AI-content-detectie: hoe betrouwbaar is het en moet je je zorgen maken?
Nee, betrouwbaar is het niet. AI-detectors schatten op basis van taalpatronen of een tekst door een taalmodel is geschreven, en die schatting zit er geregeld naast: menselijke teksten worden als AI aangemerkt en andersom. Google gebruikt zulke detectors niet: het beoordeelt of content nuttig en betrouwbaar is, niet hoe die gemaakt is. Zorgen over detectie zijn voor je vindbaarheid dus onterecht. Steek je energie in accurate, nuttige content met eigen inbreng; dan maakt de schrijfmethode niet uit.
- AI-detectors schatten kansen op basis van taalpatronen en geven geregeld vals alarm.
- Google draait geen detector maar meet of content de zoekvraag goed en betrouwbaar beantwoordt.
- Teksten kunstmatig menselijker laten klinken misleidt detectors maar maakt de inhoud slechter.
- Reageer op detectieclaims met je werkproces en inhoudelijke kwaliteit, niet met paniek.
Een opdrachtgever haalt jouw tekst door een AI-detector en het oordeel luidt: waarschijnlijk AI-geschreven. Wat zegt zo’n score eigenlijk, en heeft die gevolgen voor je posities in Google? Je leest hier hoe detectors technisch werken, waarom ze er geregeld naast zitten en hoe je nuchter reageert op detectieclaims.
Hoe AI-detectors werken en waarom ze ernaast zitten
AI-detectors lezen geen verborgen handtekening uit een tekst. Ze schatten op basis van taalpatronen hoe voorspelbaar de woordkeuze en zinsbouw zijn. Taalmodellen schrijven gemiddeld gladder en regelmatiger dan mensen, dus weinig variatie telt als signaal voor AI. Dat is een kansberekening, geen bewijs.
Daar gaat het in de praktijk mis:
- Vals-positieven. Menselijke teksten met een strakke structuur, denk aan handleidingen, juridische stukken of werk van schrijvers die niet in hun moedertaal schrijven, worden geregeld als AI aangemerkt.
- Makkelijk te omzeilen. Een taalmodel dat je vraagt gevarieerder te formuleren, of een lichte menselijke redactieronde, drukt de score al flink omlaag. Wie wil ontwijken, kan dat.
- Korte teksten zijn onmeetbaar. Onder een paar honderd woorden is er te weinig patroon om iets zinnigs te zeggen.
- Geen standaard, geen watermerk. Voor gewone tekst bestaat geen betrouwbaar watermerk dat detectors kunnen uitlezen. Elke tool hanteert een eigen model met eigen drempels, en dezelfde tekst krijgt per tool een ander oordeel.
Zelfs de makers van taalmodellen kregen dit niet rond: OpenAI trok zijn eigen tekstclassifier terug vanwege de lage nauwkeurigheid. Een detectorscore is daarmee hooguit een indicatie, nooit een feit. Wie er klant- of personeelsbeslissingen op baseert, bouwt op los zand.
Wat Google doet: kwaliteit beoordelen, geen detector draaien
Google stelt in zijn documentatie over AI-gegenereerde content expliciet dat de productiemethode geen beoordelingscriterium is. De systemen meten of een pagina de zoekvraag beantwoordt, of de informatie klopt en of de bron te vertrouwen is. Een matige menselijke tekst rankt daardoor net zo min als een matige AI-tekst.
Wat Google wel aanpakt is gedrag, geen gereedschap: wie op grote schaal pagina’s publiceert zonder toegevoegde waarde, valt onder het spambeleid, of daar nu AI aan te pas kwam of niet. Waar die spamgrens precies ligt en hoe je er ruim vandaan blijft, lees je in het artikel over wat Google echt vindt van AI-teksten.
Vertrouwen aantonen doe je met signalen die wel meetbaar zijn: een herkenbare auteur, aantoonbare ervaring met het onderwerp en kloppende bronvermeldingen. Die factoren vallen onder E-E-A-T en wegen zwaarder naarmate je onderwerp gevoeliger is.
Wanneer detectie wél een rol speelt
Voor je vindbaarheid kun je detectors negeren, maar er zijn situaties waarin het onderwerp toch op tafel komt:
- Afspraken met opdrachtgevers. Sommige klanten willen weten of en hoe je AI inzet. Regel dat met een heldere werkafspraak vooraf, niet met een detectorscore achteraf.
- Redactionele richtlijnen. Uitgevers en vakmedia stellen soms eigen eisen aan AI-gebruik. Vraag ernaar voordat je levert.
- Onderwijs en toetsing. Daar draait de vraag om de prestatie van de maker, een heel andere context dan vindbaarheid.
Transparantie werkt in al die gevallen beter dan verstoppen. Leg vast hoe je AI inzet (als researchhulp, voor eerste versies of voor eindredactie) en wie elke tekst controleert voordat die live gaat. Een vastgelegde AI-transparantieverklaring, zoals je die ook tussen de juridische documenten van softwareleveranciers ziet staan, voorkomt discussie achteraf en geeft klanten precies wat ze zoeken: duidelijkheid.
Zo reageer je op de claim dat je tekst AI-geschreven is
Krijg je een detectorrapport voorgelegd, houd het gesprek dan feitelijk met deze stappen:
- Vraag naar de tool en de tekstlengte. Detectors spreken elkaar tegen; haal desnoods dezelfde tekst door een tweede tool en laat het verschil zien.
- Wijs op vals-positieven. Detectorleveranciers vermelden zelf dat hun score geen bewijs is, en de terugtrekking van de OpenAI-classifier is een sterk voorbeeld.
- Toon je proces. Versiegeschiedenis, briefing, bronnenlijst en interviewnotities laten zien hoe de tekst tot stand kwam.
- Verplaats het gesprek naar kwaliteit. Klopt de inhoud, beantwoordt de tekst de vraag van de lezer en staat er iets in wat elders ontbreekt? Dat zijn de criteria waar Google en lezers op sturen.
- Leg afspraken vast voor het vervolg. Spreek af wat wel en niet mag met AI en wie eindverantwoordelijk is, zodat de discussie zich niet herhaalt.
Veelgemaakte fouten rond AI-detectie
- Een detectorscore als bewijs behandelen. Het blijft een kansschatting met bekende missers. De fix: beoordeel teksten inhoudelijk en gebruik een score hooguit als aanleiding voor een gesprek.
- Teksten door een ‘humanizer’ halen. Zulke tools verhaspelen zinnen om detectors te misleiden en maken de tekst slechter voor lezers. De fix: investeer die tijd in eigen voorbeelden en betere redactie.
- AI volledig verbieden uit angst. Je team verliest tempo terwijl het risico niet in de methode zit, maar in ontbrekende controle. De fix: sta AI toe binnen een vaste werkwijze met menselijke eindredactie.
- Detectiescores in contracten opnemen. Je bindt je aan een meetlat die aantoonbaar wisselvallig is. De fix: spreek kwaliteitscriteria en een controleproces af in plaats van een score.
- Goedlopende teksten herschrijven omdat een tool aanslaat. Zo sloop je pagina’s die al presteren. De fix: laat rankende content staan en verbeter alleen wat inhoudelijk tekortschiet.
Teams die bang zijn voor detectie stellen publicaties uit, en dat kost meer vindbaarheid dan welke detector ook. Wat helpt is een vast ritme: onderwerpen kiezen op basis van zoekdata, per artikel vastleggen welke eigen kennis erin moet, en na publicatie de posities volgen. De Contentplanner van ViRank ondersteunt precies dat proces, zodat de discussie verschuift van ‘is dit AI?’ naar ‘presteert dit?’. De begrippen uit dit artikel, van E-E-A-T tot people-first content, legt de ViRank-kennisbank beknopt uit.