Twee studies tonen aan dat AI herinneringen kan vervormen via beeld én samenvatting

Twee peer-reviewed studies tonen aan dat AI de herinnering van mensen kan vervormen: AI-bewerkte beelden kunnen valse herinneringen versterken en misleidende AI-samenvattingen verlaagden de accurate herinnering aan een eerder bekeken gebeurtenis. Wie met bewijs, getuigenissen of dossiers werkt, moet AI-output daarom behandelen als een mogelijke ingreep in het geheugen, niet als neutrale weergave.

Onderzoekers van Georgetown University en de University of Washington publiceerden eind september 2026 een experiment met proefpersonen dat laat zien dat een misleidende AI-samenvatting de herinnering aan een eerder bekeken gebeurtenis vertekent. Deze geheugenvervorming trad op bij deelnemers die na een geanimeerde video van een verkeersongeval een onjuiste samenvatting lazen: zij herinnerden zich een cruciaal detail aanzienlijk minder vaak correct dan deelnemers die een accurate samenvatting kregen. Dat sluit aan bij een eerdere studie van het MIT Media Lab uit april 2025, waarin AI-bewerkte beelden en AI-gegenereerde video's de kans op valse herinneringen vergrootten.

Samen wijzen beide studies op iets dat in de losse berichtgeving makkelijk ondergesneeuwd raakt: AI kan het geheugen langs twee verschillende routes beïnvloeden. Niet alleen via gemanipuleerd beeld, maar ook via tekst die betrouwbaar en gezaghebbend oogt. Naar onze inschatting is dat tweede spoor voor beslissers het meest onderschat, omdat een samenvatting zelden als manipulatie wordt gezien.

Wat hebben de onderzoekers precies vastgesteld over AI en geheugen?

De Georgetown- en Washington-onderzoekers Mattea Sim, Yael Eiger en Tadayoshi Kohno stelden in hun open-access paper vast dat deelnemers na een accurate samenvatting een kritiek detail in 83,6 procent van de gevallen juist herinnerden, tegenover 44,8 procent na een misleidende samenvatting. Het MIT Media Lab rapporteerde in een preregistreerd experiment met tweehonderd deelnemers dat AI-bewerkte visuals valse herinneringen vergrootten, met in de sterkste conditie een gerapporteerd 2,05-voudig effect ten opzichte van de controlegroep.

• Visueel spoor (MIT): AI-bewerkte beelden en AI-gegenereerde video's verhoogden de kans op valse herinneringen.
• Tekstueel spoor (Georgetown/Washington): een misleidende AI-samenvatting verlaagde de accurate herinnering aan een eerder bekeken gebeurtenis.
• Gemeenschappelijk punt: de geheugenvervorming treedt op nadat de persoon de echte gebeurtenis al heeft waargenomen.

Waarom moet je onderscheid maken tussen echtheid, juistheid en geheugeneffect?

Omdat drie vragen die vaak op één hoop belanden, eigenlijk los staan. De eerste: is een beeld, video of samenvatting door AI gemaakt of bewerkt? De tweede: klopt de feitelijke inhoud ervan? De derde: kan blootstelling eraan de herinnering van een persoon hebben veranderd? De bevindingen laten zien dat blootstelling aan onjuiste of bewerkte informatie de herinnering kan beïnvloeden; een AI-label beantwoordt daarom niet automatisch de vraag welk geheugeneffect het materiaal heeft gehad.

Onze duiding: een label als "gegenereerd met AI" beantwoordt alleen de eerste vraag. Het zegt niets over juistheid en niets over het effect op het geheugen van wie het las of zag. Wie een label als bewijs van betrouwbaarheid behandelt, verwart drie verschillende dingen. Dat verschil is bepalend zodra een herinnering later als getuigenis of verklaring telt.

Wat betekent dit voor bestuurders, juristen en anderen die met bewijs werken?

Onze analyse: omdat een misleidende AI-samenvatting in dit experiment de accurate herinnering aan een eerder bekeken gebeurtenis meetbaar verlaagde, loopt een organisatie die getuigen of betrokkenen eerst een AI-samenvatting laat lezen het risico dat een latere verklaring wordt beïnvloed; daarom moet een onderzoeker of advocaat getuigen waar mogelijk eerst hun eigen herinnering laten vastleggen voordat zij enig AI-gegenereerd materiaal zien. Omdat AI-bewerkte beelden valse herinneringen versterkten, raakt dit ook schade-experts, verzekeraars en journalisten die gereconstrueerde of geïllustreerde situaties tonen; daarom moet de primaire opname strikt gescheiden blijven van elke AI-afgeleide, en moet bij elke beslissing traceerbaar zijn welk materiaal de bron was. Omdat het effect optreedt zonder dat de persoon de manipulatie herkent, kan een CISO of functionaris gegevensbescherming niet volstaan met een herkomstlabel op het bestand; daarom moet per processtap worden vastgelegd welk AI-materiaal aan wie en wanneer is getoond, zodat een latere herinnering tegen die blootstelling kan worden afgezet. En omdat een gezaghebbend ogende samenvatting het geheugen stuurt, moet een bestuurder die op AI-samenvattingen leunt voor consequente besluiten onafhankelijke bevestiging van dragende feiten eisen voordat die samenvatting in de besluitvorming meeweegt.

Wie deze redenering wil vertalen naar beleid, kan deze analyse samenvatten in een reeks stappen. Zie ook ons themahub over AI-governance en verantwoorde inzet.

1. Leg originele opnamen en bronbestanden ongewijzigd vast en bewaar ze apart van elke AI-afgeleide.
2. Laat getuigen of betrokkenen hun herinnering registreren vóór blootstelling aan gegenereerd materiaal, waar dat haalbaar is.
3. Label AI-transformaties, maar behandel een label nooit als bewijs van juistheid.
4. Documenteer welk AI-materiaal aan wie en wanneer is getoond.
5. Bevestig consequente claims onafhankelijk voordat ze in een besluit meewegen.

Welke maatregelen voorkomen dat AI-output een herinnering onherstelbaar beïnvloedt?

Vooral maatregelen die het bronmateriaal beschermen en de volgorde van blootstelling beheersen. Het risico op geheugenvervorming verdient vooral preventieve aandacht: zodra iemand een misleidende samenvatting of een bewerkt beeld heeft verwerkt, kan het achteraf moeilijk zijn om vast te stellen welk deel van de latere herinnering door de oorspronkelijke gebeurtenis en welk deel door de blootstelling is gevormd. Daarom ligt het zwaartepunt op preventie, niet op correctie achteraf.

Dit raakt direct aan bekende valkuilen van AI-samenvattingen, waarbij AI-samenvattingen van dossiers dragende argumenten weglaten en terugkoppeling naar de bron nodig blijft. Het sluit ook aan bij het bouwen van een verdedigbare verificatieketen rond AI-output. En het verklaart waarom een audit trail controle kan suggereren zonder die te bewijzen: het vastleggen dat iemand een samenvatting zag, bewijst niet dat die samenvatting klopte. Onafhankelijke verslaggeving bevestigde dat de AI-samenvattingen in de studie een substantieel deel van de centrale details weglieten, aldus de berichtgeving over het onderzoek in een onafhankelijk mediaverslag van het Georgetown-Washington-onderzoek.

De kernboodschap voor beslissers is nuchter: AI-ondersteunde presentatie kan het bewijs beïnvloeden dat zij geacht wordt te verklaren. Dat maakt de scheiding tussen bron en afgeleide, en de vraag wie wanneer wat zag, tot een governance-vraag en niet louter tot een technische.

Bronnen: Het artikel steunt op de peer-reviewed studie van Georgetown University en de University of Washington (Sim, Eiger en Kohno) en op de studie van het MIT Media Lab, met aanvullende verslaggeving van The National.