← Kennisbank/C37
c37AI Kwaliteit2 juni 20263 min lezenMvG | Atthis AI redactie

AI-content veilig publiceren: de checks die je minimaal doet

Wanneer mag AI-gegenereerde content onder je merknaam? Vier criteria, een workflow met eigenaren, privacy en de AI Act-nuance — nuchter samengevat door Atthis.

Een taalmodel levert in seconden een blog, productbeschrijving of klantmail. Of die tekst zonder risico onder jouw naam mag verschijnen, hangt af van drie afwegingen: klopt het feitelijk, mag het juridisch en past het bij je merk. Dit is de kern van wat je daarvoor moet regelen — inclusief waar AI je kan helpen en waar de mens onvervangbaar blijft.

AI-content veilig publiceren: de checks die je minimaal doet

Een taalmodel levert in seconden een blog, productbeschrijving of klantmail. Of die tekst zonder risico onder jouw naam mag verschijnen, hangt af van drie afwegingen: klopt het feitelijk, mag het juridisch en past het bij je merk. Dit is de kern van wat je daarvoor moet regelen — inclusief waar AI je kan helpen en waar de mens onvervangbaar blijft.

Het kort: 4 praktijk-takeaways

1. Behandel cijfers en namen als rode vlaggen — Hallucinaties klinken plausibel: een verzonnen percentage of citaat van een echte hoogleraar valt niet op. Markeer elk getal, jaartal en eigennaam in de AI-output en zoek de originele bron. Geen bron gevonden? Herschrijf kwalitatief of schrap de claim. Publiceren met een disclaimer is geen alternatief.

2. Classificeer risico vóór je controleert — Een productbeschrijving voor sokken vraagt minder review dan een artikel over pensioen of medicatie. Deel je contentcategorieën in als laag, midden of hoog (YMYL) en koppel daar de zwaarte van menselijke review aan. Let op: redactioneel ‘hoog risico’ is iets anders dan een high-risk AI-systeem onder de AI Act.

3. Scheid check en publicatie — Bij gevoelige content liggen factcheck en go/no-go bij voorkeur niet bij dezelfde persoon. Een kleine redactie combineert rollen, maar laat minimaal een tweede paar ogen tekenen voor publicatie. Vakinhoudelijke review (legal, arts, financieel specialist) is bij YMYL-onderwerpen geen optie maar een vereiste.

4. Houd persoonsgegevens uit publieke tools — Klantnamen, e-mailadressen of dossierinformatie in een publieke AI-tool plakken is een AVG-risico, los van wat de output zegt. Werk met geanonimiseerde voorbeelden of een afgeschermde omgeving waar data niet naar buiten gaat. Noteer daarnaast per publicatie welk model, welke prompt en welke reviewer erbij betrokken waren.

Waar AI dit goed kan — en waar niet

AI is bij publicatiecontrole vooral nuttig als voorsorteerder. Een model markeert feilloos elke zin met een getal, jaartal of eigennaam, zodat de redacteur weet waar te kijken. Het kan toetsen of een claim letterlijk in een aangeleverde bron staat, een leesbaarheidsscore berekenen en signaleren dat een passage over wetgeving of prijzen mogelijk verouderd is. Dat schaalt: honderd productteksten screenen op ontbrekende bronnen kost minuten, geen dagen.

De nuance zit in wat AI níet betrouwbaar kan. Een model stelt niet vast of een bron zélf klopt, alleen of de claim ermee overeenkomt. Laat je een model zijn eigen output beoordelen, dan hallucineert het net zo makkelijk een bevestiging als een feit. Actualiteit blijft lastig: een model weet niet wat het mist na zijn cutoff. En reputationeel risico — past deze toon bij ons merk, sluit deze aanname groepen uit — vraagt menselijke context.

Gebruik AI dus om de controlelast te verkleinen, niet om de eindbeslissing te nemen. Draai de checks in een afgeschermde omgeving, zodat de te controleren content zelf geen privacyrisico wordt, en leg vast wat de tool markeerde en wat de mens besloot.

Bron

Dit overzicht is gebaseerd op het volledige artikel van C37: AI-gegenereerde content publiceren: wanneer is het veilig?

Het C37-artikel bevat de volledige publicatiechecklist, een rollentabel, de precieze AI Act-artikelen (art. 50) met uitzonderingen voor geredigeerde content, de juridische kaders rond auteursrecht (Infopaq, DSM-richtlijn) en een concrete eerste-week-aanpak om je workflow te testen.

Het kort: 4 praktijk-takeaways

  1. 01 — Behandel cijfers en namen als rode vlaggen

    Hallucinaties klinken plausibel: een verzonnen percentage of citaat van een echte hoogleraar valt niet op. Markeer elk getal, jaartal en eigennaam in de AI-output en zoek de originele bron. Geen bron gevonden? Herschrijf kwalitatief of schrap de claim. Publiceren met een disclaimer is geen alternatief.

  2. 02 — Classificeer risico vóór je controleert

    Een productbeschrijving voor sokken vraagt minder review dan een artikel over pensioen of medicatie. Deel je contentcategorieën in als laag, midden of hoog (YMYL) en koppel daar de zwaarte van menselijke review aan. Let op: redactioneel ‘hoog risico’ is iets anders dan een high-risk AI-systeem onder de AI Act.

  3. 03 — Scheid check en publicatie

    Bij gevoelige content liggen factcheck en go/no-go bij voorkeur niet bij dezelfde persoon. Een kleine redactie combineert rollen, maar laat minimaal een tweede paar ogen tekenen voor publicatie. Vakinhoudelijke review (legal, arts, financieel specialist) is bij YMYL-onderwerpen geen optie maar een vereiste.

  4. 04 — Houd persoonsgegevens uit publieke tools

    Klantnamen, e-mailadressen of dossierinformatie in een publieke AI-tool plakken is een AVG-risico, los van wat de output zegt. Werk met geanonimiseerde voorbeelden of een afgeschermde omgeving waar data niet naar buiten gaat. Noteer daarnaast per publicatie welk model, welke prompt en welke reviewer erbij betrokken waren.

Waar AI dit goed kan — en waar niet

AI is bij publicatiecontrole vooral nuttig als voorsorteerder. Een model markeert feilloos elke zin met een getal, jaartal of eigennaam, zodat de redacteur weet waar te kijken. Het kan toetsen of een claim letterlijk in een aangeleverde bron staat, een leesbaarheidsscore berekenen en signaleren dat een passage over wetgeving of prijzen mogelijk verouderd is. Dat schaalt: honderd productteksten screenen op ontbrekende bronnen kost minuten, geen dagen.

De nuance zit in wat AI níet betrouwbaar kan. Een model stelt niet vast of een bron zélf klopt, alleen of de claim ermee overeenkomt. Laat je een model zijn eigen output beoordelen, dan hallucineert het net zo makkelijk een bevestiging als een feit. Actualiteit blijft lastig: een model weet niet wat het mist na zijn cutoff. En reputationeel risico — past deze toon bij ons merk, sluit deze aanname groepen uit — vraagt menselijke context.

Gebruik AI dus om de controlelast te verkleinen, niet om de eindbeslissing te nemen. Draai de checks in een afgeschermde omgeving, zodat de te controleren content zelf geen privacyrisico wordt, en leg vast wat de tool markeerde en wat de mens besloot.