Waarom AI-Tekstdetectoren Het Steeds Mis Blijven Hebben

Die laatste bijzin is het punt van de hele sectie. Elke methode hier, van een grove perplexiteitsdrempel tot Binoculars, leest de eigenschappen van de woorden. Geen ervan observeert de daad van het schrijven. Ze meten gelijkenis met een trainingsverdeling.

Gelijkenis is geen auteurschap, dat is het hele probleem, in vijf woorden.

Waarom Produceren AI-Detectoren Zoveel Vals-Positieven?

Detectoren markeren menselijk schrijven als AI omdat ze elk schrijven markeren waarvan de statistische eigenschappen lijken op AI-output. Een wiskundige benadering uit 2026 behandelt dit als meer dan een afstemmingsfout: wanneer de beoordelaar de individuele schrijfverdeling van elke persoon niet kent, zijn valse beschuldigingen onvermijdelijk, in een percentage dat wordt bepaald door hoeveel menselijk en AI-schrijven overlappen. De ondergrens is echt, en hij beweegt niet.

Het artikel is Garlands 2026 "AI Detectors Fail Diverse Student Populations: A Mathematical Framing of Structural Detection Limits." De conventionele detectietheorie behandelt de taak als een test tussen twee bekende verdelingen: zo ziet menselijk schrijven eruit, zo ziet AI-schrijven eruit, beslis welke de tekst heeft geproduceerd. Garlands argument is dat de menselijke kant niet één verdeling is. De natuurlijke stijl van elke persoon is zijn eigen verdeling, en de stijlen van sommige mensen overlappen sterk met AI-output. In statistische termen is de nulhypothese samengesteld (een bundel van vele verdelingen in plaats van één enkele), en een tekst-only, one-shot detector die werkt tegen een samengestelde nulhypothese heeft geen manier om valse beschuldigingen te vermijden.

"Elke tekst-only, one-shot detector met bruikbaar vermogen moet valse beschuldigingen produceren in een percentage dat wordt bepaald door de verdelingsoverlap tussen het schrijven van studenten en AI-output." Garland, 2026 (arXiv:2603.20254)

Het gevolg is het waard om precies over te zijn, want het is wat dit onderscheidt van de gebruikelijke "detectoren zijn nog niet perfect"-benadering. De grens komt voort uit populatiediversiteit, niet uit modelkwaliteit. Een betere detector, een grotere trainingsset, een slimmere classificator: geen ervan raakt het aan, want de overlap waarvan het afhangt is een eigenschap van hoe mensen schrijven, niet van hoe goed de tool is gebouwd. Garlands eigen beleidslijn volgt er direct uit: "detectiescores mogen niet dienen als enig bewijs in wanpraktijkprocedures."

Het empirische register komt overeen met de wiskunde. OpenAI bouwde een classificator voor de output van zijn eigen modellen, zag hem AI-tekst slechts 26% van de tijd identificeren terwijl hij mensen ten onrechte markeerde in 9% van de gevallen, en stopte hem in juli 2023, met verwijzing naar de lage betrouwbaarheid "gezien het feit dat docenten oordelen zouden kunnen vellen over studenten met mogelijk blijvende gevolgen." Een peer-reviewed studie uit 2026 in het International Journal of Educational Integrity plaatste Turnitin op 61% en Originality.ai op 69% praktijknauwkeurigheid op een gemengde dataset, een heel eind verwijderd van de 99% op de marketingpagina's. Een hCaptcha-benchmark concludeerde dat geen enkele openbare detector die het testte beter presteerde dan toeval. Curtin University schakelde later Turnitins AI-schrijfdetectiefunctie uit vanaf 1 januari 2026, met verwijzing naar de behoefte aan vertrouwen, duidelijkheid, eerlijkheid en toekomstbestendige beoordeling.

Vermenigvuldig dan met schaal. Vanderbilt schakelde Turnitins detector uit na het rekenwerk op zijn eigen volume: bij een geclaimd percentage vals-positieven van 1% over 75.000 jaarlijkse inzendingen zouden ongeveer 750 studenten per jaar ten onrechte worden gemarkeerd. Dat is de lage schatting, gebaseerd op het eigen optimistische cijfer van de leverancier.

Het percentage vals-positieven is een ondergrens die wordt bepaald door hoe verschillend mensen schrijven, geen plafond dat de volgende release verlaagt.

Wie Wordt Het Vaakst Ten Onrechte Gemarkeerd?

Ja, detectoren zijn bevooroordeeld, en systematisch. Niet-moedertaalsprekers van het Engels en schrijvers in gedisciplineerde, beperkte stijlen (juridisch, wetenschappelijk, technisch) worden vaker gemarkeerd omdat hun schrijven het lage-perplexiteit-, lage-burstiness-profiel kan dragen dat detectoren lezen als "AI". De vooringenomenheid gaat niet over wie ze zijn; het is dat zorgvuldig, helder, voorspelbaar proza er statistisch uit kan zien als machine-output.

Het fundamentele bewijs is de studie uit 2023 van Liang et al. in Patterns. Zeven veelgebruikte detectoren werden losgelaten op 91 TOEFL-essays van niet-moedertaalsprekers van het Engels en 88 Amerikaanse essays van achtstegroepers geschreven door moedertaalsprekers. De detectoren classificeerden meer dan de helft van de niet-moedertaalessays verkeerd (een gemiddeld percentage vals-positieven van 61.3%), terwijl ze bijna perfect scoorden op de set van moedertaalsprekers. Alle zeven detectoren markeerden unaniem 19.8% van de door mensen geschreven TOEFL-essays als door AI geschreven.

Het experiment dat de zaak sluit is de interventie. Toen de onderzoekers ChatGPT gebruikten om de woordenschat van dezelfde niet-moedertaalessays te verrijken zodat ze meer als moedertaal klonken, daalde het percentage vals-positieven van 61.3% naar 11.6%. Door de tekst meer door AI aangeraakt te maken, markeerden de detectoren hem minder, omdat waar ze de hele tijd op reageerden de voorspelbaarheid van de woordenschat was, niet auteurschap. Het signaal dat de beschuldiging aanstuurde was perplexiteit, en perplexiteit was nooit een maat voor wie de woorden schreef.

Het patroon stopt niet bij taalvaardigheid. BAID, de eerste systematische vooroordeel-benchmark, evalueerde detectoren over zeven sociolinguïstische assen (demografie, leeftijd, klassenniveau, dialect, formaliteit, politieke voorkeur en onderwerp) over 200.000+ voorbeelden, en vond consistente ongelijkheden op alle zeven. Rashidi et al. ontdekten dat een AI-tekstdetector tot 8% verkeerd identificeerde van bekende, door mensen geschreven wetenschappelijke abstracts als door AI gegenereerd, met behulp van abstracts gepubliceerd tussen 1980 en 2023, omdat medisch en wetenschappelijk schrijven draait op beperkte woordenschat, voorbehouden formuleringen en gestandaardiseerde structuur. Juridisch schrijven is formulematig van opzet. The Authors Guild verwoordde de versie hiervan voor professionele schrijvers duidelijk: hoe verfijnder en gecontroleerder de stijl van een schrijver, hoe meer die lijkt op de output die deze tools zijn gebouwd om te markeren.

De schrijvers die het meest waarschijnlijk ten onrechte worden beschuldigd zijn degenen die op de meest gedisciplineerde, beperkte manieren schrijven, het exacte tegenovergestelde van wat "valsspelen" zou voorspellen.

Als Detectoren Werken, Waarom Kan Iedereen Ze Omzeilen?

Een detector omzeilen is routine, niet slim. Detectoren scoren al laag, en adversariële manipulatie duwt ze nog lager; adversariële parafrasering verlaagt het percentage terecht-positieven van detectoren met gemiddeld 88%. De wapenwedloop is asymmetrisch van opzet: een detector moet elke ontwijkingsroute tegelijk verdedigen, terwijl een omzeiltool alleen het ene patroon hoeft te verslaan dat de detector momenteel meet.

De cijfers komen rechtstreeks uit het onderzoek. Perkins et al. (2024) maten de nauwkeurigheid van detectoren op 39.5% op machinaal gegenereerde tekst, dalend tot 17.4% zodra ontwijkingstechnieken werden toegepast. Cheng et al. (2025) ontdekten dat adversariële parafrasering de gemiddelde percentages terecht-positieven met 87.88% verminderde over verschillende detectortypen, en Fast-DetectGPT met 98.96% verlaagde. Sadasivan et al. (2023) toonden aan dat recursieve parafrasering de prestaties van detectoren sterk kan verminderen, inclusief die van op watermerken gebaseerde detectoren, terwijl de tekst leesbaar blijft. Rond deze bevindingen zit een hele tegen-industrie van "humanizer"-tools waarvan het werk is om AI-tekst te herschrijven totdat die als menselijk scoort, en het bestaan van die industrie is zelf bewijs over wat detectoren meten. Je kunt geen betrouwbare tool bouwen om een maat voor auteurschap te verslaan. Je kunt er een bouwen om een maat voor tekststatistieken te verslaan, en mensen hebben dat gedaan.

De asymmetrie is structureel, en het toont zich in de releasecadans. Toen Turnitin een AI-bypasser-detectiefunctie in augustus 2025 leverde, een poging om tekst te vangen die door humanizers was gehaald, begonnen humanizer-leveranciers al snel hun eigen omzeilclaims te adverteren. Elke detectorupdate definieert een nieuw doelwit; elk doelwit wordt geraakt.

Er is een gevolgtrekking die de lezer uit dit alles kan afleiden, en het is het waard om die te markeren als een gevolgtrekking in plaats van een feit. Zo gelezen vangen de detectoren voornamelijk mensen die ruwe, onbewerkte AI-output inleveren: de minst gemotiveerde en minst zorgvuldige gebruikers. Degenen die een beleid het meest wil vangen zijn degenen die het gemakkelijkst worden gemist.

De wapenwedloop is geen tijdelijke kloof die de leveranciers zullen dichten. Hij is asymmetrisch van opzet.

Wat Doen Instellingen Nu?

Een groeiende lijst van universiteiten (Vanderbilt, Yale, Curtin, de University of Waterloo, en meer) hebben Turnitins AI-detector uitgeschakeld of beperkt, met verwijzing naar het volume aan vals-positieven, vooringenomenheid tegen niet-moedertaalsprekers, onstabiele scores en een gebrek aan transparantie. Anderen hielden hem alleen als adviserend signaal, nooit als de enige basis voor een beschuldiging. Het institutionele oordeel arriveert onafhankelijk van de academische artikelen, en het is het ermee eens.

De redenering is gedocumenteerd en specifiek. Vanderbilt noemde vier gronden toen het de functie in augustus 2023 uitschakelde: het rekensom van 750-valse-beschuldigingen-per-jaar, de vooringenomenheid tegen niet-moedertaalsprekers, het ontbreken van enige uitleg over hoe Turnitin tot zijn oordeel komt, en privacyzorgen over het indienen van gegevens bij derden. Curtin University kondigde aan dat vanaf 1 januari 2026 Turnitins AI-schrijfdetectiefunctie zou worden uitgeschakeld op alle campussen en studieperioden, terwijl reguliere tekstvergelijkingscontroles actief zouden blijven. De University of Waterloo beëindigde de AI-detectiefunctionaliteit van Turnitin vanaf september 2025 na intern academisch overleg. The University of Texas at Austin onderschrijft geen AI-detectiesoftware, heeft geen centrale contracten of inkooporders met actieve AI-detectiefuncties, en classificeert deze software als hoog risico voor inkoop. Richtlijnen voor docenten van instellingen waaronder MIT en Stanford komen uit op dezelfde praktische les: AI-detectoren hebben hoge foutpercentages, vals-positieven en risico's op vooringenomenheid, dus ze mogen niet worden behandeld als doorslaggevend bewijs.

Onder de beleidstaal zitten mensen. Marley Stevens, een studente aan de University of North Georgia, werd door Turnitin gemarkeerd voor werk dat ze zelf had geschreven, kreeg academische proeftijd opgelegd en verloor haar HOPE Scholarship; ze zegt dat ze de tekst alleen door Grammarly had gehaald. Aan UC Davis werd één student die werd beschuldigd van AI-gebruik later vrijgesproken na het tonen van de bewerkingsgeschiedenis in Google Docs, en een aparte, door studenten uitgevoerde test rapporteerde dat GPTZero 40% van 247 niet-AI-documenten ten onrechte markeerde. Dit zijn niet de randgevallen die het foutpercentage wegrondt. Bij de volumes waarop deze tools draaien, zijn ze het foutpercentage zichtbaar gemaakt.

Wat Vervangt Statistische Detectie?

Het opkomende antwoord is herkomst: in plaats van afgewerkte tekst te inspecteren en naar de oorsprong ervan te raden, leg een verifieerbaar signaal van oorsprong vast op het moment van generatie. Twee benaderingen convergeren, het SynthID-watermerken van Google DeepMind en de C2PA Content Credentials-standaard, gekoppeld aan ouder bewijs zoals conceptgeschiedenis en klassikaal werk. Herkomst raadt niet beter. Het verandert de vraag in één die beantwoord kan worden.

SynthID werkt door de token-waarschijnlijkheden een duwtje te geven terwijl een model tekst genereert, waarbij een statistisch patroon achterblijft dat een verificateur later kan controleren. Google heeft SynthID ingezet over gegenereerde afbeeldingen, tekst, audio en video; de implementatie voor afbeeldingen en videoframes is gebruikt om meer dan 10 miljard afbeeldingen en videoframes te watermerken, en Google biedt nu een SynthID Detector-portaal voor ondersteunde media. De beperkingen zijn gedocumenteerd: het werkt het best op langere, gevarieerde output, presteert slecht op korte of puur feitelijke antwoorden (er is maar één juiste manier om de hoofdstad van Frankrijk te schrijven, dus er is niets om te moduleren), en het vertrouwen degradeert bij zwaar herschrijven of vertalen. Het kan ook geen tekst zien van een model dat het niet implementeert.

C2PA Content Credentials nemen de complementaire aanpak: cryptografisch ondertekende metadata die bij het maken wordt gehecht, waarin wordt vastgelegd welke tool de inhoud heeft gemaakt en wanneer. OpenAI trad in mei 2024 toe tot het C2PA-stuurcomité. In mei 2026 breidde het zijn herkomststack voor ondersteunde afbeeldingsoutput uit door C2PA Content Credentials te koppelen aan het SynthID-watermerken van Google DeepMind en een preview te geven van verificatietooling. De twee lagen ondersteunen elkaar. Ondertekende metadata is rijk maar kan worden verwijderd bij het opnieuw uploaden, terwijl een SynthID-watermerk screenshots en formaatveranderingen overleeft maar minder informatie draagt. De valkuil is dezelfde die elk herkomstschema beperkt: het verifieert inhoud van tools die deelnemen, en zegt niets over inhoud van tools die dat niet doen. Dekking is vrijwillig, en groeit alleen naarmate de adoptie groeit.

Daarom stopt het veld niet bij watermerken. De alternatieven waar universitaire richtlijnen en gemeenschapsconsensus steeds op uitkomen zijn procedureel: vereis conceptgeschiedenis en versiecommits, bouw korte klassikale of mondelinge onderdelen in, en ontwerp beoordelingen die moeilijk te vervalsen zijn zonder oprechte betrokkenheid. En wanneer er wel een signaal opduikt, behandel het als de opening van een gesprek, niet de afsluiting van een zaak.

Dat is de concrete conclusie die een beoordelaar kan meenemen naar belanghebbenden. Statistische detectie vraagt "lijkt deze tekst op AI?", een vraag die volgens Garland geen betrouwbaar antwoord heeft. Herkomst vraagt "heeft een conforme tool dit ondertekend?", een vraag die een verifieerbaar antwoord heeft, voor het deel van de inhoud dat die tools hebben aangeraakt. De ruil is smallere dekking voor een claim waar je echt achter kunt staan, wat de betere positie is om in te verkeren wanneer de status van een persoon op het spel staat.

Vermarkte Nauwkeurigheid vs. Onafhankelijke Bevindingen

Nauwkeurigheidsclaims van leveranciers en onafhankelijke metingen liggen niet dicht bij elkaar. De onderstaande tabel zet het vermarkte cijfer van elke tool tegenover wat onafhankelijk testen aantrof. Het is geen koopgids; er is geen "aanbevolen"-kolom, omdat het argument van dit artikel is dat de benadering achter zo'n kolom kapot is. Het is een register van de kloof.

Deze cijfers zijn niet rechtstreeks vergelijkbaar als benchmarkscores omdat elke test verschillende datasets, drempels en schrijfomstandigheden gebruikte. Het punt is de terugkerende kloof tussen gecontroleerde claims van leveranciers en rommeliger praktijk- of onafhankelijke evaluaties.

Veelgestelde vragen