Het watermerk in AI-tekst: Google gebruikt het zijne al twee jaar niet

Wat er precies is aangekondigd

Op 2 augustus 2026 werd artikel 50 van de Europese AI-verordening van kracht, het onderdeel dat aanbieders van generatieve modellen verplicht hun uitvoer machineleesbaar te markeren. Anthropic tekende in juli de bijbehorende Europese gedragscode over transparantie van AI-content en maakte op 14 augustus bekend hoe de invulling eruitziet.

Vanaf dat moment dragen nieuwe Claude-modellen een watermerk in hun tekst. Oudere modellen volgen de komende maanden. Het geldt voor de chatomgeving, de API en de ontwikkelaarstools, en losse bestanden kunnen daarnaast ondertekende herkomstinformatie meekrijgen. Het detail dat voor de praktijk telt: de markering geldt wereldwijd en niet alleen voor verkeer uit de EU. Anthropic heeft aangekondigd de technische details voor detectie te publiceren, zodat derden een tekst kunnen controleren.

Technisch is het een aanpassing van SynthID-Text, de methode van Google DeepMind. Het grijpt in op het moment dat het model tussen twee even goede woorden kiest, bewolkt of betrokken bijvoorbeeld. Normaal breekt een willekeurig getal die gelijkstand. Met watermerken aan komt daar een sleutel voor in de plaats, zodat de gelijkstand telkens dezelfde kant op valt. Wie de sleutel heeft, herkent dat patroon over een langere tekst.

Er wordt dus geen tekst toegevoegd. Geen onzichtbare tekens, geen extra tokens, geen tragere uitvoer. Google DeepMind liet gewatermerkte en niet-gewatermerkte antwoorden naast elkaar beoordelen door menselijke beoordelaars en vond geen statistisch significant verschil in kwaliteit.

Wat het watermerk bewijst, en wat niet

Anthropic is over de grenzen van de methode opvallend precies, en precies daar walst het gesprek meestal overheen.

Het watermerk kan alleen vaststellen dat een model ergens in het proces betrokken is geweest. Het maakt geen onderscheid tussen een tekst die het model heeft geschreven en een tekst die een mens schreef en daarna door het model liet herschrijven. Een zware redactieronde over een handgeschreven artikel kan hetzelfde signaal opleveren als een volledig gegenereerd artikel.

Detectie werkt bovendien slecht op korte stukken tekst. De betrouwbaarheid stijgt met de lengte, dus een productbeschrijving van veertig woorden of een advertentiekop levert geen bruikbaar oordeel op. Het signaal overleeft een deel van de bewerkingen die op een tekst worden losgelaten, maar niet alle, waardoor een ontbrekend watermerk net zo min iets aantoont.

Wat overblijft is dit: een aanwezig watermerk zegt dat een model betrokken was. Verder niets. Niets over de kwaliteit van het stuk, niets over wie verantwoordelijk is voor de inhoud, en niets over de vraag of er iets in staat wat elders nog niet stond.

Waarom je posities er niet onder lijden

Google heeft SynthID-Text sinds 2024 op Gemini draaien, een van de grootste consumenteninzetten van generatieve AI ter wereld. Google kan de uitvoer van zijn eigen model dus al twee jaar herkennen. In die twee jaar is er geen rankingsignaal van gemaakt. Geen aangekondigde functie, geen stille update waarin gewatermerkte tekst systematisch zakte.

Dat is geen kwestie van tijd. De gepubliceerde lijn van Google staat sinds 8 februari 2023 ongewijzigd: er wordt beoordeeld op kwaliteit, niet op de manier waarop iets is gemaakt. Een zoekmachine die AI-content als categorie zou afstraffen, zou een fors deel van zijn eigen index moeten opruimen, inclusief pagina's die aantoonbaar het beste antwoord geven.

Daar komt een praktisch bezwaar bij. Een rankingsignaal moet betrouwbaar zijn, en dit signaal is dat niet. Het staat aan bij teksten die een mens schreef en licht liet bijschaven, het staat uit bij teksten uit modellen van andere aanbieders, en het is onbruikbaar op korte pagina's. Zo'n signaal kun je niet in een ranglijst hangen zonder onmiddellijk schade aan te richten.

Waar het verkeer wel weglekt

Er is wel degelijk een groep sites die sinds de opkomst van generatieve content hard verkeer heeft verloren. Alleen zit het patroon niet bij AI-gebruik, het zit bij vermenigvuldiging.

Lily Ray onderzocht ruim tweehonderd sites die hun content hadden opgeschaald door hetzelfde sjabloon telkens opnieuw te vullen. Meer dan de helft verloor dertig procent of meer van het organische verkeer op de piek. Bijna veertig procent verloor de helft of meer. Een op de vijf verloor vijfenzeventig procent of meer.

Het model is daar hooguit de productiemethode. Wat die sites nekt, is dat er honderd pagina's staan waar de lezer er één nodig had, en dat in geen van die honderd iets stond wat elders niet al stond. Dat mechanisme bestond voor de eerste taalmodellen ook al, alleen kostte het toen te veel tijd om het op deze schaal te doen.

De onderliggende maatstaf is dezelfde als in eigen data bepaalt of AI jou aanhaalt: wat voegt deze pagina toe aan wat er al ligt. Die vraag is de afgelopen twee jaar niet veranderd. Hij weegt alleen zwaarder naarmate de productiekosten van een pagina dalen.

Detectors zijn geen poort die je kunt bewaken

Naast het officiële watermerk bestaat er een markt van detectietools die claimen AI-tekst te herkennen zonder sleutel. Die zijn onbetrouwbaar op een manier die verder gaat dan een foutmarge.

Stanford testte zeven van die detectors op essays die aantoonbaar door mensen waren geschreven. Van de essays van schrijvers voor wie Engels niet de moedertaal is, werd meer dan de helft aangemerkt als door AI gemaakt. De verklaring is nogal logisch: detectors kijken naar hoe voorspelbaar de woordkeuze is, en wie in een tweede taal schrijft kiest gemiddeld voorspelbaardere woorden.

Drie gevolgen voor de praktijk. Zet geen detector als poort voor je redactieproces, want je keurt dan willekeurige stukken af en laat willekeurige stukken door. Ga er niet van uit dat een klant, een journalist of een concurrent met een detectorscore iets over jouw content kan hardmaken. En maak het vermijden van AI geen onderdeel van je positionering, want het is een belofte die je niet kunt bewijzen en die niets zegt over de waarde van het werk.

Wat een artikel dan wel overeind houdt

In dezelfde periode is ook gekeken naar de artikelen die hun posities wel vasthielden, in een categorie die er bij uitstek gevoelig voor is: de vergelijkende lijst met aanbieders of producten. Vier eigenschappen kwamen daar telkens terug.

De pagina wordt actueel gehouden, dus prijzen, functies en aanbieders kloppen nog. De lijst telt tien tot twintig opties in plaats van vijf tot acht dunne. De methodiek staat erbij, dus de lezer ziet op welke gronden er is geselecteerd en gerangschikt. En de structuur is schoon, zodat zowel een lezer als een model de vergelijking kan uitlezen zonder te raden.

Geen van die vier gaat over de vraag of er een model aan te pas is gekomen. Ze gaan over de input die erin ging en over de aandacht die er daarna in is gestopt. Dat is ook waar het onderscheid vandaan komt dat wel standhoudt: eigen interviews met mensen die het vak kennen, eigen cijfers uit je eigen systemen, eigen onderzoek dat elders niet te vinden is, en aan het eind een naam die verantwoordelijk is voor wat er staat.

Wat ik deze week zou doen

Inventariseer je gesjabloneerde pagina's. Zoek de reeksen waar alleen een plaatsnaam, een merknaam of een getal verschilt. Dat is de groep waar het risico zit, ongeacht wie of wat ze heeft geschreven. Kies per reeks: verdiepen tot er iets eigens in staat, samenvoegen tot één sterke pagina, of weghalen.

Leg per contentcluster vast waar de unieke input vandaan komt. Een interne expert, een dataset uit je eigen systeem, een klantcase met cijfers. Staat er bij een cluster niets, dan is dat het cluster dat je eerst aanpakt en niet het cluster waar je nog tien artikelen aan toevoegt. Zie ook hoe dat samenhangt met topical authority opbouwen met clusters.

Zet een naam en een functie onder elk artikel, van iemand die het gelezen heeft en erop aanspreekbaar is. Dat is geen cosmetische maatregel tegen detectie, het is de enige laag die bepaalt of er iemand corrigeert als er iets niet klopt.

Haal de AI-detector uit je acceptatieproces, als hij erin zit. En schrap claims over honderd procent menselijk geschreven content uit je eigen marketing, want die claim kun je niet onderbouwen en hij trekt precies de discussie aan die je niet wilt voeren.

Hoe wij dit aanpakken

Bij ons zit de kwaliteit van een artikel niet in de laatste stap. Elk stuk vertrekt vanuit onze eigen kennisbank: de methodiek, de kaders en de cijfers die we uit ons eigen werk hebben opgebouwd. Dat is de unieke input waar hierboven over gaat, en het is meteen de reden dat twee artikelen over hetzelfde onderwerp bij ons niet hetzelfde artikel worden.

Daarna staat er een mens tussen. Iemand die het onderwerp kent, die de cijfers controleert en die zijn naam eronder zet. Die stap is niet te automatiseren, en dat is ook niet het doel. Wat we wel automatiseren is het saaie deel eromheen: signaleren waar een cluster dun wordt, waar een pagina verouderd is, waar dezelfde vraag al drie keer beantwoord is.

En de toon blijft van het merk, niet van het model. Daar gaat merkidentiteit in het AI-tijdperk dieper op in. Nu content op schaal te maken is, is de herkenbaarheid van wat je publiceert het deel dat niet mee te schalen valt.