We gaan iets nieuws proberen! 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]

Voor alle duidelijkheid: dit artikel is niet gesponsord.

Het eerste wat opvalt aan AI-slop is dat het leest als doorsnee online tekst.

In die zin is AI-slop de jongste aanvulling op een lange reeks vervuilende factoren – vals geld, vervalst voedsel, propaganda en korte, luchtige TikTok-filmpjes die doorgaan voor educatieve content – die niet te onderscheiden zijn van datgene wat ze vervuilen.

AI-slop is ook moeilijk te onderscheiden, maar in tegenstelling tot de andere factoren niet echt moeilijk te detecteren.

Het is belangrijk om even stil te staan bij dit subtiele verschil: onderscheiden betekent iets van zijn omgeving afzonderen, terwijl detecteren betekent dat je überhaupt weet dat iets aanwezig is. Een detector houdt zich niet bezig met wat er naast het doelobject nog meer aanwezig zou kunnen zijn.

AI-slop is eenvoudig te detecteren en dus ook te verdelgen. Elke standaardclassificator kan het. Ik kan het. Jij zou het kunnen, als je het zou proberen. Sterker nog, AI-slop heeft het internet veroverd omdat detectors te goed waren in het vangen van machinaal gegenereerde tekst. Zo goed zelfs, dat ze ook menselijk werk vingen. Daar zit het probleem: door mensen geschreven teksten zijn de bijvangst die detectors onbedoeld vergaren in hun ruime sleepnetten terwijl ze zich, helaas, niets aantrekken van hun willekeurige acties.

Iedereen weet dat het makkelijk is om moedwillig machinaal gegenereerde tekst te vangen. Maar wat bijna niemand weet, is hoe moeilijk het is om niet per ongeluk door mensen geschreven tekst te vangen. Het hele verhaal achter AI-detectors draait om het feit dat ze eigenlijk AI-onderscheiders willen zijn. Of, als dat niet lukt, waar ze genoegen nemen met een afruil tussen beide. AI-slop groeide inderdaad en vestigde zich, net zoals digitale schimmel zou doen; bij gebrek aan iets wat het kon afzonderen, hoewel iedereen wist dat het er was.

Tot nu. Maak kennis met Pangram Labs.

De beste manier om Pangrams aanpak van AI-slop te begrijpen – en vooral wat deze aanpak onderscheidt van de meeste andere tools voor AI-detectie – is aan de hand van een uitspraak van Voltaire: ‘Perfectie is de vijand van goed.’

In plaats van een regelrechte oorlog te voeren tegen AI door feilloos te detecteren wat wel en geen AI-slop is, koos Pangram er slim voor om zijn kansen te maximaliseren in de belangrijkste slag: ervoor zorgen dat alles wat het vangt ook daadwerkelijk AI is. Of, om de technische term te gebruiken: het bedrijf wilde het percentage valspositieven vrijwel naar nul brengen. Je begrijpt waarom dat waardevol is, als je de volgende grafieken bekijkt:

Met Pangram weet je bijna 100% zeker welk deel van de ‘post-AI’-content door AI is gegenereerd, omdat Pangram bij ‘pre-AI’-content helemaal geen fouten maakt.

Hierdoor kan Pangram beweringen doen als: “21% (15.899) van de reviews [op ICLR 2026] was volledig door AI gegenereerd [en] bij ruim de helft van de reviews was op de een of andere manier AI betrokken, hetzij door bewerking, ondersteuning of volledige generatie met een AI.” Of: “3% van het totale aantal onderzochte productreviews [op de voorpagina van Amazon] […] is met een hoge mate van zekerheid door AI gegenereerd.” Of dat, in augustus 2024, dagelijks “60.000 door AI gegenereerde nieuwsartikelen” werden gepubliceerd (stel je eens voor hoe hoog dat aantal nu moet zijn).

Ik wil erop wijzen dat het percentage valspositieven van Pangram weliswaar erg laag is, maar nog steeds niet nul. Het bedrijf beweert dat het percentage 1 op 10.000 is “bij documenten uit de testset” en 1 op 100.000 “bij wetenschappelijke artikelen uit ArXiV die buiten de testset zijn gehouden”.

Pangram heeft een lange weg afgelegd sinds die posts verschenen waarin de spot werd gedreven met AI-detectors die de Amerikaanse grondwet of een vers uit de Bijbel aanmerkten als door AI geschreven. Dat soort absurditeit is precies wat Pangram heeft weten te vermijden. Zelfs al blijkt dat niet direct uit zijn berichten, toch houdt het zich aan het principe van William Blackstone uit 1765, dat ten grondslag ligt aan alle moderne rechtsstelsels: het is beter dat tien schuldigen vrijuit gaan dan dat één onschuldige wordt gestraft.

In precies de betekenis die Pangram uitdraagt, heb ik dit idee al eerder verdedigd. Ik vind dat de betere aanpak: doe alles wat in je macht ligt om te voorkomen dat je degenen straft die proberen eerlijk te spelen in een wereld die hen alle reden geeft om corrupt te zijn. En toch heb ik, tot nu toe, gezien hoe geavanceerde detectors in de strijd tegen AI-slop ten onder gingen door te proberen elke slag te winnen: het is namelijk erg moeilijk om een foutpercentage van nul te behalen bij het ten onrechte als AI bestempelen van iets dat door een mens is gemaakt (valspositief), en tegelijkertijd een foutpercentage van nul te behouden bij het ten onrechte als menselijk bestempelen van iets dat met AI is gemaakt (valsnegatief).

Als je beide probeert te doen, bereik je niets. Je moet compromissen sluiten. De doorslaggevende concessie van Pangram is, naar mijn mening, het eerste succesvolle offensief in de herovering van het internet door de mensheid.

Maar wacht even, Pangram beweert ook dat het percentage valsnegatieven vrijwel nul is: het aandeel door AI geschreven teksten dat aan detectie ontsnapt. Onafhankelijke onderzoekers van de Universiteit van Chicago hebben dit bevestigd. Het lijkt erop dat Pangram de oorlog heeft beslecht! Is dat dan hoe een afruil eruitziet? Laten we proberen te begrijpen wat er aan de hand is.

Op het eerste gezicht betekent dit dat Pangram, net als elk ander bedrijf dat zich bezighoudt met AI-detectie, de hele markt wil veroveren. Dat lijkt het strakke verhaal te compliceren dat ik je zojuist vertelde over het winnen van de slag om de oorlog niet te verliezen, en het belang van compromissen. Het overdreven aanprijzen van de Blackstone-afruil zou me schuldig maken aan dezelfde gemakzucht die ik heb bekritiseerd in de marketing van andere AI-detectiebedrijven.

Het probleem hierbij is dat detectors het percentage echte valsnegatieven niet tot vrijwel nul kunnen terugbrengen. Terwijl het percentage valspositieven altijd betrouwbaar is vast te stellen – je kunt er zeker van zijn dat een detectietool correct werkt door terug te gaan naar een tijd waarin AI nog niet bestond – moet je voor het percentage valsnegatieven een aantal trucjes toepassen die je vermogen verzwakken om alles wat AI is te signaleren.

Wanneer Pangram – en de onderzoekers die de detector valideren – valsnegatieven meten, doen ze dat op de enig mogelijke manier: ze genereren tekst met AI-modellen, maken eventueel gebruik van een beperkte AI-humanizer, voeren deze door de detector en tellen het aantal missers. Afgezet tegen deze benchmark is het percentage valsnegatieven van Pangram inderdaad vrijwel nul, wat kan worden gebruikt voor PR-doeleinden en in wetenschappelijke artikelen.

Het probleem is dat zo’n meting ons maar heel weinig zegt over de echte wereld: de verdeling van de aanwezigheid van AI in een gecontroleerd laboratoriumexperiment hoeft niet per se overeen te komen met de verdeling van de aanwezigheid van AI in de echte wereld. In plaats van te erkennen dat het meten van het percentage valsnegatieven in de praktijk vrijwel ondoenlijk is, neemt Pangram genoegen met een zwakke definitie van het percentage valsnegatieven en daarmee een zwakke bewering. Daar is niets mis mee – beter kunnen AI-detectors het eigenlijk niet – maar het is iets heel anders dan beweren dat je geen enkele AI en geen enkel mens over het hoofd ziet. Dat klopt niet als je niet weet hoe AI in de praktijk wordt gebruikt!

Om maar een voorbeeld te noemen – sta me dit anekdotische voorbeeld even toe – ik misleid Pangram regelmatig.

Voor alle duidelijkheid, ik misleid alle detectors. Ik doe het moeiteloos, zonder speciale tools, humanizer-software of ingewikkelde vijandige trucs. Ik geef gewoon mijn eigen draai aan sommige delen van de tekst, voeg een paar woorden toe of herschrijf een paar zinnen, en laat de AI de rest schrijven. Het gaat hier niet zozeer om het ‘veranderen van een x-aantal woorden’, maar meer om het ontwikkelen van een ‘neus’ voor hoe je deze tools kunt misleiden. Soms schrijf ik 10% en de AI 90%, met een prima resultaat. Soms is het juist andersom. Ik doe dit in het kader van experimenteel schrijven, waarbij ik de grenzen van AI test. Maar ik doe dit ook voor mezelf om te bevestigen dat het gemeten percentage valsnegatieven geen nut heeft. Pangram geeft zich elke keer gewonnen: 100% door mensen geschreven.

Ik beweer niet dat ik weet hoe je AI-detectors kunt misleiden, maar wel dat elke bekwame schrijver die het probeert, daarin zal slagen. Ik vermoed inderdaad dat de meeste mensen dat zullen proberen. Ik vermoed ook dat dat de juiste manier is om te bekijken wat er in de praktijk gebeurt met door AI gegenereerde tekst. Er zijn maar weinig mensen die zo lui zijn – behalve misschien LinkedIn-influencers – dat ze de hele workflow automatiseren en niet letten op voor de hand liggende structurele en syntactische aanwijzingen die iedereen kent (bijvoorbeeld: “Niet X, maar Y”, drieslagen, omslachtige aanloopjes enz.)

Dat is precies wat de benchmarks voor valsnegatieven steevast over het hoofd zien. Ze vergelijken tekst die volledig door AI is gegenereerd met tekst die volledig door mensen is geschreven; twee categorieën waarin steeds minder mensen actief zijn. Er zijn net zoveel manieren om AI in je schrijfproces te integreren als er schrijvers zijn; in de echte wereld lopen de categorieën vloeiend in elkaar over.

Je kunt niet zeggen dat je een zware overwinning hebt behaald als je tool de moeilijke gevallen niet kan meten. Beweren dat er onder deze omstandigheden vrijwel geen echte valsnegatieven zijn, is hetzelfde als beweren dat je met je ruime sleepnet alle doelvissen in een meer hebt gevangen, terwijl je bewijs erop neerkomt dat je alle doelvissen hebt gevangen die je er zelf hebt uitgezet.

Deze beperking maakt Pangram juist meer in plaats van minder waardevol.

Ik zal het PR-team vergeven dat het de plank missloeg wat betreft het percentage valsnegatieven, want in de praktijk kiest Pangram ervoor om zich te richten op de slag waarin de overwinning aantoonbaar is. Het bedrijf weet welk onderdeel van de AI-detectie het zwaarste werk doet en handelt daarop. Pangram zal bij twijfel juist neigen naar ‘door mensen geschreven’. Dat is de juiste technische keuze en, naar mijn mening, ook de juiste ethische keuze. Het is ook de echte winst: niet zozeer een score van nul voor zowel het percentage valspositieven als valsnegatieven, maar het feit dat het laagste percentage valspositieven wordt behaald.

(Dit gedeelte is voor ongeveer 50% geschreven door Claude, met hier en daar wat aanpassingen van mijn kant; uit het oordeel van Pangram over dit artikel, dat ik aan het einde deel, blijkt hoeveel waarde je aan die percentages valsnegatieven moet hechten.)

Ik heb al eerder kritiek geuit op AI-detectietools. Ik heb ook kritiek geuit op de naïeve ‘AI;DR’-aanpak – het is AI, dus ik lees het niet – waarbij mensen ervan uitgaan dat ze AI zo goed kunnen onderscheiden dat ze het in één oogopslag kunnen bepalen. Wie mijn blog al een tijdje volgt, weet dat ik sceptisch ben over ons vermogen om iets met blijvend effect te doen om een totale, door AI veroorzaakte vernietiging van het digitale gemeengoed te voorkomen.

Wat de details betreft had ik misschien gelijk, maar mijn conclusie klopte niet. Er is hoop.

Wat Pangram zo anders maakt, is dat we er met een zeer hoge mate van zekerheid AI-slop mee kunnen uitfilteren. Als je de tool vertrouwt – en dat doe ik – kun je er zeker van zijn dat, wanneer deze iets aanmerkt als door AI gegenereerd, het ook echt door AI is gegenereerd. Hiermee wordt de belangrijkste reden weggenomen waarom de andere detectors erger waren dan niets: het leugenaarsdividend. Niemand kan zich verschuilen achter het excuus dat “AI-detectors vaak door mensen geschreven teksten aanmerken als AI”. Daartoe heeft Pangram zojuist de volgende stap aangekondigd: een Chrome-extensie die werkt op diverse platforms (X, Substack, Medium, LinkedIn, Reddit, enz.)

In wezen komt het erop neer dat de mensheid een definitieve maar twijfelachtige overwinning op AI-slop uitstelt in ruil voor een gegarandeerde overwinning in de meest dringende slag; een afruil die ik keer op keer zal maken. Juist doordat Pangram goed is, is het niet perfect (wat de keerzijde is van de spreuk van Voltaire) en dat is prima. Is het dan zo erg dat sommige schuldigen aan ons oordeel zullen ontsnappen? Nee, niet als je bedenkt dat hen niet vervolgen ervoor zorgt dat vrijwel geen onschuldige mensen schade wordt berokkend.

Bovendien kun je altijd op je instinct vertrouwen. Misschien beschik je over heuristieken of vuistregels die je helpen bij het onderscheiden van aanwijzingen en signalen die niet in de tools van Pangram zijn opgenomen. Dat geeft niet, gebruik ze maar; we zijn geen perfecte detectors van het echte percentage valsnegatieven, maar met voldoende training beslist beter dan Pangram. Je moet er niet blindelings op vertrouwen dat iets door mensen is gemaakt, alleen maar omdat Pangram dat zegt.

Dat gezegd hebbende, ik ben geen voorstander van een heksenjacht. Ik begrijp de haat en frustratie wel, want we gaan allemaal ten onder aan die AI-slop, maar het publiekelijk vernederen en cancelen van mensen zijn zaken die we beter kunnen nalaten. Dit artikel is niet zozeer een veroordeling van de AI-schrijverij op zich en de mensen die er gebruik van maken, maar eerder een pleidooi voor de individuele zeggenschap om zelf te bepalen waaruit je informatie-inname bestaat.

Ik ben voorstander van een soort ‘functionele’ AI;DR. Terwijl AI;DR een algemene afwijzing inhoudt, combineert een functionele versie ervan het gebruik van de beste AI-detectors met je eigen natuurlijke vaardigheden. Sterker nog, ik ben hier niet alleen voorstander van, maar ik moedig jou ook aan om het te doen: de enige manier om de hele digitale stad schoon te maken, is als ieder van ons zijn eigen stoepje schoonveegt voor zijn digitale huis. Zet je lokaal in om mondiaal resultaten te boeken.

Hé Pangram, hoe heb ik gescoord?

Alberto Romero, 13 mei 2026