Hoe AI-detectoren echt werken (en waarom ze jou markeren)

Wat een AI-detector werkelijk meet

Een AI-detector weet niet wie een zin geschreven heeft. Hij heeft je document nooit eerder gezien en kan het niet vergelijken met een verborgen database van ChatGPT-output. In plaats daarvan scoort hij hoe voorspelbaar je tekst is vergeleken met de patronen die grote taalmodellen doorgaans produceren.

Moderne detectoren zijn zelf machine-learningmodellen, getraind op miljoenen menselijke en AI-passages. Ze zoeken naar de statistische vingerafdrukken die generatie achterlaat en geven vervolgens een waarschijnlijkheid als uitkomst. Niets in die pijplijn verifieert auteurschap. Een detector kan je browsergeschiedenis niet zien en je niet zien typen; hij kan alleen zeggen dat je tekst lijkt, of niet lijkt, op het machineschrijven waarop hij getraind is.

Zie het als een spamfilter. Die heeft geleerd hoe junkmail er meestal uitziet en markeert dus berichten die die kenmerken delen, maar hij kan nooit zeker zijn over een enkele e-mail. AI-detectie werkt op dezelfde manier, wat betekent dat elke score een vermoeden is dat verkleed gaat als getal. Dat verandert ook hoe je een resultaat moet lezen: "85% AI" betekent niet dat 85% van je tekst machinaal geschreven is. Het betekent dat de detector redelijk zeker is van een gok.

Perplexiteit: hoe verrassend je woorden zijn

Perplexiteit is het allerbelangrijkste signaal. Het meet hoe verrast een taalmodel is door elk woord dat je koos. Als elk volgend woord precies is wat het model voorspeld zou hebben, is de perplexiteit laag en ziet de tekst er machinaal geschreven uit. Mensen zijn minder voorspelbaar: we grijpen naar een vreemd bijvoeglijk naamwoord, breken een regel of formuleren iets net wat onhandig, en elk van die keuzes duwt de perplexiteit omhoog.

Een concreet paar maakt dit zichtbaar. Zin een: "Regelmatig bewegen is belangrijk omdat het zowel de fysieke als de mentale gezondheid verbetert." Zin twee: "Ik blijf sporten omdat mijn knieën minder klagen en mijn inbox daarna minder angstaanjagend voelt." Beide zijn grammaticaal en maken hetzelfde basispunt, maar de eerste is volledig opgebouwd uit woorden die een taalmodel als de meest waarschijnlijke volgende keuze zou rangschikken; "regelmatig bewegen is belangrijk omdat" is praktisch een sjabloon. De tweede neemt kleine risico's: knieën die klagen, een inbox die angst aanjaagt. Een model dat woord voor woord waarschijnlijkheid scoort, vindt de eerste zin niet verrassend en de tweede oprecht moeilijk te voorspellen, dus de eerste leest als AI en de tweede als mens.

Dit is ook waarom gepolijst, generiek schrijfwerk gemarkeerd wordt, zelfs als een persoon elk woord schreef. Perplexiteit meet geen inspanning of eerlijkheid, alleen voorspelbaarheid, en sommig volkomen menselijk schrijfwerk is heel voorspelbaar.

Burstiness: het ritme van echt schrijven

Burstiness meet variatie in zinsbouw en zinslengte. Mensen schrijven in vlagen: een lange, kronkelende zin gevolgd door een korte. Drie woorden. Dan een complexe zin vol details die langer doorloopt dan eigenlijk zou moeten.

AI-output is gladder. Op standaardinstellingen produceert een model zinnen die rond dezelfde lengte zweven, met vergelijkbare constructies openen en met dezelfde gelijkmatige cadans landen, alinea na alinea. Leg de twee naast elkaar en je ziet het verschil vaak al voordat je een woord leest: menselijke tekst oogt grillig op de pagina, machinetekst oogt als metselwerk.

Detectoren kwantificeren die grilligheid. Lage burstiness plus lage perplexiteit is de klassieke AI-handtekening, en wanneer beide aanwezig zijn raakt een detector ervan overtuigd dat de tekst gegenereerd is, zelfs als onderwerp en grammatica vlekkeloos zijn. Elk signaal op zich is echter zwak. Een dichter schrijft met wilde burstiness en een contractjurist met bijna geen, en beiden zijn mensen, en daarom combineren serieuze tools de twee altijd.

Tokenwaarschijnlijkheid onder de motorkap

Taalmodellen schrijven een token per keer, en elke token komt met een waarschijnlijkheidsscore. Detectoren benaderen deze waarschijnlijkheden en controleren of je tekst binnen de "comfortzone" van waarschijnlijke keuzes van het model valt. Wanneer een passage bijna volledig is opgebouwd uit tokens met hoge waarschijnlijkheid, gerangschikt in een gelijkmatig ritme, komt dat overeen met hoe ChatGPT, Gemini en Claude standaard genereren, en de detector zet dat patroon om in het percentage dat je ziet.

Dit verklaart ook waarom korte fragmenten onbetrouwbaar zijn om te testen. Met maar een zin of twee is er niet genoeg signaal om een zorgvuldige mens van een model te onderscheiden, dus scores schommelen wild. De meeste leveranciers zijn het daar stilletjes over eens: verschillende weigeren iets onder een paar honderd woorden te scoren, omdat de wiskunde onder die lengte dichter bij een muntworp ligt dan bij een meting.

Statistische detectoren vs. detectoren op basis van classifiers

Detectietools vallen in twee families, en weten met welke je te maken hebt, verklaart veel vreemde resultaten. Statistische detectoren gebruiken een referentietaalmodel om waarschijnlijkheden direct te berekenen: ze halen je tekst door het model, meten perplexiteit, burstiness en verwante grootheden, en passen dan een drempel toe. Onderzoeksmethoden zoals GLTR en DetectGPT werken zo, net als de scoring achter veel gratis checkers. Hun kracht is dat ze geen gelabelde trainingsdata nodig hebben; hun zwakte is dat het oordeel sterk afhangt van welk referentiemodel de scoring doet.

Detectoren op basis van classifiers worden juist getraind. De leverancier verzamelt grote corpora van bekende menselijke en bekende AI-tekst en finetunet vervolgens een model, vaak een transformer in RoBERTa-stijl, om de twee uit elkaar te houden. Turnitin, Originality.ai en Copyleaks zijn zo gebouwd. Classifiers pikken subtiele aanwijzingen op voorbij ruwe perplexiteit, dus ze zijn doorgaans nauwkeuriger op tekst die op hun trainingsdata lijkt, maar ze verslechteren op schrijfwerk van nieuwere modellen, andere talen of domeinen die ze nooit zagen, en niemand buiten de leverancier kan inspecteren wat ze werkelijk geleerd hebben.

De meeste commerciële producten zijn inmiddels hybrides van beide benaderingen, wat een van de redenen is dat hun scores moeilijk te interpreteren zijn en nog moeilijker te vergelijken tussen tools.

Waarom output van ChatGPT, Gemini en Claude gemarkeerd wordt

De nieuwste modellen worden getraind om helder, veilig en vloeiend te zijn, en de laatste ronde van die training beloont antwoorden die de meeste beoordelaars als goed geschreven beoordelen. Dat duwt output richting gebalanceerde zinnen, nette overgangen zoals "bovendien" en "tot slot", en vocabulaire dat in het statistische midden van de weg blijft.

Diezelfde kwaliteiten zijn precies waar detectoren op jagen. Hoe gepolijster en "gemiddelder" het schrijfwerk, hoe lager de perplexiteit en burstiness, en hoe hoger de AI-score. Ironisch genoeg komen ruwe menselijke concepten vol typefouten en eigenaardigheden er vaak makkelijker doorheen dan een schone eerste AI-versie, omdat juist de gebreken het menselijke signaal dragen.

Wat GPTZero, Turnitin, ZeroGPT en anderen daadwerkelijk controleren

De grote tools delen dezelfde kernlogica maar stemmen die verschillend af. GPTZero maakte scoring op perplexiteit en burstiness populair en rapporteert beide op zinsniveau. Turnitin AI integreert detectie in zijn plagiaatsuite voor scholen, waarbij documenten in overlappende segmenten worden opgedeeld en de segmenten worden gemarkeerd die volgens de classifier door een model geschreven zijn.

ZeroGPT biedt een snelle, gratis uitlezing per zin, terwijl Originality.ai zich richt op uitgevers en SEO-teams met een strenge, op zekerheid gewogen score. Copyleaks legt de nadruk op meertalige dekking en zakelijke rapportage. Ze zijn allemaal probabilistisch, en daarom kan geen enkele eerlijk beweren perfect te zijn, en beschrijft de nauwkeurigheidsmarketing van elke leverancier stilletjes tests die de leverancier zelf ontwierp.

Waarom detectoren het met elkaar oneens zijn

Plak hetzelfde essay in drie detectoren en je kunt 2% AI van de ene krijgen, 45% van een andere en 88% van een derde. Die spreiding is geen bug in een van hen; het is wat er gebeurt wanneer verschillende systemen verschillende gokken doen op basis van hetzelfde bewijs.

Elke tool is getraind op zijn eigen corpus, scoort met zijn eigen referentiemodel, deelt tekst anders op (heel document versus zin voor zin) en stelt zijn eigen drempel in voor wat als "waarschijnlijk AI" telt. Een tool die is gekalibreerd om valse beschuldigingen te vermijden, is conservatief en markeert te weinig; een tool die verkocht wordt op het vangen van fraudeurs, is agressief en markeert dezelfde tekst te veel. Ze updaten ook op verschillende schema's, dus een detector die is afgestemd voordat een nieuw model uitkwam, zal de stijl van dat model maandenlang verkeerd beoordelen.

De praktische les is dat geen enkele score definitief is, en onenigheid tussen tools is direct bewijs van hoeveel gokwerk erbij komt kijken. Controleert je school met Turnitin, dan telt alleen Turnitins oordeel, en een schone score elders voorspelt dat niet en beschermt je er ook niet tegen.

Valse positieven: de gepubliceerde cijfers

Omdat detectoren voorspelbaarheid beoordelen, slaan ze geregeld de plank mis, en die missers zijn niet hypothetisch. OpenAI's eigen classifier, gelanceerd in januari 2023, identificeerde slechts 26% van AI-geschreven tekst terwijl hij 9% van menselijke tekst ten onrechte als AI bestempelde, en het bedrijf trok hem binnen zes maanden terug wegens lage nauwkeurigheid. Turnitin claimt een percentage valse positieven op documentniveau onder de 1%, maar heeft erkend dat individueel gemarkeerde zinnen veel minder betrouwbaar zijn, en daarom houdt het scores achter bij documenten met slechts kleine hoeveelheden vermoede AI-tekst.

De meest verontrustende bevinding betreft niet-moedertaalsprekers van het Engels. Stanford-onderzoekers testten zeven populaire detectoren op essays die echte studenten schreven voor het TOEFL-examen en ontdekten dat gemiddeld 61% van deze door mensen geschreven essays als AI-gegenereerd werd gemarkeerd, en bijna allemaal werden ze door minstens een detector gemarkeerd. Essays van Amerikaanse studenten met Engels als moedertaal kwamen vrijwel ongeschonden door dezelfde tools.

Het mechanisme is precies wat dit artikel beschrijft: schrijvers die in een tweede taal werken, gebruiken doorgaans veiliger vocabulaire en regelmatiger zinsbouw, wat de perplexiteit verlaagt, wat als machinetekst leest. De vooringenomenheid zit ingebakken in de methode zelf. Daarom behandelen verantwoordelijke scholen een detectorscore als het begin van een gesprek, niet als bewijs. Een getal is geen bewijs.

Watermerken: de oplossing die er nog altijd niet is

Onderzoekers betogen al lang dat de echte oplossing watermerken is: het AI-model zelf een onzichtbare statistische handtekening laten inbedden op het moment van genereren. In het bekendste schema geeft het model tijdens het schrijven heimelijk de voorkeur aan een roterende "groene lijst" van tokens. Een lezer merkt het patroon niet op, maar een detector met de sleutel kan erop testen met veel betere nauwkeurigheid dan gokken op perplexiteit.

Het is er grotendeels nooit gekomen. OpenAI bouwde een tekstwatermerker die intern naar verluidt ongeveer 99,9% effectief is op lange passages, en heeft hem op de plank laten liggen, met als redenen dat parafraseren of vertalen het merk verwijdert, dat het niet-moedertaalsprekers zou kunnen stigmatiseren die AI legitiem gebruiken om te polijsten, en, minder nobel, dat gebruikers simpelweg zouden overstappen naar tools die geen watermerk aanbrengen. Googles SynthID-Text is de uitzondering: het draait binnen Gemini en is als open source uitgebracht, maar het markeert alleen Gemini's eigen output.

Dat is het kernprobleem: een watermerk dekt alleen modellen waarvan de makers meewerken, en open-weight-modellen die iedereen lokaal kan draaien, zullen er nooit een dragen. Dus de detector die je school of werkgever vandaag gebruikt, doet nog steeds statistiek, leest geen watermerken, met alle onzekerheid die daarbij hoort.

Hoe detectoren omgaan met gemengde menselijke en AI-tekst

Echte documenten zijn zelden helemaal een ding. Een student schrijft een intro met de hand, vraagt ChatGPT om twee alinea's uit te werken en bewerkt daarna het geheel. Detectoren gaan hiermee om door een venster over het document te schuiven, elke zin of elk segment apart te scoren en de stukken te markeren die er gegenereerd uitzien.

Mengen verzwakt elk signaal. Menselijke bewerkingen in een AI-alinea verhogen de perplexiteit ervan; AI-zinnen in een menselijke sectie trekken het ritme richting uniformiteit. Het resultaat is een middenscore die "half AI" kan betekenen of "helemaal mens, vreemd geschreven", en de markeringen per zin zijn merkbaar minder betrouwbaar dan het totaalcijfer. Turnitin heeft bijvoorbeeld gezegd dat zijn markeringen op zinsniveau een hoger foutpercentage hebben dan zijn documentscore, en een tijdlang weigerde het lage percentages überhaupt te tonen omdat ze zo wankel waren.

Kortom: hoe meer gemengd het document, hoe waziger het oordeel, en gemarkeerde zinnen in een rapport verdienen nog meer scepsis dan het hoofdpercentage.

Hoe humaniseren de score verlaagt

Als detectoren hoge perplexiteit en burstiness belonen, is de oplossing meer als een persoon schrijven: varieer zinslengte, gebruik minder voorspelbare woordkeuzes, voeg natuurlijke overgangen toe en doorbreek het uniforme ritme. Dit met de hand doen over een heel document is traag, en daarom bestaat er een AI-humanizer die tekst herschrijft en die menselijke variatie automatisch herstelt.

Een tool zoals Humanize AI herformuleert modeloutput zodat die natuurlijke burstiness en minder voorspelbare formuleringen terugkrijgt, en helpt zo AI-detectie te omzeilen terwijl je betekenis intact blijft. Cruciaal is dat de tool een voor-en-na-score van echte detectoren toont, zodat je de verandering meet in plaats van hoopt. Het doel is geen misleiding, maar schrijfwerk dat eindelijk klinkt als jij.

Wat dit in de praktijk voor je betekent

Een paar gewoonten volgen direct uit hoe de technologie werkt. Test voordat je inlevert, want gokken naar een score is zinloos wanneer controleren gratis is; je kunt je concept door de gratis AI-humanizer halen en de detectorcijfers zien voordat iemand anders dat doet. Vertrouw nooit een oordeel over een korte passage, en behandel markeringen op zinsniveau hoogstens als zwak bewijs.

Schrijf je eerlijk, bewaar dan je bewijsstukken: conceptversies, aantekeningen en bewerkingsgeschiedenis zijn veel beter bewijs van auteurschap dan welke tegenscore ook, zeker als je een niet-moedertaalspreker bent die schrijft in het formele register dat detectoren wantrouwen. En sta je tegenover een specifieke checker, leer dan het specifieke gedrag ervan; vooral Turnitin heeft eigenaardigheden die het kennen waard zijn, en daarom schreven we de Turnitin-gids als aanvulling op deze.

Onthoud bovenal wat een detector is. Het is een patroonherkenner die voorspelbaarheid scoort, gebouwd door een leverancier, afgestemd op een drempel, en meetbaar vaak fout in beide richtingen. Nuttig, soms. Bewijs, nooit.

Veelgestelde vragen