Denk je nog steeds dat het volstaat om een tekst in een detector te plakken om te weten of die door een machine is geschreven? Dat is het meest gangbare advies, en tegelijkertijd ook het meest misleidende. Als je echt wilt begrijpen hoe je een door kunstmatige intelligentie geschreven tekst kunt herkennen, moet je uitgaan van een ongemakkelijke waarheid: detectoren bieden geen zekerheid, maar slechts een onzekere waarschijnlijkheid.
De beschikbare gegevens wijzen in een duidelijke richting. In een vergelijkende analyse van AIMultiple hebben de detectoren88% van de door mensen geschreven teksten correct geïdentificeerd, maar slechts 71% van de door AI gegenereerde teksten. In dezelfde vergelijking bleek Copyleaks het beste te presteren qua algehele prestaties met een percentage valse positieven van11%, terwijl Pangram zeer goede resultaten liet zien bij verschillende tekstformaten en -lengtes (vergelijkende analyse van AIMultiple over AI-tekstdetectoren). Kortom: zelfs de besten maken fouten, en ze maken ze juist daar waar het ertoe doet.
Dit is het deel dat velen liever niet zeggen. Het probleem is niet alleen technisch. Het is structureel. Wanneer een door AI gegenereerde tekst goed wordt bijgeschaafd, of wanneer een mens op een lineaire manier schrijft, wordt het stilistische verschil zo klein dat het als beoordelingscriterium onbetrouwbaar wordt. Daarom is het zinvoller om niet langer achter het oordeel ‘mens of AI’ aan te jagen, maar te leren kwaliteit, specificiteit, samenhang en verifieerbaarheid te beoordelen.
Of je nu in HR, marketing of operations werkt, hetzelfde principe geldt ook voor bredere processen waarbij AI wordt ingezet, zoals ik uitleg in deze HR-strategieën met generatieve AI.
Een te gladgestreken tekst is geen bewijs. Het is echter wel een nuttig signaal. In het Italiaans zijn verschillende populaire bronnen het eens over drie veelvoorkomende aanwijzingen in door AI gegenereerde teksten: lexicale herhaling, overmatige samenhang en een onpersoonlijke stijl. Het resultaat is een „te strakke“ schrijfstijl, met weinig nuances, weinig ironie en beperkte syntactische variatie (uitgebreid artikel van Geopop over de taalkundige kenmerken 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.
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:
Dit thema raakt ook aan de gevolgen van AI voor creativiteit. Wanneer teksten formeel onberispelijk maar stilistisch anoniem worden, gaat het niet alleen om de vraag wie de tekst heeft geschreven. Het gaat erom te begrijpen wat er van de stem van de auteur overblijft.
Velen zijn op zoek naar het toverwoord dat AI ‘ontmaskert’. Dat is een vergissing. Het echte signaal is de herhaling van structuren. Dezelfde inleidingen, dezelfde overgangen, dezelfde korte samenvattingen, hetzelfde ritme. Wikipedia noemt in een interne handleiding, overgenomen door Libero, als typische aanwijzingen voor AI-teksten:ongerechtvaardigde nadruk, vage en terugkerende formuleringen en de neiging om irrelevante details te behandelen alsof ze doorslaggevend zijn. In diezelfde handleiding wordt benadrukt dat menselijke controle de enige echt betrouwbare methode blijft (samenvatting door Libero van de interne handleiding van Wikipedia over signalen van AI-schrijven).
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.
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:
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 handigste manieren om te leren hoe je een door kunstmatige intelligentie geschreven tekst kunt herkennen, zonder blindelings af te gaan op het groene of rode lampje van een detector.
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 Froglearning heeft geraadpleegd, benadrukken dat detectoren nooit 100% betrouwbaar zijn en dat de meest effectieve methode nog steeds bestaat uit een combinatie van automatische analyse en handmatige controle op inconsistenties in toon, sprongen in taalniveau en de afwezigheid van typisch menselijke fouten (Froglearning-gids over detectoren en handmatige controle van AI-teksten). Dit is belangrijk omdat kunstmatige neutraliteit vaak niet goed door de tools wordt herkend, maar bij het lezen meteen opvalt.
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:
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.
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 meest bruikbare Italiaanse bronnen over dit onderwerp benadrukken een punt dat maar al te vaak over het hoofd wordt gezien: detectoren geven slechts een waarschijnlijkheid aan en kunnen zowel valse positieven als valse negatieven opleveren, vooral bij zeer lineaire menselijke teksten of bij goed geredigeerde AI-inhoud (analyse van Edises over de interpretatieve beperkingen van AI-tekstdetectoren). Daarom is de juiste toets niet: “Lijkt het op AI?”. Maar wel: “Klopt wat er staat?”.
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:
Praktische regel: een overtuigende tekst zonder verificatie is gevaarlijker dan een middelmatige tekst die wel te traceren is.
Dat is ook de reden waarom het belangrijk is om de AI-trainingsmethodologie van ELECTE te begrijpen. Wanneer AI wordt ingezet bij besluitvormingsprocessen, is de enige serieuze manier om ermee om te gaan, elk inzicht te koppelen aan de gegevens waarop het is gebaseerd.
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.
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:
Als deze elementen ontbreken, lees je geen analyse. Je leest dan slechts opvulmateriaal. Juist hier maakt het begrip van bedrijfsgegevens het verschil. Een goed systeem moet niet alleen goed schrijven. Het moet ook begrijpen tegen welk bedrijf het zich richt.
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 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:
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 een door kunstmatige intelligentie geschreven tekst kunt herkennen, is dit een van de meest praktische manieren om dat te controleren: kijk of de vorm de gedachte volgt, of dat de gedachte in een mal is geperst.
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.
Controleer drie eenvoudige dingen:
Hier komt ook een meer genuanceerd thema aan bod dan alleen het opsporen van stilistische kenmerken. Volgens Paolucci Marketing is het in 2026 voor bedrijven zinvol om intern bij te houden welke teksten in samenwerking met AI zijn geschreven en welke passages daarvan hebben geprofiteerd, juist omwille van transparantie en naleving van de regelgeving (overweging van Paolucci Marketing over traceerbaarheid en governance van teksten die in samenwerking met AI zijn geschreven). Dat is een terechte verandering van perspectief. Vraag je niet alleen af waar de tekst vandaan komt. Vraag je ook af wanneer deze is bijgewerkt, door wie deze is nagekeken en via welk proces.
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.
Velen proberen te achterhalen hoe je aan de hand van het woordgebruik kunt herkennen of een tekst door kunstmatige intelligentie is geschreven. Het is beter om uit te gaan van de traceerbaarheid. Bij een serieuze tekst kun je controleren wat erin staat. Bij een slechte tekst moet je het maar op goed geluk aannemen.
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:
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.
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
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.
Er is een andere, nuttige benadering. Beoordeel de tekst op vier punten: specificiteit, feitelijke degelijkheid, contextuele relevantie en traceerbaarheid van de bronnen. Als een van deze elementen ontbreekt, ligt het probleem niet bij de herkomst van de tekst, maar bij de kwaliteit ervan als basis voor besluitvorming. Dit geldt zowel voor een academische scriptie, een HR-ontwerp, een complianceprocedure als 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:
Dit is ook de kern van de stelling die we aanhalen in het artikel *The B+ Trap*: wanneer de output van LLM’s goed genoeg wordt om altijd acceptabel over te komen, bestaat het risico niet alleen dat we ze verwarren met door mensen geschreven teksten. Het risico is dat we de beoordelingscriteria verlagen en genoegen nemen met inhoud die weliswaar aannemelijk is, maar middelmatig. Het antwoord is niet een jacht op AI. Het is het verhogen van het controleniveau.
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 de overstap maken van aannemelijke analyses naar daadwerkelijk verifieerbare inzichten? Ontdek ELECTE, het door AI aangestuurde data-analyseplatform dat speciaal is ontworpen voor het MKB en dat ruwe gegevens omzet in duidelijke, traceerbare en bruikbare beslissingen.
.svg)
.svg)
.svg)
.webp)
