De verificatie- en governancelaag voor AI-outreach

Een deterministische verifier beslist wat uw AI-outreach mag versturen.

AI-SDR's optimaliseren voor volume, en single-pass-modellen versturen uitspraken met verouderde bron, verkeerde entiteit en overclaiming intact. De Veracity Engine laat een LLM een concept schrijven; daarna strippen controles in puur Python elke onbewezen bewering, scoren wat overblijft, en leiden het door een risicogekalibreerde beleidspoort. Agents adviseren, code beslist.

100%

Verzendintegriteit wanneer een bewering overleeft

Elke bewering in de verzonden e-mail is brononderbouwd

25/25

Oordeelaccuraatheid op de gelabelde golden set

Deterministisch en reproduceerbaar (benchmark van 25 cases)

Deterministische controles vóór verzending

Grounding, entiteitsmatch, temporele validiteit

Dit is een uitvoerbare demo. Retrieval, CRM en e-mailverzending zijn gesimuleerd, en de leads zijn synthetisch, behalve Werner Enterprises, waarvan de 10-K-fragmenten echt openbaar register zijn.

Volume zonder verificatie vernietigt meer pipeline dan het creëert

De faalmodus achter de veelbesproken AI-SDR-implosies.

AI-SDR's zijn gebouwd om meer te versturen. Single-pass-LLM's hallucineren een meetbaar aandeel van prospectspecifieke beweringen, en personalisatietools verifiëren de resulterende bewering nooit opnieuw tegen een actuele, entiteit-correcte bron. Dus uitspraken met verouderde bron, verkeerde entiteit en overclaiming gaan intact de deur uit, en verificatie wordt ná verzending vastgeschroefd of gebeurt helemaal nooit.

De industriecontext is keihard. Single-pass-LLM's hallucineren 12 tot 18% van de prospectspecifieke beweringen (AI SDR Industry Report, 2026). Enterprise AI-SDR-verloop loopt jaarlijks tot 50 tot 70% (UserGems, 2026). 11x.ai haalde $74M op en stortte in 2025 in met 70 tot 80% verloop (TechCrunch). Slechts 7% van de ondernemingen heeft agentic-specifieke governance (Deloitte, 2026), en Gartner projecteert dat meer dan 40% van de agentic-AI-projecten tegen 2027 zal zijn opgegeven. Sinds november 2025 triggert een spamratio boven 0,3% afwijzing op Gmail-SMTP-niveau en 6 tot 12 weken domeinherstel.

De echte bug is geen slechte grammatica. De grammatica is perfect, wat het erger maakt. Het gevaar is een bewering die correct is geciteerd maar misleidend wordt gebruikt: een waar feit uit een verouderde bron, een waar feit over het verkeerde gelijknamige bedrijf, of een leveranciersclaim die de bron tegenspreekt. Dat noemen we contextueel misbruik, en betere basismodellen nemen het niet weg. Een perfect model kan FINRA of GDPR nog steeds niet bewijzen welke actuele bron welke bewering onderbouwde.

Hoe de Veracity Engine werkt

Een LLM schrijft het concept. Deterministische code beslist wat verzonden wordt. Dit is neurosymbolisch: neuraal auteurschap, symbolische verificatie.

De pijplijn draait Lead, daarna Research (een Fact Sheet waarin elk feit aan een gedateerde bron is gekoppeld), daarna Draft (een Writer-LLM die alleen tot de Fact Sheet is begrensd), daarna Verify (deterministische controles), daarna een Policy Gate, daarna een ondertekende auditreceipt, daarna een gesimuleerde CRM-write-back. De verificatiestap is geen LLM die een LLM beoordeelt. Het is puur Python, zodat dezelfde input bij elke run hetzelfde oordeel oplevert.

De drie deterministische controles

Elke feitelijke bewering wordt getoetst aan de aangehaalde bron. De eerste falende controle wint, in prioriteitsvolgorde: unsourced, daarna contradicted, daarna entity mismatch, daarna stale.

1. Grounding

Volgt de bewering uit een bronfragment? De tokenoverlap moet minstens 0,5 van de inhoudstokens zijn, en bedrijfsnaamtokens worden uitgesloten zodat een bewering niet hoog kan scoren alleen door de bedrijfsnaam te herhalen.

2. Entiteitsmatch

Gaat de bron over deze exacte prospect, niet over een ander gelijknamig bedrijf? Een bron over een ander bedrijf met dezelfde naam faalt, zelfs wanneer de woorden overeenkomen.

3. Temporele validiteit

Als de bewering recentheidstaal gebruikt ("recently", "just", "now", "this week"), moet de bron binnen 365 dagen liggen. Oudere bronnen worden als stale gemarkeerd, zelfs wanneer het feit waar is.

Twee verdere bewakers draaien ernaast: een vendor-contradiction-controle, en een sentence-faithfulness-vloer van 0,3 die voorkomt dat een live LLM meelift op een geldig feit-id in een gehallucineerde zin. Het oordeelvocabulaire stuurt de kleuren van de interface: supported (groen) slaagt; stale (amber), entity_mismatch (rood), contradicted (rood) en unsourced (rood) niet.

De beleidspoort

De poort stript elke niet-ondersteunde bewering en rapporteert daarna twee getallen. De Veracity Score is ondersteunde beweringen gedeeld door het totaal aan feitelijke beweringen in het concept: hoeveel van wat de AI schreef daadwerkelijk waar was. De verzendintegriteit is 100% wanneer minstens één bewering overleeft, omdat de verzonden e-mail dan alleen brononderbouwde beweringen bevat. Dat is de ontwerpgarantie.

Routering volgt risico. De e-mail wordt herschreven als niets veiligs overleeft of de conceptdekking onder 0,5 zakt. Hij gaat naar menselijke beoordeling als hij van hoge waarde is (gereguleerd, of C-suite, of een deal van minstens $100.000), zelfs bij een 100%-schoon concept. Anders komt hij automatisch in aanmerking. De vergelijkingsmodus, Standard AI SDR, onderzoekt, schrijft en verstuurt met 0 beweringen geverifieerd vóór verzending; de app toont dat als een achteraf-schaduwcontrole van wat al de deur uit was.

De vangst, van begin tot eind uitgewerkt

Drie leads uit het democorpus (ankerdatum 2026-06-17). Elk beeld hieronder is een screenshot van de draaiende app.

Een waar feit uit een verouderde bron is nog steeds het verkeerde om te versturen

Voor de Northwind Logistics-lead (een synthetische mid-market-3PL) beweert het concept dat het bedrijf "recently expanded into APAC". De bron is echt Northwind-APAC-nieuws, de grounding-overlap is 100%, en de entiteit klopt. Maar de bron is gedateerd 2019-03-14, wat 2.652 dagen oud is (ongeveer 7,3 jaar) tegen een recentheidsvenster van 365 dagen, dus temporele validiteit faalt en de bewering wordt gestript. De Veracity Engine behoudt de ondersteunde beweringen (aangevoerd door een push om zes Salesforce-beheerders aan te nemen, gestaafd door een vacature gedateerd 2026-06-09), vangt de twee slechte beweringen, en verstuurt een e-mail die 100% brononderbouwd is.

Veracity Engine-resultaat voor de Northwind-lead: 100% van de verzonden e-mail brononderbouwd, 60% van het concept verifieerbaar, twee beweringen opgevangen en gestript met redenen inline getoond. — Veracity Engine-resultaat: verzendintegriteit 100%, concept verifieerbaar 60%, twee beweringen opgevangen en doorgestreept met redenen.

Bewijspaneel dat grounding op 100% en entiteit OK toont, maar de temporele controle faalt: bronleeftijd 2.652 dagen overschrijdt 365 dagen voor een recentheidsbewering, dus het oordeel is stale. — Het bewijspaneel: grounding slaagt, entiteit slaagt, temporele validiteit faalt (bronleeftijd 2.652 dagen boven het venster van 365 dagen). Oordeel: stale.

Hetzelfde gat op een echte SEC-deponering

Werner Enterprises, Inc. is een echt beursgenoteerd bedrijf, en de bronnen W1 en W2 zijn letterlijke fragmenten uit het FY2023 Form 10-K (SEC EDGAR, CIK 0000793074, ingediend 2024-02-26). De conceptbewering "recently growing your One-Way Truckload fleet to 2,735 trucks" is feitelijk echt, maar de deponering is meer dan twee jaar oud, dus een "recently"-framing wordt als stale gevangen. Dit is precies het temporele-misbruikgat dat personalisatietools voor SEC-deponeringen openlaten. (Het contact en de vacature in deze lead zijn synthetisch; alleen Werner en de 10-K-fragmenten zijn echt.)

Een echte Werner Enterprises-bewering onderbouwd door het FY2023 SEC 10-K, als stale gevangen omdat de deponering meer dan twee jaar oud is tegen het recentheidsvenster van 365 dagen. — Een echte Werner 10-K-bewering, feitelijk accuraat, als stale gevangen op een recentheidsframing.

Een entiteitsbotsing bij gelijke naam

Terug bij de Northwind-lead beweert het concept ook een "$40M Series B". De aangehaalde bron is echt, maar gaat over "Northwind Inc.", een cybersecurity-startup in Austin, niet over "Northwind Logistics". De entiteitsmatch-controle faalt en de bewering wordt gestript voordat die kan worden verzonden.

Bewijspaneel dat een entiteitsmatch-falen toont: de aangehaalde financieringsbron gaat over Northwind Inc., een cybersecurity-startup in Austin, niet over Northwind Logistics. — Entiteitsmismatch: de financieringsbron beschrijft Northwind Inc., niet Northwind Logistics.

Governance gaat over risico, niet alleen over juistheid

Atlas Capital Markets is een synthetische FINRA-gereguleerde broker-dealer, met een Chief Revenue Officer-contact en een deal van $220.000. Zelfs een 100%-schoon, volledig brononderbouwd concept wordt door de beleidspoort naar menselijke beoordeling gedwongen, omdat het gereguleerd is, C-suite, en boven de drempel van $100.000. Een schoon concept is niet hetzelfde als een verzendbaar concept.

Atlas Capital Markets doorgestuurd naar menselijke beoordeling omdat het gereguleerd is, C-suite, en een deal van $220.000, ook al is het concept volledig brononderbouwd. — Atlas doorgestuurd naar menselijke beoordeling bij een 100%-schoon concept: gereguleerd, C-suite, deal boven $100.000.

Een ondertekende receipt, en een reproduceerbare benchmark

Elke e-mail produceert een downloadbare JSON-auditreceipt: de modelprovider en -versie, de prospect en risicoklasse, de Fact Sheet, het oordeel van elke bewering met bronspan en data, de Veracity Score, de beleidsregel die afging, en de menselijke goedkeurder. Op een gelabelde golden set van 25 cases scoort de deterministische verifier 25/25 oordeelaccuraatheid: 10 van 10 moeilijke of slechte beweringen opgevangen, 15 van 15 schone beweringen behouden. Die reproduceerbaarheid maakt het certificeerbaar, en een LLM-rechter niet. We schrijven de 25/25 toe aan deze gelabelde benchmark, nooit als open-wereld-garantie.

De downloadbare JSON-auditreceipt met per-controle-spoor, modelversie, oordelen, bronspannen, data en de beleidsregel die afging. — De ondertekende JSON-auditreceipt, met het volledige per-controle-spoor.

De gelabelde golden set van 25 cases die 25 van de 25 oordeelaccuraatheid scoort, deterministisch en reproduceerbaar. — De golden set van 25 cases: 25/25 oordeelaccuraatheid, hetzelfde resultaat bij elke run.

Standard AI SDR versus de Veracity Engine

Dezelfde schakelaar waarmee de demo vergelijkt, naast elkaar.

Dimensie	Standard AI SDR	Veracity Engine
Beweringen geverifieerd vóór verzending	0	Elke feitelijke bewering, deterministisch
Wie beslist wat verzonden wordt	De LLM verstuurt wat hij heeft opgesteld	Controles in puur Python, geen LLM
Vangst van verouderde bron	Geen	Temporele validiteit, venster van 365 dagen
Verkeerde gelijknamige entiteit	Geen	Entiteitsmatch-controle
Audittrail	Geen	Ondertekend JSON-receipt per e-mail
Afhandeling van hoog risico	Verstuurt toch	Doorgestuurd naar menselijke beoordeling

Wat deze demo niet doet

✓ Hij claimt geen hallucinatieratio van nul. De LLM schrijft nog steeds het concept; de garantie is dat onbewezen beweringen vóór verzending worden gestript. Iedereen die een hallucinatieratio van nul claimt, is niet eerlijk.
✓ Hij gebruikt geen live connectors. EDGAR, LinkedIn, Greenhouse, nieuwsretrieval, CRM-lezen en -schrijven, en e-mailverzending zijn gestubd of gesimuleerd, en de Fact Sheet is vooraf opgebouwd.
✓ Hij presenteert Northwind of Atlas niet als echte bedrijven. Ze zijn synthetisch. Alleen Werner Enterprises en de W1/W2 10-K-fragmenten zijn echt openbaar register.
✓ Hij rapporteert het hallucinatiebereik van 12 tot 18% niet als het eigen gemeten resultaat van dit product. Dat cijfer is marktcontext; de kop van de demo is herkomstdekking en de automatisch-afgehandelde ratio.
✓ Hij toont geen klanten, casestudy's, testimonials of ROI-cijfers. Die bestaan nog niet. Dit is een demo die het mechanisme bewijst, geen implementatie.

Vragen die kopers daadwerkelijk stellen

Is dit gewoon weer een AI-SDR (zoals 11x)?

Nee. Wij voegen geen nieuwe AI-SDR aan de markt toe. De Veracity Engine is een verificatie- en governancelaag die ná het concept zit: een deterministische verifier in puur Python toetst elke bewering die een AI schreef tegen een gedateerde, entiteit-gematchte bron, stript alles wat onbewezen is, en schrijft een ondertekende auditreceipt voordat de e-mail mag worden verzonden. AI-SDR's optimaliseren voor volume; wij beslissen wat veilig is om te versturen.

Hoe verifieert u AI-gegenereerde beweringen in verkoopmails voordat ze worden verzonden?

Elke feitelijke bewering in het concept gaat door drie deterministische controles: grounding (volgt de bewering uit een bronfragment, bij een tokenoverlap van minstens 0,5), entiteitsmatch (gaat de bron over deze exacte prospect, niet over een gelijknamig bedrijf), en temporele validiteit (als de bewering recentheidstaal gebruikt, moet de bron binnen 365 dagen liggen). Alleen beweringen die slagen worden als supported gemarkeerd en behouden; al het andere wordt gestript. De verifier is code, geen LLM die een LLM beoordeelt, dus dezelfde input levert altijd hetzelfde oordeel op.

Hoe vangt het een bewering die technisch waar is maar misleidend?

Dat is precies de faalmodus waarvoor we hebben gebouwd, die de demo contextueel misbruik noemt. In één uitgewerkte lead is de zin "recently expanded into APAC" gegrond en over het juiste bedrijf, maar de enige bron is gedateerd 2019, dus hij is 2.652 dagen oud tegen een recentheidsvenster van 365 dagen en wordt als stale gevangen en gestript. We tonen hetzelfde patroon op een echte Werner Enterprises-bewering onderbouwd door het FY2023 SEC 10-K: feitelijk accuraat, maar de deponering is meer dan twee jaar oud, dus een "recently"-framing faalt op temporele validiteit.

Kan AI-outreach worden gebruikt in gereguleerde sectoren zoals financial services / FINRA?

Daar is een verificatie- en governancelaag het belangrijkst, omdat een gehallucineerde of verkeerd toegeschreven bewering regelgevende gevolgen heeft. In de demo routeert de beleidspoort elke e-mail die gereguleerd is, naar een C-suite-contact gaat, of gekoppeld is aan een deal van minstens $100.000, naar menselijke beoordeling, zelfs wanneer het concept volledig brononderbouwd is. Governance is hier een functie van risico, niet alleen van juistheid.

Hoe bewijst u welke bron een bewering onderbouwde, voor een compliance-audit?

Elke e-mail produceert een downloadbare JSON-auditreceipt die de modelprovider en -versie, de prospect en risicoklasse, de Fact Sheet, het oordeel van elke bewering met bronspan en data, de Veracity Score, de exacte beleidsregel die afging, en de menselijke goedkeurder vastlegt. Elke bewering is in seconden tot de bron te herleiden. Een perfect model kan een auditor nog steeds niet bewijzen welke actuele bron welke bewering onderbouwde; een receipt wel.

Lost een beter/nieuwer AI-model het hallucinatieprobleem gewoon op?

Nee, en dat is het duurzame punt. Betere basismodellen schrijven nog steeds concepten, en iedereen die een hallucinatieratio van nul claimt is niet eerlijk, dus de noodzaak om herkomst te bewijzen, een audittrail bij te houden en verzending op risico te poorten verdwijnt niet. Herkomst, auditreceipts en een beleidspoort zijn duurzame eigenschappen; een sterkere schrijver neemt niet de eis weg om te verifiëren en te governen wat hij schrijft.

Is dit een live product of een demo?

Het is een uitvoerbare demo die het mechanisme bewijst, geen uitgerolde pijplijn. De retrievalbronnen (EDGAR, LinkedIn, Greenhouse, nieuws), het CRM-lezen en -schrijven, en de e-mailverzending zijn gesimuleerd, en de Fact Sheet is vooraf opgebouwd; de leads zijn synthetisch behalve Werner Enterprises, waarvan de 10-K-fragmenten echt openbaar register zijn. De deterministische verifier, de beleidspoort en de auditreceipt zijn echt en draaien precies zoals getoond.

Technisch onderzoek

Het onderzoek achter deze demo — de architectuur, het verificatieontwerp en de enterprise-blueprint.

Volledige oplossing

Ontdek de oplossing AI-verkoopintelligentie & geverifieerde outreach →

AI-outreach inzetten bij gereguleerde kopers?

De verificatie- en governancelaag is het moeilijke deel. Wij bouwen die.

Als uw team worstelt met hoe u AI-outreach bij gereguleerde kopers inzet zonder het risico van een gehallucineerde bewering, horen we oprecht graag hoe u daarover nadenkt. Het probleem is sectorbreed en de antwoorden zullen dat ook zijn.

Verificatiebeoordeling

✓ Breng in kaart waar uw AI-outreach een onbewezen bewering kan versturen
✓ Definieer grounding-, entiteits- en temporele regels voor uw data
✓ Ontwerp de risicoklassen en de poort voor menselijke beoordeling
✓ Specificeer de auditreceipt die uw compliance-team nodig heeft

Bouw de laag

✓ Een deterministische verifier over uw echte bronnen
✓ Een beleidspoort gekalibreerd op uw gereguleerde verticals
✓ Ondertekende, downloadbare auditreceipts per verzending
✓ Van model verwisselbaar auteurschap (Anthropic, OpenAI, Gemini, Ollama)

Verbind via WhatsApp E-mail ons team