Het webinar maakt duidelijk dat verificatie van AI-gerelateerde content geen technische handeling is die kan worden uitbesteed aan tools, maar een analytisch proces. Een detector is nog geen detective, aldus Van Ess. AI-detectietools geven regelmatig tegenstrijdige uitkomsten en functioneren als moeilijk te doorgronden systemen. In een voorbeeld wordt dezelfde tekst door verschillende tools beoordeeld als vrijwel volledig menselijk, gedeeltelijk AI-gegenereerd en vrijwel volledig AI-gegenereerd. Dit onderstreept een belangrijk inzicht dat ook in de guide wordt benoemd: verificatie leidt zelden tot zekerheid, maar tot een onderbouwd waarschijnlijkheidsoordeel.

In een door Van Ess gepresenteerde analyse van ongeveer 2200 factcheckclaims blijkt dat circa 683 gevallen een AI-component bevatten. Volgens het webinar is politieke beïnvloeding daarbij de meest voorkomende motivatie. Dit sluit aan bij de bredere observatie uit de guide dat AI vooral bestaande vormen van misleiding versnelt. Manipulatie van beeld en video bestond al langer, maar is door AI toegankelijker en schaalbaarder geworden.

Een belangrijk onderscheid dat zowel in het webinar als in de guide wordt gemaakt, is dat tussen volledig gegenereerde content en subtiele manipulatie. Juist die laatste categorie blijkt het moeilijkst te detecteren. Van Ess laat zien hoe kleine ingrepen, zoals het toevoegen van een detail aan een foto, een groot effect kunnen hebben zonder direct zichtbaar te zijn. Tegelijkertijd blijken klassieke signalen, zoals anatomische fouten of afwijkende schaduwen, niet altijd betrouwbaar. In één voorbeeld blijkt een verdachte foto een bekroonde persfoto te zijn die slechts licht is bewerkt. Dit laat zien dat visuele controle alleen onvoldoende is.

De werkwijze die het webinar voorstelt, sluit aan bij klassieke journalistieke principes, maar legt nieuwe accenten. De basis van de strategie is het systematisch zoeken naar bewijs vóór én tegen een hypothese. In een voorbeeld van een video waarin een ring lijkt te verdwijnen, blijkt na nader onderzoek dat dit mogelijk wordt veroorzaakt door een technische eigenschap van een smartphonecamera. Ook het voorwaardelijk gebruik van AI zelf wordt besproken. Chatbots kunnen helpen bij het analyseren van documenten of het genereren van onderzoekssporen, mits de vraagstelling neutraal is en de uitkomst niet als bewijs wordt gebruikt.

Lady Liberty in chains
Zoals gezegd: niet behandeld in het webinar, maar wel een interessante casus die de besproken principes illustreert. Het gaat om foto’s van “Lady Liberty in chains” die in de media werden gedeeld tijdens de No Kings-protesten in de VS. Alhoewel deze beelden op het eerste gezicht overtuigend en visueel krachtig zijn, raakt dit voorbeeld wat mij betreft aan de kern van het webinar en de guide.

De eerste stap is dan ook niet om te vragen of het beeld door AI is gemaakt, maar wat het precies voorstelt. Het beeld van Lady Liberty in chains kan worden gelezen als een visuele metafoor. Dit verschuift de verificatievraag van “is dit echt?” naar “wat claimt dit beeld en klopt dat?”. Vervolgens kan worden gekeken naar fysieke en contextuele aspecten. Bestaat er bewijs dat deze scène daadwerkelijk heeft plaatsgevonden? Zijn er onafhankelijke bronnen of beelden vanuit andere hoeken? In veel gevallen ontbreekt een verifieerbare herkomst of blijkt een beeld bewerkt. Dat geldt overigens niet voor dit voorbeeld, daarvoor heb ik nog onvoldoende bewijs.

Dit voorbeeld laat vooral zien dat de moeilijkste gevallen niet volledig synthetisch zijn, maar zich bevinden tussen werkelijkheid en interpretatie. Het bevestigt ook de observatie uit de guide dat traditionele heuristieken, zoals het zoeken naar visuele fouten, steeds minder houvast bieden. De belangrijkste analyse verschuift naar context, intentie en herkomst. Het resultaat is geen definitief oordeel, maar een onderbouwde inschatting van betrouwbaarheid en betekenis.

De belangrijkste conclusie van het webinar is dat menselijke verificatie centraal blijft staan. Van Ess schat dat 60 tot 70 procent van het werk nog steeds door journalisten zelf wordt gedaan. Tools kunnen ondersteunen, maar niet vervangen. De guide versterkt dit door te benadrukken dat detectie altijd plaatsvindt onder onzekerheid en dat journalistieke oordeelsvorming essentieel blijft.

De aanbevelingen volgen hieruit. Journalisten doen er goed aan om verschillende verificatiemethoden te combineren, AI-tools kritisch te gebruiken en actief te zoeken naar alternatieve verklaringen. Het werken met duidelijke analysekaders, zoals de detectiecategorieën uit de guide, helpt om systematisch te blijven werken. Tegelijkertijd vraagt deze ontwikkeling om een herwaardering van journalistieke basisvaardigheden: observeren, controleren en context begrijpen.

Het webinar laat zien dat de kern van journalistiek niet verandert, maar dat de omgeving complexer wordt. Waar beelden vroeger vaak als bewijs golden, zijn ze nu vaak het beginpunt van onderzoek. Twijfel is daarmee een noodzakelijke werkhouding. Van ons als gebruiker van de media, maar zeker van de huidige journalisten.

Bronnen

• Global Investigative Journalism Network. (2026). Detecting AI-Generated Content: Updated Tools and Techniques [webinar].
• Van Ess, H. (2025). Reporter’s Guide to Detecting AI-Generated Content. Global Investigative Journalism Network.
• Koneksa Mondo. (2026, 30 maart). Vrijheid in ketens bij ‘No Kings’-protesten in de VS.
• Hive AI. (z.d.). AI-generated content detection tool.
• GPTZero. (z.d.). AI detection for text.
• Google DeepMind. (z.d.). SynthID: watermarking for AI-generated content.
• Google. (z.d.). Gemini (Nano/Banana Pro) image generation and analysis tools.
• Planet Labs. (z.d.). Planet satellite imagery and time-lapse analysis.
• Internet Archive. (z.d.). Wayback Machine.