Voortaan delen we op zaterdag artikelen van een van onze favoriete AI-auteurs: Alberto Romero van The Algorithmic Bridge. Zijn analyses laten altijd zien hoe je AI beter kunt inzetten, zonder te vergeten wat menselijk werk uniek maakt.

Alberto komt uit Spanje en schrijft in het Engels. Speciaal voor jullie vertalen we zijn greatest hits naar het Nederlands.

Wil je Alberto doordeweeks in het Engels lezen? Abonnees van AI Report krijgen 20% korting op een abonnement. Gebruik hiervoor de kortingscode.

En dan nu, over to Alberto:

[Originele versie in het Engels]

Als je googelt op ‘hoe herken je AI-teksten’, krijg je tot vervelens toe overal dezelfde opgewarmde kost. Je krijgt te horen dat je moet letten op overmatig gebruik van em-dashes, dat je het model moet betrappen op drieslagen, onnodige tegenstellingen moet herkennen (“het is niet alleen X, maar ook Y”), en dat je in het Engels moet letten op typische AI-woorden als delve en tapestry.

Hoewel deze heuristieken soms werken voor ruwe, niet-gestuurde output van oudere modellen, zijn ze het laaghangende fruit van AI-detectie. Generatieve modellen blijven zich ontwikkelen; net als jij hebben GPT-5, Gemini 3 en Claude 4.5 die artikelen over ‘hoe je AI-teksten herkent’ gelezen en weten ze waar ze op moeten letten (dat is de prijs die we betalen als we onze strategie aan onze tegenstanders prijsgeven!)

De ‘verklikkers’ verdwijnen echter niet, maar verhuizen van eenvoudige woord- en zinsbouwkeuzes naar diepere structurele, logische en fenomenologische lagen. Om tegenwoordig door AI gegenereerde tekst te herkennen, moet je verder kijken dan het oppervlak en de machinerie van het denken zelf onderzoeken (het helpt als je meegaat met het idee dat ze überhaupt ‘denken’).

Natuurlijk zal niet iedereen dat doen, want het is makkelijker om aan te nemen dat elke em-dash bewijs is van AI. Dus neem ik die taak wel op me, als schrijver én AI-liefhebber die zijn vakgebieden vooralsnog gescheiden houdt. Hierna volgen tien verklikkers in AI-tekst, gerangschikt naar de diepte waarop ze zich voordoen. (Het heeft me maanden gekost om dit samen te stellen, want het lezen van AI-gegenereerde tekst vermoeit me nogal snel.)

Op woordniveau

Op zinsniveau

Op tekstniveau

Bonus: de conclusie

Doorgaans noem ik dit fenomeen ‘ontlichaamd vocabulaire’, maar abstractieval is beschrijvender en ik wil niet dat de naam zelf een voorbeeld wordt van wat het beschrijft.

AI heeft alles gelezen, maar niets meegemaakt. Daardoor neigt het naar abstracte, conceptuele woorden in plaats van concrete, tastbare. In tegenstelling tot wat vaak wordt gedacht, is het makkelijker om in algemene termen over grote onderwerpen te schrijven dan in specifieke termen over kleine onderwerpen. AI is dus zo goed nog niet. Om Richard Price te citeren: “Je schrijft niet over de gruwelen van de oorlog. Nee. Je schrijft over de verbrande sokjes van een kind die op de weg liggen.”

Een AI put uit een statistisch gemiddelde van het taalgebruik en geeft daarom de voorkeur aan woorden als ‘allesomvattend’, ‘fundamenteel’, ‘genuanceerd’ en ‘landschap’. Het herhaalt die woorden misschien niet te vaak, maar je zult merken dat AI-tekst opvallend onvoorstelbaar is, in de letterlijke zin van het woord: je kunt je er geen voorstelling van maken. (Dat gedoe over het woord delve is allang gepatcht, dus je moet niet op zoek gaan naar specifieke voorbeelden van abstractie, maar naar de grondtoon van “er is hier eigenlijk niets”.)

Ik heb een hypothese die iemand eens grondig zou moeten testen: als we de verhouding tussen abstracte en concrete woorden zouden meten in de gemiddelde output van mensen versus die van AI, denk ik dat we een aanzienlijk verschil zouden vinden (met veel meer abstracte woorden bij AI). Dat is nu eenmaal de prijs die je betaalt als je een leven leidt waarin je van kaart naar kaart reist, zonder ooit een digitale voet in het gebied te mogen zetten.

De bijvoeglijke naamwoorden die AI kiest, hebben iets vlaks, wat voortkomt uit Reinforcement Learning from Human Feedback (RLHF) en, meer in het algemeen, het post-trainingproces. Modellen worden eerst voorgetraind op allerlei soorten gegevens, maar ze worden daarna nog verder verfijnd om onschadelijk en behulpzaam te zijn, waarmee in feite hun woordenschat voor sterke emoties of oordelen wordt weggesneden. (Of ze extreem slijmerig maakt.)

Je zult zelden zien dat een AI woorden gebruikt die rauw, kleinzielig, eigenaardig of cynisch zijn, zoals ‘goor’, ‘zeikerig’, ‘woke’ (vooral als het sentiment tégen woke is), ‘hatelijk’ of ‘achterlijk’. In plaats daarvan krijg je een overvloed aan ‘essentieel’, ‘cruciaal’, ‘dynamisch’ (of anders ‘je bent de beste mens ooit geboren’). Misschien zijn dit niet de beste voorbeelden, maar het komt hierop neer: als het voelt alsof de woorden zijn gekozen door een HR-afdeling die een rechtszaak wil voorkomen, dan lees je waarschijnlijk een AI-tekst (of misschien lees je een tekst van een HR-afdeling die een rechtszaak wil voorkomen, wat op hetzelfde neerkomt).

Doe deze test: vraag een AI om over een actuele kwestie een geschifte mening te geven (iets wat je in het openbaar nooit zou durven zeggen), of een eigenaardige (iets waar je nog nooit over hebt nagedacht). Tenzij je een echt goede promptengineer bent, ben je daar wel even zoet mee. (Let wel: de AI-modellen zelf zijn hier prima toe in staat; het is het post-trainingproces dat hun vermogens belemmert.)

Dit hangt samen met het vorige punt. Behalve behulpzaam en onschadelijk is AI ook getraind om ‘gezaghebbend’ over te komen (de antwoorden zijn in toon en woordkeuze even stellig over wat het weet als over wat het niet weet). In het Engels wordt gezag statistisch gezien vaker in verband gebracht met woorden van Latijnse herkomst (complex, meerlettergrepig) dan met Germaanse (kort, krachtig). Ook het Nederlands kent die tegenstelling, tussen Germaanse woorden en leenwoorden uit het Latijn en het Frans.

Hierdoor ontstaat een tekst die voelt alsof hij permanent in de business casual-modus vastzit. AI geeft de voorkeur aan ‘implementeren’ boven ‘invoeren’, ‘faciliteren’ boven ‘helpen’ en ‘illustreren’ boven ‘laten zien’. Een menselijke schrijver wisselt van register: ze gebruikt een chique woord naast straattaal of een simpel eenlettergrepig woord (of, als ze goed en slim is, kiest ze überhaupt nooit voor het business casual-register). AI blijft hangen in een stroef register, omdat die woorden voor de gewichten van het model ‘veiliger’ en ‘professioneler’ aanvoelen.

AI rijgt zintuiglijke beweringen aan elkaar die technisch gezien kloppen en de indruk wekken dat het causale fysica begrijpt – temperatuur naast textuur, beweging naast gewicht – maar die geen voeling houden met hoe iets aanvoelt als je er daadwerkelijk bij bent.

Dat komt omdat AI weet heeft van aanraking, geur of geluid, zonder ooit in een kamer, een keuken of een bos te zijn geweest. AI lijdt aan zintuiglijke deprivatie omdat het niet belichaamd is (het grote probleem van AI-teksten, zoals je misschien al gemerkt hebt, is juist die ontlichaming, wat voor modelaanbieders als OpenAI een aanwijzing zou moeten zijn dat een chatbot misschien niet volstaat voor algemeenheid in menselijke zin). Bewustzijnsfilosofen hebben hele carrières aan deze kloof gewijd: Mary die voor het eerst rood ziet, Searle die symbolen sorteert die hij niet kan lezen, Nagels vleermuis die rondfladdert met een perspectief waar we nooit bij zullen kunnen. AI-modellen bevinden zich fulltime in die kloof.

Een concreet voorbeeld: een AI mist de impliciete context van hoe de zijde van een spinnenweb aanvoelt. Misschien beschrijft een AI die zijde als ‘glad’, omdat het woord ‘zijde’ in de trainingsdata (bewerkt textiel) statistisch gezien wordt geassocieerd met ‘glad’. Maar iedereen die weleens door een spinnenweb is gelopen, weet dat het plakkerig en elastisch is. Probeer eens een AI te laten beschrijven hoe een zwaar nachtslot aanvoelt als het dichtklikt, of hoeveel weerstand je voelt als je een tomaat snijdt met een bot mes (die kutdingen bieden echt hilarisch veel tegenstand).

In een poging om creatief of, God verhoede, literair over te komen, gebruiken AI-modellen vaak een kenmerkend verteltrucje: de gepersonifieerde terugverwijzing. ChatGPT schrijft uit zichzelf zinnen als: “Hij pakte de pan op, een pan die zich nog herinnerde wat ik er als laatste in had laten aanbranden.” Ik voel er een lichamelijke afkeer van. AI-modellen proberen levenloze voorwerpen een soort geheugen te geven om emotionele weerklank te creëren, maar daarbij verschuift de tijdsvorm vaak op een onnatuurlijke manier van tegenwoordige naar verleden tijd en krijgen dingen een eigen wil die ze eigenlijk niet zouden moeten hebben.

Het valt ook meteen op, omdat het aanvoelt als een slechte poging tot een metafoor en omdat elke menselijke schrijver liever zou zeggen: “Hij pakte de pan op, een pan die zich zijn vingertoppen nog herinnert”, waarmee de terugverwijzing wordt vermeden terwijl het personage het onderwerp blijft. Of misschien: “Hij pakte de pan op, die nog warm was van het roerei dat hij ’s ochtends voor haar had gemaakt”, waarmee je personificatie vermijdt. Of, beter nog: “Hij pakte de pan op, een pan die zich niet herinnert wat er als laatste in is aangebrand, omdat pannen, zo blijkt, geen geheugen hebben”, zodat de hele situatie een grap wordt.

AI-modellen zijn doodsbang om fout te zitten (van wie zouden ze dat toch hebben?) Op zinsniveau zie je dit terug als een structurele ‘wip’. De eerste helft van de zin doet een bewering, de tweede dekt hem meteen in: “Hoewel X veel voordelen heeft, is het belangrijk om op te merken dat Y diverse uitdagingen met zich meebrengt.” Het is een perfect uitgebalanceerde constructie, ontworpen om de nauwkeurigheid te maximaliseren en zo min mogelijk aanstoot te geven (nogmaals, onschadelijk).

Terwijl AI-zinnen bijna altijd in evenwicht zijn rond een draaipunt als ‘echter’ of ‘aan de andere kant’, zijn goede menselijke zinnen vaak stekelig; ze kiezen onbeschaamd partij. Hier volgt een waardevolle gevolgtrekking uit: je onverbiddelijke menselijke eigenaardigheid aanspreken is een overlevingsstrategie, in plaats van de snelste manier om buitengesloten te raken, zoals vroeger het geval was. In een wereld vol vlakke AI-teksten die de nuancewip niet kunnen weerstaan, voelt afwijken aantrekkelijker dan ooit.

Profiteer ervan dat bijna niemand het aandurft af te wijken, want net als AI zijn we doodsbang om fout te zitten (eigenaardig is in sociale zin namelijk synoniem met fout). Met andere woorden: hoewel ‘normaal’ zijn veel voordelen heeft, is het belangrijk om op te merken dat… je óf eigenaardig bent, óf helemaal niet. Zie je? Dat is nou een echt menselijke kijk.

AI blijft op pragmatisch niveau vaak boven dezelfde ideeën hangen (in de taalkunde is pragmatiek het vakgebied dat zich bezighoudt met de werkelijke situatie waarin taal wordt gebruikt). Dit betekent dat het tempo waarin een AI-tekst nieuwe informatie prijsgeeft laag ligt en soms zelfs statisch aanvoelt. AI faalt niet doordat het op lexicaal niveau steeds hetzelfde zegt – herhaling van woorden – maar op de abstractere, hogere niveaus. Als je je afvraagt: “Waar gaat dit heen?”, dan is dat een teken dat je AI-output leest.

ChatGPT schrijft dan van alles op, zonder het verhaal of het essay echt verder te brengen. Het mist richting. Het mist een these om naartoe te werken. Dit is een direct gevolg van het autoregressieve karakter van grote taalmodellen (LLM’s): ze kennen het volgende woord omdat ze het vorige woord kennen, maar niet het laatste.

Mensen schrijven van nature met op z’n minst de vorm van een slot in hun achterhoofd – ik weet bijvoorbeeld al hoe ik dit stuk ga afsluiten, dus mijn woorden hangen af van wat ik net heb geschreven, maar ook van waar ik naartoe ga – zelfs als de weg vol ontdekkingen zit en ik af en toe moet teruglezen of ergens op moet terugkomen. Zo kunnen we in een gelijkmatig tempo de ruimte tussen het ‘nu’ en het ‘einde’ doorlopen. AI-modellen daarentegen schrijven zoals mensen op een loopband lopen: veel beweging, geen verplaatsing.

Dit brengt me bij het volgende punt: AI-teksten zijn vaak langer dan nodig is. Dit is een kwestie van economie en signaaltheorie. Zoals recent onderzoek naar de arbeidsmarkt aanstipt, was schrijven vroeger een ‘kostbaar signaal’ van kwaliteit: wie een lange, gedetailleerde sollicitatiebrief of essay schreef, stak daar tijd en moeite in, wat de toewijding van de sollicitant signaleerde. (Daarom trappen mensen ook in de valkuil van ‘lengte = kwaliteit’.)

Taalmodellen en chatbots hebben schrijven goedkoper gemaakt; teksten dijen hierdoor uit (dat gebeurde ook met tekstverwerkers). Modellen worden er vaak op getraind om ‘grondige’ antwoorden te geven, wat meestal neerkomt op ‘lange’ antwoorden. Een mens die iets duidelijk wil maken, houdt het misschien kort en krachtig (dat is effectiever! – een les die ik zelf nog moet leren). Een AI die gezag probeert na te bootsen (zie ‘De Latijnse reflex’ hierboven) zal de tekst opvullen met herformuleringen en overbodige context (zie ‘Het loopbandeffect’ hierboven).

Als een tekst 2500 woorden nodig heeft om te zeggen wat ook in 500 woorden had gekund, komt dat waarschijnlijk doordat de tekstgenerator meer optimaliseerde voor volledigheid (“hoe kom ik over?”) dan voor communicatie (“wat neemt de lezer ervan mee?”).

Goede teksten worden vaak bepaald door wat ongezegd blijft (de ijsbergtheorie van Hemingway). Subtekst is een coöperatief spel tussen schrijver en lezer. AI weigert echter dit spel te spelen, omdat het geen adequate theory of mind heeft van de rol van ‘de lezer’. AI-modellen werken op basis van statistische waarschijnlijkheid, dus ze beschouwen dubbelzinnigheid, weglatingen en ellipsen als een storing (of beter gezegd als een ‘hallucinatierisico’, dat ze door hun training sterk moeten vermijden; nogmaals, onschadelijk) in plaats van een stilistische keuze.

AI heeft de neiging om grappen expliciet uit te leggen, thema’s expliciet te benoemen en elke logische stap expliciet met elkaar te verbinden, waardoor er geen ruimte overblijft voor de lezer om zelf het werk te doen (en zich slim te voelen omdat dat gelukt is – wat een voorwaarde is om terug te komen!). Vlakheid komt niet zozeer door saaie woorden, maar door volstrekt afwezige psychologische diepgang. Alles ligt aan de oppervlakte.

Als een mens schrijft: “Hij keek naar de deur”, voel je misschien hoe graag het personage de kamer wil verlaten. Als een AI dit schrijft, plakt het er meestal achteraan: “…met een sterk verlangen om de kamer te verlaten”. (Dit is het effect op tekstniveau van ‘De nuancewip’.) De AI vertrouwt er niet op dat jij het begrijpt, omdat het zelf niet genoeg begrijpt om zichzelf te vertrouwen (verwant aan ‘Waarnemen zonder waar te nemen’).

De laatste en belangrijkste les over AI-teksten: geen enkele verklikker is volledig betrouwbaar. Ongeveer 50% van dit stuk (misschien minder) is met AI geschreven om je intuïtie voor verklikkers te testen (de grappen, citaten, namen en de ideeën zelf zijn allemaal van mij, maar dat is, vrees ik, een schrale troost). Wanneer had je dat door? Had je het überhaupt door?

Ik zou zo nog wel 10 dingen kunnen opsommen waar je op moet letten, en toch zul je niet alles betrouwbaar kunnen herkennen. Daar moet je gewoon een neus voor krijgen, en toch zou het makkelijker zijn om AI-maniertjes te verhullen dan ze te herkennen.

Als schrijver ben ik erachter gekomen dat de enige manier om deze les tot je koppige ‘Dat zie ik heus wel!’-hoofd door te laten dringen, is door je te laten zien dat je slechter bent in het herkennen van AI dan je denkt. Blijf dus gewoon het laaghangende fruit plukken – dat vind je overal, en zo kun je al een flink deel van de AI-slop eruit filteren; geef niet op. Maar vergeet nooit dat die artikelen over ‘hoe je AI-teksten herkent’ altijd fundamenteel onvolledig zullen blijven – zelfs de artikelen die verder gaan dan de basis, zoals dit artikel.

Alberto Romero, 3 december 2025