Studenten laten essays door ChatGPT schrijven, trollen genereren levensechte nepfoto’s, criminelen klonen stemmen voor telefoonoplichting. Aan de andere kant proberen bedrijven als Turnitin, Google en Adobe wanhopig software te bouwen die het verschil nog ziet.

AI-detectie is geen magie, het is wiskunde die naar statistische patronen zoekt. Hieronder de techniek achter tekst-, beeld- en videodetectie, waarom het in het onderwijs al tot serieuze problemen heeft geleid, en de nieuwe route die het hele probleem misschien omzeilt: niet detecteren, maar bewijzen wat wél echt is.

Tekstdetectie: statistiek, geen begrip

Detectors lezen een tekst niet inhoudelijk. Ze meten hoe voorspelbaar hij is. Een taalmodel is in de kern een voorspellingsmachine die telkens het woord kiest dat statistisch gezien het meest waarschijnlijk is. Daar bouwen detectors drie soorten analyse op.

Perplexity meet hoe verrast een statistisch model is door de tekst. Lage perplexity betekent dat de tekst extreem voorspelbaar is, wat vaak op AI wijst. Mensen schrijven rommeliger en minder voorspelbaar, wat resulteert in hogere perplexity.

Burstiness meet het ritme. AI-tekst is doorgaans monotoon: zinnen hebben een vergelijkbare lengte en structuur. Mensen wisselen af, met een lange, ingewikkelde zin vol komma’s gevolgd door een korte. Die afwisseling heet burstiness, en hoe grilliger, hoe menselijker de tekst overkomt op een detector.

N-grams zijn vaste combinaties van opeenvolgende woorden. Detectors scannen op woordreeksen die veel voorkomen in de trainingsdata van bekende taalmodellen. Bestaat een tekst voor een groot deel uit zulke veelvoorkomende combinaties, dan gaan de alarmbellen af.

De strijd in het klaslokaal

Voor scholen en universiteiten is dit geen abstracte techniek maar een dagelijks probleem. Tools als Turnitin en GPTZero claimen AI te kunnen detecteren, maar die claim staat onder flinke druk.

Een detector geeft nooit een simpel ja of nee, maar een percentage: er is 84 procent kans dat dit door AI is geschreven. Scholen interpreteren zo’n getal soms als hard bewijs, met verstrekkende gevolgen voor een student die feitelijk niets fout heeft gedaan.

Onderzoek, onder meer vanuit Stanford, laat zien dat detectors systematisch bevooroordeeld zijn. Niet-moedertaalsprekers lopen een aanzienlijk verhoogd risico: wie Engels of Nederlands als tweede taal schrijft, gebruikt vaak eenvoudigere woorden en standaardconstructies, wat statistisch verdacht op AI-tekst lijkt terwijl het gewoon een kenmerk van tweedetaalverwerving is. Ook neurodivergente schrijvers lopen verhoogd risico: een zeer formele, gestructureerde en feitelijke schrijfstijl, die bijvoorbeeld bij sommige mensen met autisme voorkomt, wordt door algoritmes soms verward met machinetaal.

Studenten zitten intussen niet stil. Er bestaan inmiddels zogeheten humanizers of paraphrasers, zoals Quillbot, die AI-tekst herschrijven om precies die statistische patronen te doorbreken. Ze voegen bewust kleine onregelmatigheden toe, veranderen zinsstructuren en verhogen kunstmatig de burstiness om detectors te misleiden. Dat maakt tekstdetectie een wapenwedloop waarbij elke verbetering aan de ene kant meteen een tegenzet aan de andere kant uitlokt.

Beeldherkenning: pixels en ruis

Waar tekstdetectie draait om woordvolgorde, draait beelddetectie om pixels en ruis. Generatoren als Midjourney en DALL-E werken met diffusiemodellen: ze beginnen met willekeurige ruis en bouwen daar stapsgewijs een afbeelding uit op.

Wat het menselijk oog ziet

De eerste generatie AI-beelden verraadde zich met te veel vingers of onleesbare tekst op uithangborden. AI-modellen zijn inmiddels beter, dus kijken experts naar subtielere signalen. Huid krijgt soms een net niet natuurlijke, licht plastic glans, doordat de manier waarop licht in de huid doordringt en verstrooit niet helemaal klopt. Pupillen zijn soms niet perfect rond, of de weerspiegeling in het linkeroog matcht net niet met die in het rechteroog. En de achtergrond bevat vaak logische fouten die de aandacht niet meteen trekken, zoals een trap die nergens naartoe leidt of een tegelpatroon dat geleidelijk vervaagt.

Wat de computer ziet

Een echte foto, gemaakt met een cameralens en sensor, bevat karakteristieke sensorruis. Een AI-gegenereerde afbeelding mist die specifieke ruis, maar heeft er wel een andere vorm van, restruis die overblijft van het diffusieproces.

Software kan een afbeelding omzetten naar het frequentiedomein via een Fouriertransformatie. Daarin wordt zichtbaar of de pixels een natuurlijk, organisch patroon volgen of juist een wiskundig regelmatig raster. Voor het blote oog is dat volstrekt onzichtbaar, voor gespecialiseerde software een duidelijk signaal.

De andere route: niet detecteren, maar bewijzen

Omdat detectie voortdurend achter de feiten aanloopt, een echte wapenwedloop, werkt de technologie-industrie inmiddels serieus aan een fundamenteel andere aanpak: authenticatie in plaats van detectie. En dit is niet langer toekomstmuziek. De C2PA-standaard, voluit Coalition for Content Provenance and Authenticity, is in 2026 daadwerkelijk in hardware verwerkt.

Camera’s van onder meer Leica, Sony en Nikon, en telefoons zoals de recente Google Pixel-modellen, ondertekenen foto’s bij het maken cryptografisch met een certificaat dat vastlegt welk apparaat de opname maakte, op welk moment, en of er AI-bewerking aan te pas kwam. Software als Adobe Photoshop en Lightroom kan die certificering bij bewerking behouden of aanvullen. Verandert er iets aan het bestand nadat het certificaat is toegevoegd, dan breekt de digitale handtekening, en dat is voor verificatiesoftware direct zichtbaar.

Deze ontwikkeling krijgt bovendien wettelijke steun in de rug. Onder de EU AI Act wordt vanaf 2 augustus 2026 machineleesbare markering van AI-gegenereerde content verplicht, wat het gebruik van dit soort certificering in Europa een extra duw geeft.

Wat dit voor je betekent

AI-detectie is geen leugendetector die simpelweg rood of groen licht geeft. Het is een kansberekening, gebaseerd op statistische patronen die AI-modellen steeds beter leren nabootsen. Bij tekst is het inmiddels onbetrouwbaar genoeg om mensen alleen op basis van een detectorscore te beoordelen, zeker gezien de aangetoonde vooringenomenheid tegen niet-moedertaalsprekers en neurodivergente schrijvers. Bij beeld is het voorlopig nog iets robuuster dankzij wiskundige sporen in de pixels, maar ook die grens vervaagt met elke nieuwe modelgeneratie.

De vraag verschuift daarom langzaam van “is dit nep” naar “kan ik bewijzen dat dit echt is”, en met C2PA inmiddels in serieuze camera’s en telefoons verwerkt, is dat niet langer een verre toekomst maar een systeem dat je nu al tegenkomt.