Hoe herken je een door AI geschreven tekst: wat werkt echt (en wat niet)

Je denkt nog steeds dat het volstaat om een tekst in een detector te plakken om te achterhalen of een machine hem heeft geschreven. Dat is het meest verspreide advies, en ook het meest misleidende. Als je écht wilt begrijpen hoe je een tekst herkent die door kunstmatige intelligentie is geschreven, moet je uitgaan van een ongemakkelijke waarheid: detectors geven je geen zekerheden, ze geven je een wankele kans.

Het beschikbare bewijs wijst een duidelijke richting op. In een vergelijkende analyse van AIMultiple herkenden de detectors correct 88% van de menselijke teksten, maar slechts 71% van de door AI gegenereerde teksten. In dezelfde vergelijking bleek Copyleaks de beste op het gebied van algehele prestaties met een percentage valse positieven van 11%, terwijl Pangram zeer hoge resultaten liet zien bij verschillende formaten en tekstlengtes (vergelijkende analyse van AIMultiple over AI-tekstdetectors). Vertaald: zelfs de beste maken fouten, en juist waar het ertoe doet.

Dit is het deel dat velen liever niet benoemen. Het probleem is niet alleen technisch. Het is structureel. Wanneer een AI-tekst goed wordt bijgeschaafd, of wanneer een mens lineair schrijft, wordt de stilistische afstand zo klein dat ze weinig betrouwbaar wordt als beoordelingscriterium. Daarom is het zinvoller om te stoppen met het najagen van het verdict “mens of AI” en te leren beoordelen op kwaliteit, specificiteit, coherentie en verifieerbaarheid.

Als je werkt in HR, marketing of operations, geldt hetzelfde principe ook in bredere processen van AI-adoptie, zoals ik uitleg in deze HR-strategieën met generatieve AI.

Overdreven formeel en perfect taalgebruik

Een te gladde tekst is geen bewijs. Het is echter wel een nuttig signaal. In het Italiaans zijn diverse populariserende bronnen het eens over drie veelvoorkomende aanwijzingen in gegenereerde teksten: lexicale herhaling, overdreven coherentie en onpersoonlijke stijl. Het resultaat is een “te schone” schrijfstijl, met weinig nuances, weinig ironie en beperkte syntactische variatie (verdieping van Geopop over de taalkundige signalen van AI-teksten).

Dit zie je vaak terug in automatisch gegenereerde bedrijfsrapporten, onbewerkte productbeschrijvingen en automatische e-mails die qua vorm weliswaar perfect zijn, maar geen eigen stem hebben. Er klinkt geen enkele zin vreemd. Er is geen enkele passage die niet vloeiend loopt. Het ritme verandert nooit. Het lijkt efficiënt. Vaak is het echter gewoon gestandaardiseerd.

Wanneer schoonmaken verdacht wordt

Vergelijk de tekst met eerder gepubliceerd materiaal van dezelfde auteur of hetzelfde team. Een commercieel manager, een bedrijfsjurist en een analist schrijven niet allemaal op dezelfde manier. Als alles plotseling uniform, neutraal en onberispelijk klinkt, heb je nog geen bewijs dat er AI is gebruikt. Je hebt echter wel een concrete reden om dit nader te onderzoeken.

Een geloofwaardige, menselijke tekst is niet perfect. Hij is herkenbaar.

Let vooral op de volgende punten:

Onnatuurlijk constante toon. Elke paragraaf heeft hetzelfde formaliteitsniveau.
Afwezigheid van kleine menselijke oneffenheden. Geen afgebroken zinnen, geen afwijkingen, geen tempowisselingen.
Ontlichaamde stijl. De tekst informeert, maar lijkt niet door iemand geschreven te zijn.

Dit thema raakt ook aan de gevolgen van AI voor creativiteit. Wanneer tekstproductie formeel onberispelijk maar stilistisch anoniem wordt, is het probleem niet alleen begrijpen wie het geschreven heeft. Het is begrijpen wat er overblijft van de auteursstem.

Herhalingen van zinnen en voorspelbare taalpatronen

Velen zoeken naar het magische woord dat AI “ontmaskert”. Dat is een vergissing. Het echte signaal is de herhaling van structuren. Dezelfde openingen, dezelfde overgangen, dezelfde mini-samenvattingen, hetzelfde ritme. Wikipedia geeft in een interne gids, overgenomen door Libero, als typische aanwijzingen voor AI-teksten aan: ongerechtvaardigde nadruk, vage en terugkerende formules en de neiging om irrelevante details te behandelen alsof ze doorslaggevend zijn. Dezelfde bron benadrukt dat de enige echt betrouwbare methode menselijke controle blijft (samenvatting van Libero over de interne Wikipedia-gids voor AI-schrijfsignalen).

In zakelijke contexten komt dit vaak voor bij rapporten met een vaste opmaak, beschrijvingen van dashboards en automatische overzichten die altijd op dezelfde manier beginnen. De tekst verandert van onderwerp, maar de structuur blijft hetzelfde.

Het signaal is niet die ene zin

Iedereen kan een voorspelbare zin schrijven. Maar tien voorspelbare zinnen achter elkaar, dat is iets heel anders. Om dit goed te beoordelen, moet je de structuur van de tekst in gedachten in kaart brengen en jezelf afvragen of de auteur daadwerkelijk een redenering uitwerkt of alleen maar hetzelfde idee in andere bewoordingen herformuleert.

Let vooral op het volgende:

Herhaalde standaardovergangen. “Bovendien”, “het is belangrijk om te bedenken”, “tot slot”, gebruikt als vulwoorden.
Concepten herhaald met zwakke synoniemen. De tekst wordt langer zonder informatie toe te voegen.
Identieke afsluitende patronen. Elke sectie eindigt met een generieke formule.

Als je de helft van de zinnen weglaat en de tekst nog steeds hetzelfde zegt, dan is er geen diepgang. Dan is er sprake van herhaling.

Dit is een van de meest praktische manieren om te begrijpen hoe je een tekst herkent die door kunstmatige intelligentie is geschreven zonder blindelings te vertrouwen op een groen of rood stoplicht van een detector.

Gebrek aan persoonlijke meningen en overdreven voorzichtig taalgebruik

Het probleem hier is niet de fout. Het is het ontbreken van een standpunt. Veel AI-teksten lijken geschreven te zijn door iemand die zich nooit wil blootgeven. Alles is „mogelijk nuttig“, „het overwegen waard“, „zorgvuldig te beoordelen“. In een operationeel rapport is deze voortdurende terughoudendheid een tekortkoming, geen deugd.

De Italiaanse bronnen die door Froglearning zijn geraadpleegd, benadrukken dat detectors nooit 100% betrouwbaarheid bereiken en dat de meest effectieve methode de combinatie blijft van automatische analyse en handmatige controle van toon-inconsistenties, sprongen in taalniveau en de afwezigheid van typisch menselijke fouten (gids van Froglearning over detectors en handmatige controle van AI-teksten). Dit is belangrijk omdat kunstmatige neutraliteit vaak niet goed wordt opgepikt door tools, maar bij het lezen meteen voelbaar is.

De kunstmatige neutraliteit is voelbaar

Een ervaren compliance officer neemt een standpunt in. Een marketingdirecteur stelt prioriteiten voor. Een voorraadbeheerder schrijft niet: „Er zou een potentiële kans kunnen zijn.“ Hij geeft aan wat er moet gebeuren, hoe urgent dat is en op welke basis.

Beoordeel de tekst als volgt:

Zoek naar echte ervaring. Zijn er verwijzingen naar doorleefde situaties, ondervonden beperkingen, genomen beslissingen?
Let op ontwijkend taalgebruik. Als elke zin zichzelf indekt, vermijdt de tekst verantwoordelijkheid.
Controleer de kracht van de aanbevelingen. Een nuttige tekst wijst een actie aan. Een artificiële tekst stopt vaak net daarvoor.

Veel ogenschijnlijk ‘professionele’ inhoud lijkt alleen maar degelijk omdat ze voorzichtig is geformuleerd. In werkelijkheid is ze inhoudsloos. En een inhoudsloze tekst, hoe goed die ook geschreven is, helpt je niet bij het nemen van een beslissing.

Inconsistente feiten en hallucinaties (hallucinations)

Als je wilt bepalen of een tekst betrouwbaar is, moet je niet meteen naar de stijl kijken, maar naar de feiten. Daar schieten veel slecht opgestelde of mede-opgestelde teksten tekort. Niet-verifieerbare cijfers, niet-controleerbare bronvermeldingen, vage citaten, zonder bewijs toegeschreven oorzaken. Dit is veel ernstiger dan een ietwat robotachtige toon.

De nuttigste Italiaanse bronnen over dit onderwerp benadrukken een punt dat maar al te vaak wordt genegeerd: detectors leveren slechts een waarschijnlijkheid en kunnen zowel valse positieven als valse negatieven opleveren, vooral bij zeer lineaire menselijke teksten of bij goed nagekeken AI-content (analyse van Edises over de interpretatieve beperkingen van AI-tekstdetectors). Daarom is de serieuze vraag niet “lijkt het op AI?”. Het is “houdt wat er staat stand?”.

Let hier niet op de stijl, maar op de feiten

Als een verkoopprognose cijfers noemt die je niet in de dataset terugvindt, maakt het niet uit of die door een mens of door een model is opgesteld. Het is fout. Als een juridische tekst verwijst naar een niet-bestaande regel, is dat een operationeel probleem.

Controleer altijd:

Elk cijfer. Moet terug te herleiden zijn naar de oorspronkelijke gegevens.
Elke verwijzing. Moet ook echt bestaan.
Elk causaal verband. Moet onderbouwd zijn met bewijs, niet met aannemelijk klinkende taal.

Praktische regel: een overtuigende tekst zonder verificatie is gevaarlijker dan een middelmatige maar traceerbare tekst.

Dit is ook de reden waarom het belangrijk is de AI-trainingsmethodologie van ELECTE te begrijpen. Wanneer AI onderdeel wordt van besluitvormingsprocessen, is de enige serieuze manier om ze te gebruiken elke inzicht te koppelen aan de data die het onderbouwen.

Gebrek aan situationele context en specifieke details

Algemene inhoud is de meest voorkomende vorm van verkeerd gebruik van AI. Correcte zinnen, logische redeneringen, maar geen enkele aanknoping met de werkelijke context. „De omzet is gestegen”, maar welke omzet? „Er is een operationeel risico”, maar in welke afdeling? „Er moet worden geoptimaliseerd”, maar voor welke categorie, welk gebied of welke periode?

Dit gebrek aan specificiteit is een van de duidelijkste signalen. Als de tekst geen lokale gegevens, bedrijfsgeschiedenis, interne functies, sectorgebonden beperkingen of procesdetails bevat, dan geeft deze geen goed beeld van uw situatie. Er wordt dan een aannemelijk gemiddelde weergegeven.

De algemene tekst is het echte probleem

Een nuttig rapport noemt producten, periodes, teams, uitzonderingen en afwijkingen. Een kunstmatige tekst heeft de neiging om boven de werkelijkheid te staan, niet erin.

Controleer of de volgende zaken voorkomen:

Concrete operationele details. SKU's, periodes, regio's, segmenten, functies.
Concrete beperkingen. Budget, compliance, seizoensgebondenheid, levertijden.
Unieke elementen van de organisatie. Interne terminologie, bekende prioriteiten, specifieke processen.

Als deze elementen ontbreken, lees je geen analyse. Je leest opvulmateriaal. Hier maakt het begrip van bedrijfsdata het verschil. Een nuttig systeem moet niet alleen goed schrijven. Het moet begrijpen met welk bedrijf het te maken heeft.

Te lineaire en voorspelbare logische structuur

Een overzichtelijke structuur is geen tekortkoming. Maar wanneer elke tekst altijd hetzelfde stramien volgt, klopt er iets niet. Een schoolse inleiding, een opsomming van punten, een korte samenvatting aan het einde. Dat werkt één keer. Als het bij verschillende onderwerpen steeds op dezelfde manier terugkomt, heb je waarschijnlijk te maken met een sjabloongestuurde tekst.

Dit geldt vooral voor zakelijke inhoud. Retailanalyses die altijd beginnen met een overzicht, gevolgd door trends, risico’s, aanbevelingen en tot slot een afsluiting. Waarschuwingsmails met dezelfde opbouw in elke situatie. Verschillende documenten met dezelfde structuur.

De vorm kan weliswaar geordend zijn, maar toch leeg zijn

De structuur van menselijk schrijven verandert wanneer het probleem verandert. Als er een afwijking opduikt, wordt die centraal gesteld. Als een detail doorslaggevend is, krijgt het de nodige ruimte. Algemene AI daarentegen heeft de neiging om de inhoud een vooraf bepaalde vorm op te leggen, vooral als er geen sterke sturing is.

Je kunt het als volgt herkennen:

Vaste volgorde, onafhankelijk van de inhoud. De structuur reageert niet op de inhoud zelf.
Terugkerend aantal secties. Alles wordt op dezelfde manier verpakt.
Verplichte afsluitingen. Zelfs wanneer het niet nodig is, komen er samenvattingen en eindaanbevelingen.

Een goed gestructureerde tekst helpt bij het begrijpen. Een strak gestructureerde tekst verbergt vaak dat er weinig te vertellen valt.

Als je wilt weten hoe je AI-geschreven tekst herkent, is dit een van de meest praktische controles: kijk of de vorm het denken volgt, of dat het denken in een mal is gedwongen.

Gebrek aan tijdsupdates en besef van actualiteit

Een ander duidelijk signaal is de onduidelijkheid over de tijd. De tekst spreekt over het heden zonder dat er data, een recente context of ingetreden veranderingen worden vermeld. Het lijkt actueel, maar is nergens aan verankerd. Dit is gevaarlijk op het gebied van compliance, financiën, HR en de digitale markt, waar tijd van cruciaal belang is.

Het gaat er niet alleen om dat een model gebaseerd kan zijn op verouderde kennis of formules zonder datum. Het punt is dat veel lezers niet controleren of de beweringen actueel zijn. En zo wordt verouderde inhoud als betrouwbaar beschouwd, alleen maar omdat deze goed geschreven is.

Een tijdloze tekst is vaak een tekst zonder controle

Controleer drie eenvoudige dingen:

Expliciete data. Als het over trends, regelgeving of markt gaat, waar zijn de tijdreferenties?
Recente veranderingen in de sector. Worden ze meegenomen of genegeerd?
Afstemming met de beschikbare data. Gebruikt de tekst de meest recente beschikbare periode of stopt hij eerder?

Hier komt ook een volwassener vraagstuk aan bod dan alleen het jagen op stilistische signalen. Volgens Paolucci Marketing is het in 2026 zinvol voor bedrijven om intern bij te houden welke teksten samen met AI zijn geschreven en welke passages daarvan hebben geprofiteerd, juist met het oog op transparantie en aanpassing aan regelgeving (reflectie van Paolucci Marketing over traceerbaarheid en governance van met AI mede-geschreven teksten). Dit is een correcte verschuiving in perspectief. Vraag je niet alleen af waar de tekst vandaan komt. Vraag je af wanneer hij is bijgewerkt, door wie hij is herzien en met welk proces.

Gebrek aan bronvermeldingen en verifieerbare referenties

Dit is de laatste controle. En vaak ook de meest doorslaggevende. Als een tekst feitelijke beweringen bevat zonder bronvermelding, zonder verwijzingen en zonder mogelijkheid om de oorsprong te achterhalen, is hij niet betrouwbaar. Punt uit. Het maakt niet uit hoe vlot hij leest.

Veel mensen proberen te achterhalen hoe je AI-geschreven tekst herkent door bij het woordgebruik te beginnen. Beter is te beginnen bij traceerbaarheid. Een serieuze tekst stelt je in staat te verifiëren wat er wordt gezegd. Een slechte tekst dwingt je te vertrouwen.

Zonder traceerbaarheid is er geen betrouwbaarheid

De Italiaanse bronnen over dit onderwerp zijn het over één eenvoudig punt eens: de enige werkelijk betrouwbare methode blijft de controle door mensen, en detectoren bieden geen absolute betrouwbaarheid. Als het automatische oordeel onzeker is, wordt de controle van de bronnen het belangrijkste criterium.

Doe dit elke keer als je een operationele of besluitvormende tekst leest:

Vraag om onderbouwende documentatie. Dataset, intern document, regelgeving, geciteerd rapport.
Open de referenties. Ze moeten relevant en consistent zijn met de bewering.
Eis traceerbaarheid in geautomatiseerde rapporten. Tijdstempel, databron, link naar de oorspronkelijke data.

Een rapport waarin naar „marktgegevens“ wordt verwezen zonder dat er iets wordt gespecificeerd, is onprofessioneel. Het is louter decoratief. En in bedrijfsprocessen kosten dergelijke decoratieve teksten tijd, vertrouwen en leiden ze tot verkeerde beslissingen.

Vergelijking in 8 punten: door AI gegenereerde teksten herkennen

Indicator Complexiteit van de implementatie Benodigde middelen Verwachte resultaten Ideale gebruikssituaties Belangrijkste voordelen Overmatig formele en perfecte taal Laag, detectie aan de hand van grammaticale en stilistische regels Minimaal, tools voor grammaticacontrole en proeflezers Formele/stijve teksten geïdentificeerd; mogelijk vals-positiefControle van bedrijfsrapporten, geautomatiseerde e-mails, productbeschrijvingenEenvoudig te herkennen; nuttig voor kwaliteitscontroleHerhalingen van zinnen en voorspelbare taalpatronenZeer laag, n-gram-analyse en ontdubbelingTekstanalyse-instrumenten; handmatige revisieIdentificeert herhalingen en sjabloongestuurde outputLange documenten, periodieke rapporten, geautomatiseerde sjablonenEenvoudig te automatiseren; effectief bij minder geavanceerde modellen; Gebrek aan persoonlijke meningen en overdreven voorzichtig taalgebruik; Laag tot matig, analyse van subjectiviteit en aarzeling; Semantische analyse en vergelijking met experts; Detecteert neutrale/overdreven voorzichtige toon en afwezigheid van menselijk inzicht; Beoordeling van de kwaliteit van inzichten, officiële mededelingen; Duidt op de noodzaak van menselijke inbreng; vermindert het risico op onjuiste beweringenInconsistentie van feiten en hallucinaties (Hallucinations)Hoog, vereist automatische en menselijke factcheckingToegang tot betrouwbare bronnen en domeinexpertiseIdentificeert feitelijke fouten, verzonnen cijfers, niet-bestaande citatenContexten met hoog risico (financiën, gezondheid, compliance)Cruciaal voor betrouwbaarheid; onmiddellijk verifieerbaar via fact-check; Gebrek aan situationele context en specifieke details; Matig, vergelijking met bedrijfsgegevens en kennisbank; Bedrijfsdatasets, interne documentatie, deskundige auditors; Detecteert generieke, niet-gepersonaliseerde inhoud; Controleert de aanpassing van ELECTE, audit van de aanpassing; toont aan of de inzichten daadwerkelijk op maat zijn; te lineaire en voorspelbare logische structuur; laag, analyse van de structuur en het aantal secties; documentparser en vergelijking met sjabloon; identificeert een sjabloongestuurde en voorspelbare organisatie; gestandaardiseerde rapporten, geautomatiseerde e-mails, lange documenten; gemakkelijk te detecteren; benadrukt het gebruik van sjablonen. Gebrek aan actuele updates en bewustzijn van recentheid. Matig, controle van datums en recente verwijzingen. Toegang tot actuele bronnen en sectorkennis. Detecteert verouderde gegevens en het ontbreken van recente gebeurtenissen. Dynamische sectoren (technologie, regelgeving, markten)Duidelijk te verifiëren; voorkomt beslissingen op basis van verouderde gegevens; Gebrek aan bronvermeldingen en verifieerbare verwijzingen; Laag tot matig, controleer aanwezigheid van links en verwijzingen; Toegang tot bronnen, traceerbaarheidsbeleid, tijd voor verificatie; Detecteert gebrek aan traceerbaarheid van beweringen; Professionele rapporten, compliance-documenten, gegevensanalyses; Ondersteunt transparantie en verantwoording; gemakkelijk verifieerbaar

Van inventarisatie tot beoordeling: wat moet er concreet gebeuren?

De eerlijke conclusie is simpel. Stop met je af te vragen „wie heeft deze tekst geschreven?“ en vraag je in plaats daarvan „is deze tekst deugdelijk, origineel en verifieerbaar?“. Het scherpe onderscheid tussen mens en AI houdt in de dagelijkse praktijk steeds minder stand. Veel teksten worden tegenwoordig gezamenlijk geschreven, bijgeschaafd, samengevat, uitgebreid of gecorrigeerd. Het zoeken naar een binaire grens in een hybride proces leidt je op een dwaalspoor.

De nuttige aanpak is een andere. Beoordeel de tekst op vier assen: specificiteit, feitelijke soliditeit, context-aansluiting en traceerbaarheid van bronnen. Als een van deze elementen ontbreekt, is het probleem niet de oorsprong van de tekst. Het is de beslissingskwaliteit ervan. Dit geldt voor een academisch werkstuk, voor een HR-conceptdocument, voor een compliance-procedure en voor een commercieel rapport.

Detectoren blijven secundaire instrumenten. Ze kunnen een signaal geven, maar geen definitief oordeel. Uit de beschikbare gegevens blijkt duidelijk dat de betrouwbaarheid niet absoluut is en dat de fout structureel blijft, en niet incidenteel. Als je sancties, afkeuringen, audits of beslissingen over de reputatie uitsluitend op die output baseert, bouw je een kwetsbaar proces op.

Er is een slimmer intern protocol nodig:

Definieer kwaliteitscriteria voordat je de oorsprong van de tekst bespreekt.
Vraag om verifieerbare bronnen voor elke feitelijke bewering.
Vergelijk de tekst met de werkelijke context van de auteur, het team of het bedrijf.
Documenteer het gebruik van AI in workflows wanneer dit belangrijk is voor transparantie, governance of compliance.
Beloon origineel redeneren, niet de illusie van “menselijke zuiverheid”.

Dit is ook de kern van de stelling die we aanhalen in het paper The B+ Trap: wanneer de output van LLM's goed genoeg wordt om altijd acceptabel te lijken, is het risico niet alleen dat ze verward worden met menselijke teksten. Het risico is dat de beoordelingscriteria worden verlaagd en men genoegen neemt met plausibele maar middelmatige content. Het antwoord is geen jacht op AI. Het is het niveau van controle verhogen.

Daarom zijn platforms zoals ELECTE, een door AI aangestuurd data-analyseplatform voor het MKB, zinvol wanneer ze zich niet beperken tot het genereren van tekst, maar de inzichten koppelen aan de brongegevens. Goed ingezet moet AI je geen blind vertrouwen vragen. Het moet je controleerbaarheid bieden. Zo maak je de overstap van oppervlakkige automatisering naar betrouwbare besluitvorming.

Als je AI op de juiste manier wilt gebruiken, ga dan niet op zoek naar de perfecte detector. Ontwikkel processen die ervoor zorgen dat alle content controleerbaar, in context geplaatst en bruikbaar is.

Wil je overstappen van plausibele teksten naar echt verifieerbare inzichten? Ontdek ELECTE, het AI-gedreven data-analyseplatform speciaal ontworpen voor MKB-bedrijven, dat ruwe data omzet in heldere, traceerbare en uitvoerbare beslissingen.