Meerdere Nederlandse kranten reageren deze week op een onderzoek naar AI-gegenereerde opiniestukken. Het experiment laat zien dat redacties niet altijd zien of een ingezonden column door een algoritme is geschreven. Hoofdredacties spreken van een ongemakkelijk gevoel en kondigen extra controles aan. De kwestie raakt aan transparantie, vertrouwen van lezers en nieuwe verplichtingen uit de Europese AI-verordening.
Onderzoek zet media op scherp
In het onderzoek werden opiniestukken gemaakt met een generatief taalmodel, zoals ChatGPT van OpenAI, en ingestuurd als gewone bijdragen. Het doel was te testen of redacties herkomst en betrouwbaarheid goed kunnen beoordelen. Zulke modellen voorspellen woord voor woord nieuwe tekst op basis van eerder geleerde patronen. Daardoor kan een ingezonden stuk natuurlijk ogen, maar toch synthetisch zijn.
De proef legt bloot dat bestaande checks, zoals plagiaatcontroles, AI-auteurschap niet goed opsporen. Plagiaatsoftware vergelijkt met bestaande teksten, terwijl AI nieuwe zinnen maakt. AI-detectietools zijn bovendien onnauwkeurig en geven vaak valse waarschuwingen. Redacties staan zo voor een herkenningsprobleem bij snel wisselende digitale inzendingen.
Kranten geven aan dat dit ongemakkelijk is, omdat opinie de randen van het publieke debat raakt. Transparantie over wie of wat de auteur is, geldt als basis voor vertrouwen. Redacties zien daarom noodzaak voor heldere afspraken met inzenders. Ook willen zij hun teams trainen in het herkennen van synthetische patronen en het stellen van betere verificatievragen.
Kranten scherpen beleid aan
Verschillende redacties werken aan een meldplicht voor gebruik van AI bij opiniestukken. Inzenders moeten dan aangeven of en hoe een model is gebruikt, bijvoorbeeld voor herschrijven, structureren of genereren. Een korte toelichting of label kan lezers duidelijkheid geven. De eindverantwoordelijkheid voor inhoud en bronnen blijft altijd bij de menselijke auteur en redactie.
Daarnaast worden procescontroles aangescherpt. Redacties vragen vaker naar bronverwijzingen, notities en eerdere versies van tekst. Ze bouwen extra checks in op feitelijke claims en eigenaardige zinswendingen die kunnen duiden op synthetische output. Training en interne richtlijnen moeten zorgen voor eenduidige toepassing.
Technische detectie blijft ondersteunend, niet leidend. AI-detectie kent foutmarges, waardoor menselijke auteurs onterecht verdacht kunnen worden. Daarom kiezen redacties vooral voor transparantie-eisen en verificatie aan de poort. Dit beperkt het risico op misleiding zonder de inzenddrempel onnodig te verhogen.
Europese regels vragen labels
De Europese AI-verordening (AI Act) verplicht tot transparantie bij synthetische content, zoals deepfakes of door generatieve systemen gecreƫerde teksten. Publicaties moeten kenbaar maken dat er AI is gebruikt, met beperkte uitzonderingen in het publieke belang en met passende waarborgen. Voor journalistiek is ruimte om te wegen, maar duidelijkheid richting lezers weegt zwaar. Labels en redactionele toelichting passen bij die lijn.
Ook de AVG speelt mee als bij het schrijven persoonsgegevens in een AI-tool worden ingevoerd. Dat vraagt om dataminimalisatie en terughoudendheid met gevoelige gegevens. Redacties kunnen auteurs vragen geen persoonlijke data te delen met externe modellen zonder grondslag en beveiliging. Interne richtlijnen en versleuteling helpen om te voldoen aan privacyregels.
Praktisch betekent dit voor media in Nederland dat zij beleid en procedures publiceren, en waar passend een zichtbaar label plaatsen. Transparantie helpt lezers de herkomst van een tekst te duiden. Het verkleint bovendien het risico op klachten bij de Raad voor de Journalistiek. Zo komen techniek en verantwoordelijkheid samen in een uitlegbare praktijk.
Detectie van AI blijft lastig
Er is op dit moment geen waterdichte detector die AI-teksten betrouwbaar herkent. Bekende tools scoren wisselend en zijn gevoelig voor omwegen, zoals herschrijven of vertalen. Zelfs makers van modellen erkennen dat universele herkenning moeilijk is. Processen en menselijk oordeel blijven daarom leidend in redacties.
Eerdere pogingen om AI-teksten te labelen met āwatermerkenā werken nog niet breed in de praktijk. OpenAI stopte al in 2023 met een eigen classifier wegens lage nauwkeurigheid. Ook academische tests melden veel valse positieven bij creatieve of korte zinnen. Dit maakt straffen of weigeren op basis van een scanner risicovol.
Redacties richten zich daarom op herleidbaarheid. Ze vragen om onderbouwing, bereikbare auteurs en controleerbare bronnen. Interne checks door meerdere editors verkleinen de kans op blinde vlekken. Zo ontstaat een robuuster systeem dan vertrouwen op Ć©Ć©n technische meting.
Een groot taalmodel (LLM) is software die nieuwe tekst voorspelt op basis van patronen in grote hoeveelheden voorbeelddata.
Gevolgen voor lezers en auteurs
Voor lezers draait het om eerlijkheid over herkomst, zodat men opinies goed kan wegen. Een duidelijk label of toelichting voorkomt verwarring tussen mens en machine. Dat is vooral belangrijk bij gevoelige themaās in politiek, zorg of onderwijs. Transparantie versterkt zo het publieke debat.
Auteurs die AI gebruiken, houden de eindverantwoordelijkheid voor inhoud en fouten. Zij moeten nagaan of feiten kloppen en of bronnen juist zijn. Gebruik van tools zoals ChatGPT of Gemini van Google vraagt ook aandacht voor auteursrecht en privacy. Gevoelige data in prompts zetten is vaak onwenselijk en soms onrechtmatig onder de AVG.
Op het moment van schrijven werken uitgevers in Nederland aan beleid dat past bij de AI Act en bestaande journalistieke codes. Universiteiten en overheden hanteren al richtlijnen voor verantwoord AI-gebruik in teksten. Media sluiten daarbij aan met meldplichten, labels en scherper redactieproces. Het doel is helder: behoud van vertrouwen terwijl nieuwe technologie wordt benut.