Een Nederlandse kunstenaar en een generatief AI-systeem gaan deze week live de uitdaging aan om iets te maken dat nog niet bestond. Het experiment vindt plaats in een kunstinstelling in Nederland en is openbaar voor publiek. Doel is te laten zien hoe mens en machine elkaar beïnvloeden tijdens het maken. De vraag naar creativiteit en auteurschap staat centraal, ook in het licht van de Europese AI-verordening.
Live duel toont maakproces
De maker werkt in rondes met een algoritme dat nieuwe beelden of tekst kan genereren. Elke stap wordt getoond: prompt invoeren, resultaat beoordelen, en de instructie bijsturen. Zo ontstaat een kettingreactie van ideeën tussen mens en systeem. Het publiek ziet hoe richting en regie verschuiven tijdens het proces.
Het project gebruikt generatieve software, vergelijkbaar met OpenAI’s DALL·E en Midjourney voor beeld, of Google DeepMind’s Gemini en ChatGPT voor tekst. Deze modellen zetten een korte instructie om in nieuwe output. Dat heet “generatieve AI”: software die op basis van voorbeelden nieuwe tekst, beeld of geluid maakt. De techniek is krachtig, maar laat ook fouten en vooroordelen zien.
De opzet richt zich meer op het proces dan op één eindwerk. De kunstenaar test grenzen: wat gebeurt er als je de machine tegenspreekt of juist volgt. Zo wordt zichtbaar wat het systeem kan, en wat alleen de mens nog kan. Dat levert leerzame mislukkingen op naast geslaagde vondsten.
Auteurschap blijft onduidelijk
Wie is maker als mens en model samen werken? In het Nederlandse auteursrecht telt creatieve menselijke inbreng. Dat betekent dat de kunstenaar rechten kan hebben op het eindresultaat, zolang er voldoende eigen keuzes zijn gemaakt. Volledig automatisch gegenereerde output kan buiten bescherming vallen.
Daarnaast spelen databank- en licentierechten mee als trainingsdata een rol hebben. Wanneer herkenbare elementen uit beschermde bronbeelden terugkeren, kan dat claims oproepen. Bedrijven als Stability AI (Stable Diffusion) en OpenAI (DALL·E) liggen hierover internationaal onder een vergrootglas. Kunstinstellingen wegen dit mee bij presentatie en verkoop.
De Europese AI-verordening verplicht aanbieders van generatieve modellen tot transparantie over getrainde data en AI-gebruik. Ook moeten makers AI-inhoud duidelijk labelen. Voor culturele instellingen betekent dat heldere publieksinformatie over tools, herkomst en beperkingen. Op het moment van schrijven werkt de sector aan praktische richtlijnen hiervoor.
Dataset en bias zichtbaar
Generatieve modellen leren van grote verzamelingen online voorbeelden, zoals de LAION-5B-beeldset. Daarin zitten ook scheve patronen en stereotypes. Die kunnen terugkeren in de output, bijvoorbeeld bij het afbeelden van beroepen of huidskleuren. Het experiment maakt deze bias direct zichtbaar voor bezoekers.
Privacy kan meespelen als trainingsdata persoonsgegevens bevatten. Onder de AVG geldt dataverwerking met doelen als kunst en onderzoek, maar dat vraagt dataminimalisatie en zorgvuldigheid. Filters en moderatie zijn nodig om gevoelige of herleidbare output te voorkomen. De instelling moet dit vooraf testen en borgen.
De organisatie geeft daarom uitleg bij elke stap: welke prompt is gebruikt, welke filters staan aan, en waarom. Die openheid helpt het publiek te begrijpen hoe het model tot zijn keuzes komt. Het verlaagt ook juridische risico’s door transparantie. Tegelijk laat het zien waar grenzen liggen die techniek nog niet overbrugt.
Musea willen heldere regels
Nederlandse musea en presentatie-instellingen zoeken werkbare afspraken voor AI-kunst. De Raad voor Cultuur adviseerde eerder om transparantie, educatie en fair practice te combineren. Dat betekent onder meer duidelijke labels, bronvermelding en afspraken over opbrengsten. Ook onderwijs en bibliotheken kunnen hiervan profiteren.
De AI-verordening plaatst zulke toepassingen meestal in een lage risicoklasse, maar de transparantie-eisen zijn concreet. Instellingen die content laten genereren, moeten AI-gebruik aangeven. Dat kan met een label bij het werk en een korte methodenkaart. Zo wordt het voor bezoekers navolgbaar wat menswerk is en wat door een model kwam.
Voor inkoop en sponsoring kijken instellingen naar leveranciers die documentatie delen. Bedrijven als OpenAI, Stability AI en Google DeepMind publiceren inmiddels modelkaarten, maar vaak nog summier. Europese spelers en open-sourceprojecten bieden soms meer inzicht in trainingsdata. Dat sluit aan op de vraag naar controleerbaarheid in de EU.
Publiek test grenzen van AI
Bezoekers kunnen tijdens het experiment prompts voorstellen en resultaten beoordelen. Zo ontstaat een gezamenlijk leerproces over taal, context en referenties. Mensen merken hoe kleine woordkeuzes grote effecten hebben. Het versterkt mediawijsheid rond algoritmen in cultuur.
Generatieve AI is software die nieuwe tekst, beeld, video of geluid maakt op basis van voorbeelden en een korte opdracht, ook wel een “prompt”.
De organisatie gebruikt feedback om volgende sessies te verbeteren. Denk aan extra uitleg, andere modellen of strengere filters. Zo groeit het format van show naar onderzoek. De uitkomsten zijn interessant voor makers, onderwijs en beleidsmakers.
Een praktische vervolgstap is een publiek logboek met prompts, versies en bronverwijzingen. Dat sluit aan op de transparantie in de Europese AI-verordening en helpt bij herhaalbaarheid. Het maakt ook duidelijk welke menselijke keuzes het resultaat bepaalden. Daarmee wordt het debat over eigenaarschap concreet en toetsbaar.