Hoe je ziet of een tekst door AI is geschreven: de signalen, de detectors en 24 echte beschuldigingen

Kort: betrouwbaar vaststellen of een tekst door AI is geschreven, kan vandaag niet — niet met het oog en niet met een detector. Maar we hebben iets interessanters dan theorie. Bij het in kaart brengen van de markt voor AI-cursussen haalden we reviews van cursisten van Udemy en Coursera binnen en stuitten we op een zeldzame ader: echte mensen die de maker van een betaalde cursus publiekelijk verwijten dat het materiaal door een machine is gemaakt. Geen van hen draaide een detector. We keken wat hen echt verraadde — en dat bleek niets te zijn van wat detectors meten.

Waarom het probleem sowieso onoplosbaar is

Een taalmodel is getraind op teksten van mensen en is geoptimaliseerd om statistisch „normale” tekst te produceren. Goede machinetekst is per definitie niet te onderscheiden van gemiddeld menselijk schrijven. De opdracht „AI van mens onderscheiden” loopt stuk op het feit dat de echte grens niet tussen machine en mens loopt, maar tussen een stijl met een handtekening en een uitgemiddelde stijl. En uitgemiddeld schrijven mensen ook — zeker als ze moe zijn, op safe spelen of in een tweede taal werken.

Daar komt bij dat vrijwel niemand de ruwe uitvoer van het model publiceert: de tekst wordt geredigeerd, aangevuld, vermengd met die van jou. Zuivere gevallen van „mens” en „AI” bestaan nauwelijks; er is een glijdende schaal. De cursus die we hieronder ontleden is precies zo'n hybride: het script oogt machinaal, maar de slides zijn door een mens gebouwd, ingesproken en verkocht. „Heeft AI dit geschreven?” heeft hier niet eens één antwoord. En dat is het normale geval, niet het exotische.

Onze data: 24 beschuldigingen van machinaal auteurschap, nul detectors

We haalden de reviews binnen van de grootste cursussen over ChatGPT en generatieve AI — eigen marktonderzoek, meting van 17.07.2026. Het bijproduct bleek meer waard dan het hoofdresultaat. In de negatieve reviews duikt telkens dezelfde beschuldiging op: dit heeft een machine gemaakt. En hij komt van mensen die voor de cursus betaalden en hem hebben uitgezeten.

De meest directe versie treft Prompt Engineering with ChatGPT Masterclass van RPATech: 118.803 cursisten, 57.836 reviews, beoordeling 4,48. Dat is geen randproduct, maar een van de grootste cursussen in de niche:

"Written by AI, delivered by AI. The slides are way too crowded to be useful and it really doesn't help to have the bot read them out word-for-word"
— Bradley M., 16.04.2026, 1★

En bij dezelfde cursus, korter kan een oordeel nauwelijks:

"AI voice, not recommended. didn't learned anything"
— Ashvin D., 22.06.2026, 1★

Let op wat er in die reviews níét staat. Geen percentage. Geen woord over GPTZero of ZeroGPT. Niets over perplexity, zinsritme of de formule „niet alleen X, maar Y”. Niemand draaide een detector — twee dingen waren genoeg: de slide was overladen en het gesprokene kwam woord voor woord overeen met het geschrevene. Dat zijn geen aanwijzingen over stijl. Het zijn aanwijzingen over proces: zo ziet tekst eruit die niemand voor het oor heeft herschreven, omdat er tussen generatie en opname geen mens stond.

Wat een machine echt verraadt: niet de stijl, maar het werk dat ontbreekt

We sorteerden alle negatieve reviews in groepen en er kwam een patroon uit. De meest voorkomende klacht over videocursussen gaat helemaal niet over AI — hij gaat over voorlezen van de slide.

"why read straight from the slide? I can do that. This was not a helpful course at all"
— Janie I., 02.07.2026, 1★ (cursus van Justin Barnett)

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website"
— Shashank T., 13.04.2026, 1★ (The Complete AI Guide)

"They are just reading the prompter sometimes without even knowing the point. Hating myself after purchasing it."
— Sachin S., 13.07.2026, 1★ (The Complete AI Guide)

Kijk naar hoe Sachin het zegt: „sometimes without even knowing the point”. Dat is de scherpste definitie van machinetekst die ik ken, en ze heeft niets met statistiek te maken. Machinaal wordt een tekst wanneer er tussen die tekst en de lezer niemand stond die hem begreep. Een model kan begrip simuleren binnen elke afzonderlijke zin. Wat het niet kan simuleren, is het besluit om de helft weg te gooien — want dat besluit vereist dat je weet waarom je schrijft.

Daaruit volgt de tweede groep: vulling en herhaling.

"I finished week 2. And all the lessons could be in 1 lesson. I jumped to week 3, 4, 5 and 6, and I see some concept reapeted. Very bad time spending for me."
— Shai Mizrachi, 22.07.2023, 1★ (Vanderbilt)

"The course is far too drawn out… padding the course with filler and making it longer than it needs to be."
— Victoria X., 13.02.2026, 2★ (The Complete AI Guide)

"The majority of the class he just rambles around unimportant subject… There's really no 'meat' in this course. A major waste of time and money!"
— Kevin K., 20.02.2026, 1★ (ChatGPT for Work)

En de derde: leegte die voor inhoud doorgaat.

"The content of this course is incredibly simple to the point of uselessness, it is essentially stating that generative AI exists and listing a bunch of example models."
— Nicholas Munford, 1★ (Generative AI: Introduction and Applications)

"Didnt meet expectations, only theory is discussed which we already know."
— Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone)

Tel het bij elkaar op. De lezer velt het oordeel „machine” niet op het ritme van de zinnen, maar op drie dingen: er is nooit in de tekst geschrapt, de tekst beslist niets, de auteur is er niet. Alle drie zijn geen eigenschappen van een generator, maar van redactie die niet heeft plaatsgevonden. Een mens met een deadline en zonder zin levert precies hetzelfde af. Juist daarom raakt die beschuldiging doel en mist ze tegelijk.

Een eerlijk voorbehoud tegen onszelf: dit is geen experiment. We weten niet of een model die cursus werkelijk heeft geschreven — RPATech heeft er nooit op gereageerd, en de review van Bradley M. blijft de mening van een kijker. Onze claim is bescheidener: we weten waarop echte, betalende mensen hun oordeel baseren. Dat zijn gegevens over de detector die „mens” heet, niet over het feit van de generatie.

Wat men aanziet voor sporen van AI — en waarom dat een vergissing is

Kijk nu naar het standaardlijstje „signalen” en zie hoe het er niet in slaagt een machine te beschrijven. Dit wordt doorgaans als bewijs opgevoerd:

• Verdachte gladheid. Alle zinnen ongeveer even lang en even complex, het ritme schommelt nooit.
• Alles in drieën. Opsommingen van precies drie punten, symmetrische alinea's, secties van gelijke omvang.
• De constructie „niet X, maar Y”. „Dit is niet zomaar een tool, het is een manier van denken” — vijf keer per pagina.
• Nul concreetheid. Geen namen, data, cijfers of doorleefde gevallen. Waar voor alles en daarom nergens goed voor.
• Verklikkende woordenschat. „Landschap”, „het potentieel ontsluiten”, „in het digitale tijdperk”, „het is belangrijk op te merken”.

Geen van deze punten scheidt machine van mens. Ze scheiden allemaal sjabloonschrijven van levend schrijven — en volgens sjabloon schrijven mensen ook: moe, voorzichtig, uit een reader repeterend, of werkend in een tweede taal. Met dit lijstje „ontmasker” je moeiteloos iemand die netjes werkt. En omgekeerd: de uitvoer van een model met een goede prompt laat er geen enkele zien. Vraag om concreetheid, een echt voorbeeld en een standpunt, en het machinale verdampt (hoe dat werkt, zie je in de formule van een sterke prompt).

Test het meteen hier. De prompt hieronder laat het model dezelfde alinea twee keer schrijven — één keer „machinaal”, één keer levend — en daarna over de eigen uitvoer oordelen. Beide versies komen uit de machine, dus elk detectoroordeel „dit is AI / dit is geen AI” is per constructie in de helft van de gevallen fout:

Schrijf twee keer dezelfde alinea van 120 woorden over waarom de onboarding op afstand van nieuwe medewerkers mislukt.

Versie A: zoals een vermoeid iemand schrijft die alleen de pagina wil vullen — zonder namen, zonder cijfers, zonder gevallen, alle zinnen ongeveer even lang.

Versie B: met één verzonnen maar concreet bedrijf, één concrete misser in de eerste week, één cijfer en zinnen van sterk uiteenlopende lengte.

Antwoord daarna in drie punten: welke versie een AI-detector op basis van perplexity als machinaal zou markeren, waarom, en of dat oordeel juist zou zijn nu jij ze allebei hebt geschreven.

Hoe een detector vanbinnen werkt — en waarom hij liegt

Een AI-detector „herkent” geen tekst. Hij meet statistische eigenschappen: hoe voorspelbaar elk volgend woord is (perplexity) en hoe ongelijkmatig de complexiteit van de zinnen is verdeeld (burstiness). De logica: een model kiest per constructie de waarschijnlijke voortzetting, dus zijn tekst is gemiddeld voorspelbaarder en gelijkmatiger. De logica klopt. Het probleem is wat eruit volgt.

• Vals alarm bij mensen. Wie eenvoudig en voorspelbaar schrijft, lijkt statistisch op een model. Een smallere woordenschat geeft lage perplexity — en een smalle woordenschat heeft een scholier, een voorzichtige jurist en iedereen die schrijft in een taal die hij heeft geleerd in plaats van opgezogen.
• Gemiste gevallen. Vraag het model om meer variatie, of pas de tekst licht met de hand aan, en de detector zwijgt. Hij vangt voorspelbaarheid, geen herkomst.
• Geen ijking. Het percentage oogt wetenschappelijk maar is niet te controleren: detectors publiceren geen transparante methode, en de trefzekerheid zakt bij teksten die niet op hun trainingsdata lijken. „Een kans van 87%” en „ons apparaat spuugde het getal 87 uit” zijn twee verschillende uitspraken — ze verkopen je de eerste en geven je de tweede.
• Bij korte teksten is het gokken. Eén alinea draagt simpelweg te weinig statistiek.
• Een race die de detector per definitie verliest. Elke verbetering van een model brengt de uitvoer dichter bij gemiddeld menselijk schrijven. De detector loopt geen doel in — het doel loopt weg.

De conclusie is hard maar nodig: het percentage van een detector mag geen grond zijn voor een beschuldiging — niet op de universiteit, niet op een redactie, niet bij werving. Het is een instrument met een onbekende fout die ongelijk verdeeld is en het hardst aankomt bij wie toch al zwakker staat.

Over schrijven in een tweede taal: wat we kunnen bewijzen en wat niet

De stelling „detectors straffen wie in een tweede taal schrijft” klinkt logisch, en het perplexity-mechanisme voorspelt haar rechtstreeks. Maar een meting van de detectors zelf hebben we niet, en die gaan we niet verzinnen.

Wat we wél hebben, is een aangrenzend, hard feit. Ons marktonderzoek leunt op een gerandomiseerde gecontroleerde studie van Bälter, Kann, Mutimukwe & Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2.263 Zweedse studenten, dezelfde online programmeercursus in twee talen:

• Uitval in het Zweeds: 57%. In het Engels: 71% (φ = 0,2; p < 0,00001).
• Gemiddeld cijfer van wie bleef: 16,9 tegen 14,3 — een verwaarloosbaar verschil (δ = 0,085).

Lees het goed: het Engels tastte het begrip niet aan — het joeg mensen weg. En, het meest relevant hier, de zelf ingeschatte taalbeheersing beschermde niet: wie zijn Engels goed vond, haakte net zo goed af.

Over detectors zegt dat rechtstreeks niets. Wel dit: de kosten van werken in een taal die niet de jouwe is, zijn reëel, meetbaar en onzichtbaar voor wie ze betaalt. Een detector die lage perplexity afstraft, is nog een laag van diezelfde belasting, opgelegd aan wie hem al betaalt. Dat is een argument, geen bewijs, en ik verkoop het niet als het tweede.

De aanwijzing die wél werkt: feiten controleren

Het sterkste wat we vonden, is een review waarin iemand niet gokte maar betrapte:

"Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models."
— Jose C., 12.05.2026, 1★ (cursus van Justin Barnett)

De fout zat niet alleen in het college, maar ook in de toets — het foute antwoord telde dus als goed. Dát is een aanwijzing. Geen „87% kans”, maar een concrete onware bewering die je op tafel kunt leggen en die de auteur niet kan uitleggen, omdat hij haar niet zelf heeft bedacht.

Geen enkele detector had hier iets van gevonden — het proza van het college is onberispelijk. Gevonden door een mens die het onderwerp kende. De regel is simpel: als er feiten in een tekst staan, controleer de feiten, niet de stijl. Een link die nergens heen leidt, een verwarde architectuur, een cijfer zonder bron — dat zijn harde aanwijzingen, en meteen ook de vingerafdruk van een AI-hallucinatie.

De prompt voor die controle draait meteen hier:

Controleer deze vier beweringen en markeer elke als WAAR, ONWAAR of NIET TE CONTROLEREN ZONDER BRONNEN, met één zin onderbouwing per bewering:

1. Midjourney, DALL-E en Stable Diffusion zijn gebouwd op de GAN-architectuur.
2. Perplexity meet in taalmodellering hoe voorspelbaar een tekst is voor een model.
3. Een tekst die van een detector „100% AI” krijgt, bewijst dat de auteur AI heeft gebruikt.
4. Met een watermerk is de uitvoer van elk model te detecteren.

Zeg daarna welke van deze vier fouten je zou verwachten in een haastig gemaakte online cursus, en waarom juist die.

En watermerken dan?

Technisch kun je tijdens het genereren een onmerkbaar statistisch merkteken inbouwen en dat later controleren: het model verschuift zijn woordkeuze een beetje volgens een geheime regel, en die verschuiving wordt later herkend. Google DeepMind duwt zo'n aanpak onder de naam SynthID. De grenzen van de methode zijn principieel, geen kwestie van uitvoering:

• Het merkteken bestaat alleen waar iemand het heeft gezet. Een model zonder watermerk — inclusief elk model dat lokaal draait — doet gewoon niet mee.
• Het merkteken overleeft niet alles. Parafraseren, heen en weer vertalen of stevig met de hand redigeren wassen de statistische verschuiving eruit.
• Niemand is verplicht. Een bindende branchestandaard bestaat niet, en een vrijwillige herkent de eerlijken.
• Het ontbreken van een merkteken betekent niets. Zelfs een perfect watermerk antwoordt „ja, dit is ons model” — nooit „nee, dit is een mens”.

Het is nuttige technologie voor platforms, geen universele detector voor jou.

Wat je in plaats van een detector kunt doen

Geef je les, redigeer je of stuur je een team aan, dan is „heeft AI dit geschreven?” bijna altijd de verkeerde vraag. De echte zijn: „begrijpt de auteur wat hij heeft ingeleverd?” en „doet de tekst zijn werk?”. Allebei zijn te toetsen.

• Een gesprek. Twee doorvragen over de inhoud beantwoorden alles wat geen enkele detector beantwoordt.
• Het proces. Concepten, versiegeschiedenis, tussentijdse inleveringen. Je ziet de weg, niet alleen het resultaat.
• Een opdracht die AI niet alleen afmaakt. Lokale context, eigen ervaring, gegevens uit de les, koppeling aan een concreet geval.
• Feiten controleren. Zie het geval van Jose C. hierboven: één controleerbare bewering is meer waard dan tien procentpunten zekerheid.
• Open regels. Zeg vooraf wat mag: „AI is prima voor het concept en de controle, niet voor de eindconclusies.” Een transparante regel haalt het halve probleem weg.

Het voor de hand liggende bezwaar: een gesprek schaalt niet, en een detector is één klik. Terecht bezwaar. Maar kijk wat eruit komt als je het hele systeem bouwt om wat wél schaalt:

"you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not."
— Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt — 698.444 ingeschrevenen)

"quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'"
— Cory Covino, 04.05.2024, 2★ (IBM)

"Videos are too short and superficial so you end up memorizing sentence by sentence to pass quizzes. Not a learning experience."
— Laurie J Phillips, 12.04.2024, 3★ (IBM)

Dat is dezelfde ziekte als de detector, van de andere kant bekeken: automatisch nakijken dat het verkeerde meet, omdat het juiste meten duur is. De automatische „100% correct” en de „87% AI” zijn familie. Allebei geven ze je een getal in plaats van een oordeel.

En dat is geen luiheid van het platform, maar een structurele grens. Om een prompt te controleren heb je een model binnen de les nodig. Coursera heeft dat niet: de Prompt Engineering Specialization van Vanderbilt eist dat de cursist apart een betaald ChatGPT-abonnement koopt en de opdrachten elders maakt. Wat daaruit kwam, kan het platform fysiek niet zien, dus zet het een automatisch „voldoende”. Precies daarom woont in onze AI-cursus het model binnen de les — en om dezelfde reden hebben de promptblokken in dit artikel een startknop in plaats van dat je ze ergens moet overtypen.

Als jij beschuldigd wordt

De situatie is reëel en onaangenaam: de detector spuugde een percentage uit, en de tekst is van jou. Wat helpt:

• Versiegeschiedenis. Google Docs, Word, elke editor met automatisch opslaan. Het is het beste bewijs dat er is — het schrijfproces is lastiger te vervalsen dan het resultaat. Zet automatisch opslaan aan voordat je het nodig hebt.
• Concepten en aantekeningen. Ze bewaren is saai; juist zij redden je.
• Bereidheid om uit te leggen. Als je je eigen tekst begrijpt, sluit een gesprek de zaak in twee minuten.
• Het instrument rustig uit elkaar halen. Vraag niet om een percentage, maar om de concrete passage die het uitlokte en de methode achter het getal. Een detector geeft geen van beide — en dat ontbreken is zelf al het antwoord.
• De vraag omdraaien. „Vraag me naar de inhoud” is de enige zin die het gesprek van gokken naar toetsen tilt. Voor wie beschuldigt, is weigeren ongemakkelijk.

De prompt die je op zo'n gesprek voorbereidt, is niet „verschalk de detector”, maar „check of je je eigen tekst echt beheerst”:

Hier is de alinea van een student:

„Stedelijk groen verbetert de indicatoren voor mentale gezondheid. Studies hebben aangetoond dat toegang tot parken stress vermindert en het algehele welzijn verhoogt. In het digitale tijdperk is het belangrijk op te merken dat stedenbouwkundigen het landschap van stedelijke ontwikkeling holistisch moeten benaderen om het potentieel van groene infrastructuur te ontsluiten.”

Beoordeel niet of AI dit heeft geschreven. Stel in plaats daarvan vijf vragen op die ik de auteur in een gesprek van twee minuten kan stellen en die laten zien of hij begrijpt wat hij heeft ingeleverd. Schrijf bij elke vraag wat het antwoord van iemand met kennis zou bevatten en hoe het antwoord van iemand die bluft zou klinken.

Hoe je met AI schrijft zonder als een machine te klinken

En de meest praktische uitkomst. Gebruik je AI eerlijk — als concept — dan gaat het machinale er niet af met een trucje, maar met inhoud. Dit citaat is het onthouden waard als je een magische ingreep zoekt:

"I've studied best practices to avoid it generating content that sounds like AI, but I'm not having any success. … It is reported as 100% written by AI according to zerogpt."
— OpenAI-forum, draad „Prompt to insert content without sounding like AI”

"the email writing tools just seems to strip out my personal voice making me sound like I'm writing unsolicited marketing spam."
— reactie op Hacker News

Voorbehoud: dit zijn drie bronnen van forums waar gevorderde gebruikers zitten, geen massapubliek. De steekproef is klein, en wat eruit komt is een hypothese, geen meting. Maar de hypothese sluit aan bij de rest: de persoon uit het eerste citaat bestudeerde alle „best practices tegen AI-stijl” en faalde. Omdat hij de stijl bevocht. Stijl is het symptoom. De ziekte is de leegte.

Hier is een concept. Heb je een eigen concept, zet dat er dan voor in de plaats.

„AI verandert de manier waarop teams werken. Het is belangrijk op te merken dat organisaties het potentieel van deze tools moeten ontsluiten. In het digitale tijdperk lopen bedrijven die zich niet aanpassen het risico achterop te raken bij hun concurrenten in een voortdurend veranderend landschap.”

Opdracht: maak de tekst concreter zonder hem langer te maken.
Regels:
- schrap elke zin die nog steeds waar zou zijn als je „AI” vervangt door willekeurig welke andere technologie;
- elke overgebleven bewering heeft een voorbeeld of een cijfer nodig, anders gaat ze eruit;
- wissel lange zinnen af met korte.
Sluit af met een aparte lijst „Vereist de ervaring van de auteur”: de plekken die alleen een mens kan invullen.

Die laatste regel is de kern. Een tekst houdt precies dan op machinaal te zijn wanneer er in staat wat het model niet heeft: jouw concrete geval, jouw cijfer, jouw standpunt. Daarom staan er in dit artikel namen, data en sterren — niet voor de bühne, maar omdat je die niet kunt genereren.

De kern

AI-detectors zijn geen waarheidssensor, maar een kansgok met een onbekende fout die het hardst aankomt bij wie eenvoudig en in een tweede taal schrijft. De „signalen van machinestijl” scheiden sjabloonschrijven van levend schrijven, niet machine van mens. En de mensen die machinetekst echt betrappen — Bradley M. en Jose C. in onze data — betrappen hem niet op stijl: ze betrappen hem op een tekst waarin nooit is geschrapt, op een feitelijke fout, op de afwezigheid van de auteur. Dus dát is wat je moet toetsen. De enige betrouwbare manier om te weten of er een mens achter een tekst staat, is met hem over de inhoud praten.

Verder over dit onderwerp: AI op school en spieken — wat een docent in de praktijk kan doen; AI-hallucinaties — waar de niet-bestaande links vandaan komen die als echte aanwijzing dienen; de formule van een sterke prompt — het machinale weghalen aan de ingang in plaats van aan de uitgang; AI op het werk — over concepten en redactie.