claude, zoon van Marcello’”
AI 4 reageerde: “Italiaanse geboorteakte Claude zegt ‘figlio di fu Carlo’ (zoon van wijlen Carlo), niet Marcello”
Conclusie: Daumier.org heeft familierelatie omgedraaid

Het Documenteren van Tegenstrijdigheden

Dit werd een van de krachtigste aspecten van het project: we documenteerden niet alleen de waarheid, maar ook precies hoe de leugen ontstond en verspreidde.

Voor elke foute claim maakten we een “conflict-dossier”:

Voorbeeld: De “Marcello arriveerde in 1902” Claim

Primaire Bronnen Tegenovergesteld:
– Geboorteakte Claude (1876): “fils de Carlo Valsuani” ✓
– Overlijdensakte Carlo (1886): Geen “Marcello” genoemd ✓
– Zakenregister Parijs (1908): “Claude Valsuani, fondeur” ✓
– Familiecorrespondentie (1900-1920): Noemt Claude, nooit Marcello ✓

Waarom Deze Aanpak Werkt

Traditioneel onderzoek zou één persoon zijn die maanden besteedt aan het natrekken van bronnen. Met meerdere AI-agents:

Snelheid: 2 weken vs 6 maanden
Diepgang: 5 verschillende invalshoeken simultaan
Objectiviteit: Agents hebben geen confirmation bias (we instrueerden AI 1 expliciet om het tegenovergestelde te bewijzen)
Documentatie: Elk conflict automatisch vastgelegd met bronvermeldingen

Maar het belangrijkste: we konden fouten traceren tot hun oorsprong.

Waarom is dat cruciaal? Omdat het verschil is tussen zeggen “dit is fout” en bewijzen “dit is precies hoe het fout ging”.

De Onverwachte Ontdekking

Ergens in week 3 deed AI Agent 3 (De Historicus) een fascinerende ontdekking. Hij traceerde niet alleen waar de fout begon, maar ook waarom hij bleef bestaan.

Het patroon:
1. Veilingcatalogus 1971: schrijffout of verwarring “Marcel” → “Marcello”
2. Andere veilinghuizen kopiëren (1975-1980): “gerespecteerde bron, dus moet kloppen”
3. Academisch artikel citeert (1985): nu heeft het “wetenschappelijke autoriteit”
4. Museum catalogus neemt over (1990): nu heeft het “institutionele autoriteit”
5. Wikipedia publiceert (2008): nu heeft het “publieke consensus”

Elke stap maakte de fout moeilijker te corrigeren, omdat de “autoriteit” van de claim groeide terwijl de afstand tot primaire bronnen toenam.

Dit is geen Valsuani-specifiek fenomeen. Dit is hoe fouten in algemeen systemic worden in academische velden.

Conflicten Als Kracht

We hadden nu iets unieks: een complete map van waar informatie klopt, waar het fout is, en precies waarom het fout is.

Dit werd de basis voor de volgende stap: een website bouwen die niet alleen de waarheid vertelt, maar ook transparant laat zien hoe we tot die conclusie kwamen, en welke bronnen het oneens zijn (en waarom die bronnen fout zitten).

Transparantie in conflict-documentatie bleek belangrijker dan alleen maar “dit is het juiste antwoord” roepen.

Hoe we die website bouwden? Dat komt in de volgende post.

Bekijk de volledige conflict-documentatie op Art Revisionist, waar elke claim traceerbaar is tot primaire bronnen.
Zie ook hoe we vergelijkbare multi-perspectief analyse gebruiken bij Prospergenics voor community knowledge building.

—

Terug naar overzicht

Wanneer AI’s Het Oneens Zijn – Conflicterende Informatie Documenteren