Kun je in 2026 nog zien wat door AI is geschreven?

In dit artikel:

In 2026 is bijna de helft van alle nieuw gepubliceerde webteksten hoofdzakelijk door AI geschreven. Een analyse van 55.400 artikelen uit Common Crawl door onderzoeksbureau Graphite (mei 2026) vond dat in Q1 2026 49,9% van nieuw verschenen stukken primair door modellen was gegenereerd; mensen hielden met 50,1% een flinterdunne meerderheid. Tegelijkertijd zijn die machineteksten steeds moeilijker te onderscheiden van menselijke schrijfsels: de vroegere onhandigheden zijn grotendeels verdwenen en de grens tussen mens- en machinetekst is bijna dichtgegroeid.

Omdat lezers dat onderscheid niet langer betrouwbaar kunnen maken, zijn organisaties machines gaan inzetten om dat wél te doen. Detectiesoftware voor AI-tekst staat nu op veel ‘poorten’: universiteiten gebruiken het naast plagiaatchecks (HEPI’s Student Generative AI Survey 2026 meldt dat 95% van Britse studenten AI gebruikt en 12% toegeeft AI-tekst in te leveren), wervingsafdelingen screenen cv’s en motivatiebrieven, Google voerde in maart 2026 een kernupdate uit tegen “scaled content abuse”, en ook freelanceplatforms, forums, datingapps en reviewsites draaien vaak stille AI-checks. De scores van zulke detectors kunnen echte gevolgen hebben: hoorzittingen, afgewezen sollicitaties, of dalende bezoekersaantallen.

Maar detectoren “zien” niet wie achter een tekst zit. Studies uit 2026, onder meer “Why AI-Generated Text Detection Fails” (maart 2026), laten zien dat hoge testprestaties misleidend zijn. Classifiers leren dataset-specifieke stilistische kenmerken — niet vaste bewijzen van machinauteurschap — en falen zodra onderwerp, lengte of opmaak veranderen. Technisch gezien meten detectors vooral statistische patronen: voorspelbaarheid (hoe voor de hand liggend het volgende woord is) en ritme/variatie in zinslengte. Modellen schrijven doorgaans gladder en consistenter; mensen variëren meer. De detector geeft op basis van die signalen een kans, geen zekerheid.

Die probabilistische aanpak heeft concrete nadelen. Mensen die formeel of eenduidig schrijven — niet-moedertaalsprekers, precieze academici of gebruikers van grammaticatools — kunnen onterecht in de “machinemodus” terechtkomen en beschuldigd worden van fraude. Tegelijkertijd bestaat er een groeiende markt van hulpmiddelen die teksten “humaniseren”: ze passen zinslengte, woordkeuze en voorspelbaarheid aan zodat een classifier de tekst als menselijk bestempelt. Studenten, niet-moedertaalsprekers en contentteams gebruiken zulke tools om onterechte straffen of zoekmachineredenen te vermijden.

De situatie vormt een fundamentele handelsafweging: strikte detectoren vangen meer AI-tekst maar produceren meer vals-positieven; losse drempels sparen mensen maar laten echte AI-tekst door. Onderzoekers stellen dat dit geen simpel engineeringprobleem is dat je volledig kunt oplossen — naarmate taalmodellen menselijker worden, wordt het onderscheiden steeds moeilijker, en aanpassingen aan beide kanten houden een wapenwedloop in stand.

De praktijktrekkers: in 2026 kun je niet betrouwbaar zien of een tekst door AI is geschreven — noch mensen, noch speciale software. Wel heeft de uitslag van detectors echte impact op diploma’s, banen en siteverkeer. Wie zich het beste staande houdt in deze realiteit, zijn de partijen die begrijpen welke statistische signalen detectors meten en hun tekst zodanig (menselijker) vormgeven dat hij aan die criteria voldoet. Dat verandert lezen en publiceren: niet alleen omdat AI-tekst goed is geworden, maar omdat we onze instituties hebben gevuld met imperfecte automatische poortwachters en hun kansberekeningen gaan vertrouwen.