Detectie en generatie zijn verwikkeld in een kat-en-muisspel. Elke nieuwe modelrelease verkleint het statistische gat waarop detectors vertrouwen — en elke detectieverbetering wordt beantwoord met een nieuwe humaniseertool. Dit is wat er werkelijk achter de schermen plaatsvindt.
Elke AI-tekstdetector is in wezen een statistisch discriminator — hij kijkt naar kenmerken van tekst (tokenkansen, verwarring, burstiness, syntactische regelmatigheid) en probeert signalen te vinden die door machines gegenereerde tekst onderscheiden van door mensen geschreven tekst. De methode Binoculars (ICML 2024) gebruikt een verhouding van kruisverwarring tussen twee taalmodellen als signaal. De gesuperviseerde aanpak van ModernBERT leert het signaal rechtstreeks uit gelabelde voorbeelden.
Beide benaderingen delen een fundamentele kwetsbaarheid: de signalen waarop zij vertrouwen zijn neveneffecten van de manier waarop modellen tekst genereren, geen fundamentele kenmerken van door machines geschreven tekst. Naarmate generatoren verbeteren, nemen die neveneffecten af. Een model dat is getraind om meer als een mens te schrijven, zal — per definitie — moeilijker te detecteren zijn.
Dit is geen onderzoeksfalen. Het is een structureel feit over het probleem. Detectie opereert op een bewegend doel: elke grote LLM-release verkleint het gat, elke humaniseertool traint expliciet op detectoruitvoer. De vraag is niet ‘kunnen we 100% detectie voor altijd bereiken’ — dat kan niet — maar ‘kunnen we lang genoeg voor de huidige generatie blijven om in de praktijk nuttig te zijn.’
Drie generatietrends maken detectie moeilijker. Omvang: grotere modellen produceren statistisch meer diverse tekst doordat zij rijkere interne distributies hebben. Een model met 70 miljard parameters heeft een bredere reeks mensachtige uitvoer dan een met 7 miljard parameters. Instruction-tuning: RLHF en constitutionele methoden leren modellen de repetitieve, ontwijkende, saaie patronen te vermijden die GPT-3 gemakkelijk herkenbaar maakten. Temperatuur en sampling: chatinterfaces zijn verschoven naar nucleus sampling en willekeurigheid, waardoor sommige laagtevariante patronen worden doorbroken die klassieke detectors als ankers gebruikten.
GPT-5, Claude 4.5 en Gemini 2.5 zijn alle merkbaar moeilijker te detecteren dan hun voorgangers. Onze interne validatie bevestigt dit: elke modelgeneratie verlaagt onze AUC op die familie met 5-10 procentpunten ten opzichte van de vorige generatie. Zie onze nauwkeurigheidsbenchmark voor cijfers per model.
Humaniseertools — Undetectable AI, StealthWriter, Humanbeing en een groeiende lijst — zijn de expliciete tegenstanders. Zij nemen AI-uitvoer en parafraseren, herschrijven of voeren stijloverdracht uit, specifiek om detectors te omzeilen. Zij worden getraind op publieke detectors (inclusief de onze, al delen wij nooit onze modelgewichten) en worden aantoonbaar beter met elke update.
Detectors hebben drie reacties op de generatiewapenwedloop. Ensembling: meerdere detectiesignalen combineren zodat een enkele ontwijkingstactiek onvoldoende is. Onze ensemble van zero-shot Binoculars met gesuperviseerde ModernBERT maakt hiervan gebruik: een humaniseertool die één component verslaat, faalt vaak bij de andere, en de ensemble-score omvat beide.
Continu hertrainen: wij voegen binnen 4 weken na de lancering voorbeelden toe van elke grote nieuwe generatorrelease. Als GPT-6 morgen uitkomt, bevat ons trainingscorpus het halverwege de volgende maand. Dit is kostbaar — rekenkracht, annotatie, hervalidatie — maar het is de enige manier om detectie actueel te houden. Detectors die jaarlijks of minder hertrainen zijn binnen een jaar effectief museumstuken.
Adversarial training: wij trainen opzettelijk op gehumaniseerde AI-voorbeelden en geparafraseerde uitvoer, waarmee wij het model leren door oppervlakkige stijloverdracht heen te kijken. Dit verhoogt de drempel van wat een humaniseertool moet doen om ons te omzeilen, wat op zijn beurt de wapenwedloop vertraagt.
Hoe werken humaniseertools eigenlijk? Drie brede categorieën. Parafraseren: de tekst woord voor woord of zin voor zin herschrijven met behulp van een secundair LLM. Effectief tegen naïeve detectors die op exacte tokenreeksen vertrouwen; matig effectief tegen statistische methoden. Stijloverdracht: de tekst transformeren om een specifieke auteur of register na te bootsen. Effectiever — de AUC van onze detector daalt met ~8 punten op door stijloverdracht bewerkte AI-tekst.
Hybride menselijk-AI-bewerking: de auteur schrijft een concepttekst, laat deze door een LLM polijsten en bewerkt de gepolijste versie vervolgens handmatig. Dit is het moeilijkste geval — legitiem samenwerkend werk dat menselijke en machine-signalen op zinsniveau vermengt. Geen enkele detector, inclusief de onze, kan dit betrouwbaar oplossen zonder bewerkingsgeschiedenismetadata die de detector niet kan inzien.
Een nuttig mentaal model: een humaniseertool is geen detectordoorbreker, het is een kostenvermenigvuldiger voor de ontwijker. Het kost tijd, soms geld en voegt altijd risico toe op het introduceren van fouten. De meeste pogingen tot academisch bedrog gebruiken geen humaniseertools omdat de wrijving de baten niet opweegt. Waar humaniseertools domineren, is bij professionele contentfarms en door AI gegenereerde SEO-spam — gebruiksgevallen waarbij doorvoer van belang is en kwaliteitscontrole zwak is.
Plak een document en bekijk het per-zin-oordeel in realtime. De hierboven beschreven ensemble-logica wordt op uw tekst uitgevoerd in minder dan 30 seconden.
Een detector met één signaal heeft één faalmodus. Als u alleen op verwarring vertrouwt, verslaat een geparafraseerde uitvoer met gewijzigde tokenkansen u. Als u alleen op een gesuperviseerde classifier vertrouwt, verslaat out-of-distribution-tekst (een nieuwe modelfamilie, een nieuw schrijfdomein) u. Een ensemble middelt de zwaktes: de parafrase die verwarring verslaat, stoort waarschijnlijk nog steeds de gesuperviseerde kop, en vice versa.
Onze productiedetector is expliciet ensemble: 35% Binoculars (zero-shot, modelagnostisch, robuust voor out-of-distribution) + 65% ModernBERT (gesuperviseerd, domeinspecifiek, hoge precisie op in-distributioneele tekst). De gewichten werden empirisch gekozen — ensemble-AUC werd gemaximaliseerd wanneer ModernBERT domineerde maar Binoculars vetorecht hield op randgevallen.
Het gevolg: een humaniseertool moet nu twee wezenlijk verschillende detectiearchitecturen tegelijkertijd verslaan om ons oordeel te omzeilen. Publieke humaniseertools worden doorgaans getraind op één doeldetector, wat betekent dat zij vaak slagen tegen die specifieke detector maar falen tegen een ensemble. Dit is het primaire structurele voordeel van detectie in de huidige wapenwedloop.
Wat mogen wij verwachten tot 2026-2027? GPT-6 en Claude 5 zijn waarschijnlijk releases halverwege het jaar; beide zullen het gat verder verkleinen. Open-gewichtsmodellen — Llama 4, Qwen 4 — zullen hoogwaardige generatie verder commoditiseren en humaniseertools goedkoper maken om op schaal te draaien. Detectie-AUC op frontiermodellen zal in het eerste jaar na de release waarschijnlijk dalen naar de 0,80-0,90-band voordat hertraining dit corrigeert.
Aan de verdedigingskant: multimodale signalen (typedynamiek, bewerkingsgeschiedenis, auteurschapsverificatie tegen een bekend corpus) zullen binnen 24 maanden waarschijnlijk meer belang krijgen dan pure tekst gebaseerde detectie. Onze alleen-tekst-detector blijft het eerste filter, maar zal steeds meer een stemverlener zijn in een rijkere bewijsstapel.
De eerlijke conclusie: pure tekst gebaseerde detectie zal nooit 100% bereiken. Het zal ergens rond de 90-95% AUC op in-distributioneele tekst plafoneren en 75-85% op frontiermodellen. Als uw workflow zekerheid vereist, heeft u bewijs nodig dat verder gaat dan de score. Als uw workflow een sterk signaal vereist om menselijke beoordeling te prioriteren, blijft tekst gebaseerde detectie nuttig en aantoonbaar beter dan niets doen.
Dit artikel beschrijft structurele eigenschappen van AI-tekstdetectie. Specifieke cijfers verwijzen naar onze interne validatie en zijn mogelijk niet generaliseerbaar. Wij werken deze pagina bij naarmate nieuw onderzoek en generatorreleases dat rechtvaardigen.
Steun Oekraïne!