← Kennisbank/C37
c37Content Vertrouwen15 juli 20263 min lezenMvG | Atthis AI redactie

AI-content en vertrouwen: transparantie die je kunt waarmaken

Lezers willen weten wanneer AI meeschreef. Lees wat onderzoek wel en niet aantoont, hoe je disclosure concreet maakt en welke workflow de kwaliteit borgt.

Onderzoek onder nieuwspubliek suggereert dat lezers openheid over AI-gebruik verwachten en zelfs belonen. Of dat ook voor merken en B2B geldt is niet bewezen, maar de praktische les staat los van dat cijfer: vertrouwen hangt minder af van of je AI gebruikt en meer van hoe je erover communiceert en hoe je kwaliteit borgt vóór publicatie.

AI-content en vertrouwen: transparantie die je kunt waarmaken

Onderzoek onder nieuwspubliek suggereert dat lezers openheid over AI-gebruik verwachten en zelfs belonen. Of dat ook voor merken en B2B geldt is niet bewezen, maar de praktische les staat los van dat cijfer: vertrouwen hangt minder af van of je AI gebruikt en meer van hoe je erover communiceert en hoe je kwaliteit borgt vóór publicatie.

Het kort: 5 praktijk-takeaways

1. Lees het onderzoek op waarde — Het cijfer van 94% komt uit onderzoek onder nieuwspubliek, zonder gepubliceerde steekproefomvang. Neem het serieus als hypothese, niet als bewijs voor jouw merk of B2B-doelgroep. Wil je weten wat jouw lezers verwachten? Test een disclosure-variant tegen een variant zonder op je eigen kanaal en meet terugkeer en reacties.

2. Disclosure die iets zegt — Een generiek ‘gemaakt met AI’-label zegt niets. Benoem per publicatie wat AI deed (eerste opzet, samenvatting, vertaling) en wat mensen deden (bronnenonderzoek, feitencontrole, eindredactie). Zet daar een naam en functie bij die eindverantwoordelijk is. Zo weet de lezer waar verantwoordelijkheid ligt en kan die het zelf controleren.

3. Verificatie vóór het label — Disclosure bij een tekst vol fouten koppelt je label aan een slechte ervaring. Bouw daarom eerst de workflow: elke claim krijgt een controleerbare bron, een vakexpert beoordeelt de inhoud, gevoelige onderwerpen krijgen strengere review en één persoon tekent met naam voor vrijgave. Leg versies en reviewlogs vooraf vast, niet achteraf.

4. Check AI Act artikel 50 — Artikel 50 van de AI Act kent onder omstandigheden een vermeldingsplicht voor AI-gegenereerde tekst over zaken van algemeen belang, met een uitzondering bij menselijke redactionele verantwoordelijkheid. Laat legal per geval toetsen of dit jou raakt. Regel tegelijk dataclassificatie: welke persoonsgegevens mogen wel en niet een AI-tool in.

5. Begin met één eerlijke pagina — Je hebt geen complete governance nodig om te starten. Schrijf één pagina van maximaal 400 woorden over hoe je AI inzet, wat mensen doen en wie eindverantwoordelijk is. Leg die voor aan een redacteur, een compliance-collega en een buitenstaander met de vraag: geloof je dit, en wat mis je?

Waar AI dit goed kan — en waar niet

AI is hier vooral goed in het zichtbaar maken van werk dat nog gedaan moet worden. Een taalmodel kan in een concepttekst betrouwbaar aanwijzen welke zinnen een feitelijke bewering bevatten zonder bron, waar cijfers of jaartallen staan die controle vragen, en of een tekst raakt aan gevoelige domeinen als gezondheid, financiën of recht. Dat maakt de risicoclassificatie en de eerste bronvalidatie sneller en consistenter dan wanneer een redacteur alles zelf moet scannen.

Waar het misgaat: AI kan niet zelf vaststellen of een claim klopt. Modellen verzinnen plausibele bronnen, verkeerde URL’s en niet-bestaande onderzoeken — precies het soort fout dat een transparantielabel onderuithaalt. Automatische verificatie tegen externe bronnen is in de praktijk onbetrouwbaar; de tool wijst, de mens controleert. Datzelfde geldt voor AI-detectors en ‘humanizers’: de eerste geven veel valse uitslagen, de tweede veranderen toon maar geen inhoud.

Twee randvoorwaarden die vaak vergeten worden. Ten eerste: concepten, prompts en reviewlogs bevatten vaak persoonsgegevens of vertrouwelijke bedrijfsinformatie. Verwerk die in een omgeving waar je zelf de dataclassificatie afdwingt en logs onder eigen beheer bewaart. Ten tweede: voor signalering en classificatie is een klein, gericht model meestal voldoende. Een groot generiek model inzetten voor elke controle kost energie zonder dat de kwaliteit van het oordeel verbetert.

Bron

Dit overzicht is gebaseerd op het volledige artikel van C37: Vertrouwen in AI-content: wat onderzoek zegt en wat jij kunt doen

Het brand-artikel werkt de vier tactieken volledig uit, inclusief de tien-punts checklist, de veelgemaakte valkuilen, de bronlinks naar Trusting News en vakmedia, en een toelichting op wat C37 wél en níét signaleert in de verificatie-workflow.

Het kort: 5 praktijk-takeaways

  1. 01 — Lees het onderzoek op waarde

    Het cijfer van 94% komt uit onderzoek onder nieuwspubliek, zonder gepubliceerde steekproefomvang. Neem het serieus als hypothese, niet als bewijs voor jouw merk of B2B-doelgroep. Wil je weten wat jouw lezers verwachten? Test een disclosure-variant tegen een variant zonder op je eigen kanaal en meet terugkeer en reacties.

  2. 02 — Disclosure die iets zegt

    Een generiek ‘gemaakt met AI’-label zegt niets. Benoem per publicatie wat AI deed (eerste opzet, samenvatting, vertaling) en wat mensen deden (bronnenonderzoek, feitencontrole, eindredactie). Zet daar een naam en functie bij die eindverantwoordelijk is. Zo weet de lezer waar verantwoordelijkheid ligt en kan die het zelf controleren.

  3. 03 — Verificatie vóór het label

    Disclosure bij een tekst vol fouten koppelt je label aan een slechte ervaring. Bouw daarom eerst de workflow: elke claim krijgt een controleerbare bron, een vakexpert beoordeelt de inhoud, gevoelige onderwerpen krijgen strengere review en één persoon tekent met naam voor vrijgave. Leg versies en reviewlogs vooraf vast, niet achteraf.

  4. 04 — Check AI Act artikel 50

    Artikel 50 van de AI Act kent onder omstandigheden een vermeldingsplicht voor AI-gegenereerde tekst over zaken van algemeen belang, met een uitzondering bij menselijke redactionele verantwoordelijkheid. Laat legal per geval toetsen of dit jou raakt. Regel tegelijk dataclassificatie: welke persoonsgegevens mogen wel en niet een AI-tool in.

  5. 05 — Begin met één eerlijke pagina

    Je hebt geen complete governance nodig om te starten. Schrijf één pagina van maximaal 400 woorden over hoe je AI inzet, wat mensen doen en wie eindverantwoordelijk is. Leg die voor aan een redacteur, een compliance-collega en een buitenstaander met de vraag: geloof je dit, en wat mis je?

Waar AI dit goed kan — en waar niet

AI is hier vooral goed in het zichtbaar maken van werk dat nog gedaan moet worden. Een taalmodel kan in een concepttekst betrouwbaar aanwijzen welke zinnen een feitelijke bewering bevatten zonder bron, waar cijfers of jaartallen staan die controle vragen, en of een tekst raakt aan gevoelige domeinen als gezondheid, financiën of recht. Dat maakt de risicoclassificatie en de eerste bronvalidatie sneller en consistenter dan wanneer een redacteur alles zelf moet scannen.

Waar het misgaat: AI kan niet zelf vaststellen of een claim klopt. Modellen verzinnen plausibele bronnen, verkeerde URL’s en niet-bestaande onderzoeken — precies het soort fout dat een transparantielabel onderuithaalt. Automatische verificatie tegen externe bronnen is in de praktijk onbetrouwbaar; de tool wijst, de mens controleert. Datzelfde geldt voor AI-detectors en ‘humanizers’: de eerste geven veel valse uitslagen, de tweede veranderen toon maar geen inhoud.

Twee randvoorwaarden die vaak vergeten worden. Ten eerste: concepten, prompts en reviewlogs bevatten vaak persoonsgegevens of vertrouwelijke bedrijfsinformatie. Verwerk die in een omgeving waar je zelf de dataclassificatie afdwingt en logs onder eigen beheer bewaart. Ten tweede: voor signalering en classificatie is een klein, gericht model meestal voldoende. Een groot generiek model inzetten voor elke controle kost energie zonder dat de kwaliteit van het oordeel verbetert.