Een AI-watermerk bewijst geen juistheid: leg zelf een intern herkomstdossier aan

Nee. De Europese Commissie verplicht sinds 2 augustus 2026 machineleesbare markering van AI-content onder artikel 50, maar OpenAI en onderzoek tonen dat watermerken detectiegrenzen hebben en geen juistheid, eigenaarschap of menselijke bijdrage bewijzen. Bij vertrouwelijke content moet u zelf een intern herkomstdossier met model, versie, bron en menselijke beoordeling bijhouden.

Op 19 oktober 2026 erkende de Europese Commissie de geactualiseerde Code of Practice on Transparency of AI-generated Content als vrijwillig praktisch instrument om aan de bindende transparantieverplichtingen van artikel 50 AI Act te voldoen. Die verplichtingen gelden sinds 2 augustus 2026. De kernvraag voor professionals verschuift daarmee van "is dit door AI gemaakt?" naar "welk bewijs maakt herkomst, bewerking en menselijke verantwoordelijkheid controleerbaar?"

Dat onderscheid is geen woordspel. Een markering of label vertelt dat AI betrokken was; het vertelt niets over of de inhoud klopt, wie eindverantwoordelijk is of hoeveel een mens eraan heeft bijgedragen. Juist daar zit het risico voor iedereen die met vertrouwelijke of hoog-vertrouwelijke informatie werkt.

Wat verplicht artikel 50 van de AI Act precies rond markering en labeling?

Artikel 50 legt twee verschillende plichten bij twee verschillende partijen. Volgens de richtsnoeren van de Europese Commissie moeten aanbieders (providers) AI-gegenereerde of gemanipuleerde content voorzien van een machineleesbare markering, terwijl gebruikers (deployers) bepaalde deepfakes en AI-gegenereerde teksten over zaken van algemeen belang zichtbaar moeten labelen.

• Machineleesbare markering (provider): een signaal dat software kan detecteren, bijvoorbeeld een watermerk of metadata, dat aangeeft dat content door AI is gemaakt of bewerkt.
• Zichtbare labeling (deployer): een voor mensen leesbare mededeling bij specifieke categorieën content, zoals deepfakes.
• Uitzonderingen en gelijkwaardigheid: de richtsnoeren en de Code of Practice verduidelijken uitzonderingen en staan alternatieve maatregelen toe, mits die aantoonbaar gelijkwaardig adequaat zijn.

Onze lezing: naleving komt in de praktijk niet neer op één universeel standaardlabel, maar op het kunnen aantonen van passende technische en organisatorische maatregelen binnen de toepasselijke verplichting.

Waarom bewijst een watermerk of AI-label geen juistheid of menselijke bijdrage?

Omdat een markering alleen herkomst signaleert, niet waarheid of auteurschap. OpenAI beschrijft in zijn toelichting op de EU-tekstherkomstregels een gefaseerde aanpak met opt-in tekstwatermerken en onzichtbare watermerken in EU-tekst. Daarbij noemt OpenAI zelf de grenzen: detectie hangt af van tekstlengte en teksttype, bewerking kan het signaal verzwakken, en een watermerk stelt geen menselijke bijdrage, eigenaarschap, gebruikersidentiteit of feitelijke juistheid vast.

Onderzoek wijst dezelfde kant op. In een peer-reviewed studie voor IJCAI-26 testten Qing Zhang, Yifei Huang, Juyoung Lee, Thad Starner en Jun Rekimoto met 81 deelnemers een interface die herkomstdichtheid zichtbaar maakt in plaats van een binair "Made with AI"-label. Deelnemers onderscheidden waarheidsgetrouwe van gefabriceerde tekst beter dan bij geen signaal of een kaal label. De auteurs waarschuwen echter expliciet voor schijnzekerheid, domeinbias en de verleiding om herkomst als universele waarheidsarbiter te gebruiken; hun technische audit was beperkt en herkomstdichtheid alleen was onvoldoende onderscheidend.

Onze interpretatie: twee feiten mogen hier nooit worden verward. Een label bewijst niet dat content onjuist is, en het ontbreken van detectie bewijst niet dat content door een mens is gemaakt. Wie beide gelijkstelt aan "betrouwbaar" of "onbetrouwbaar", bouwt beleid op een signaal dat de makers zelf als feilbaar omschrijven.

Wat betekent dit voor bestuurders, juristen en CISO's die vertrouwelijke AI-output moeten verantwoorden?

Onze analyse: omdat een machineleesbare markering geen juistheid of menselijke bijdrage aantoont, is zo’n markering voor hoog-vertrouwelijke content onvoldoende als enig intern verantwoordingsbewijs; daarom adviseren wij bestuurders om externe AI-publicaties pas vrij te geven na een gekoppeld herkomst- en beoordelingsrecord, niet enkel na het aanzetten van een watermerk. Omdat OpenAI meldt dat bewerking het watermerksignaal kan verzwakken, kan een organisatie niet leunen op een extern detecteerbaar kenmerk als enig bewijs; daarom moet de CISO de keten van model, versie en bewerking intern loggen op het moment van generatie, niet achteraf reconstrueren. Omdat de Code of Practice alternatieve, gelijkwaardig adequate maatregelen toestaat, krijgt een jurist ruimte én plicht om in leveranciers- en gebruiksafspraken concreet vast te leggen welk herkomstbewijs de organisatie zelf bewaart en kan overleggen; daarom hoort in elk AI-contract een afdwingbaar auditrecht met concreet inspectiebewijs in plaats van een algemene toezegging. Omdat de IJCAI-studie waarschuwt voor schijnzekerheid, mag geen enkel label de professionele controle vervangen; daarom moet de verantwoordelijke behandelaar elke feitelijke claim op bronniveau blijven toetsen, zoals ook geldt bij niet-gecontroleerde AI-citaten in juridische besluitvorming. Deze plichten vallen binnen de bredere kaders van de EU AI Act en compliance.

Wat hoort er in een intern herkomstdossier voor AI-content?

Een werkbaar record legt per stuk AI-beïnvloede content vast wat is gedaan, waarmee en onder welk toezicht. De richtlijn van de Centers for Disease Control and Prevention voor het openbaar maken van generatief AI-gebruik in wetenschappelijk werk geeft hiervoor een bruikbaar raamwerk: onthul welke tool, welk model en welke versie zijn gebruikt, waar de tool is ingezet en welke menselijke beoordeling plaatsvond. De CDC adviseert daarnaast waar mogelijk C2PA-metadata en waarschuwt om geen gevoelige of niet-openbare gegevens in publieke tools in te voeren.

1. Welke content is beïnvloed en welke handeling is verricht (gegenereerd, bewerkt, samengevat)?
2. Welk model en welke versie zijn gebruikt, en via welke route?
3. Met welk doel en in welke context de output is ingezet.
4. Welke bron- of herkomstsignalen bestaan (markering, metadata, geraadpleegde bronnen).
5. Welke menselijke controle plaatsvond en wie het vrijgavebesluit nam.
6. Welke onzekerheden of beperkingen overblijven, bijvoorbeeld een verzwakt watermerk of een niet-detecteerbaar fragment.

De vraag die alle bronnen openlaten is hoe u dit dossier bewaart wanneer de AI-output zelf vertrouwelijke informatie bevat. Naar onze inschatting is dat precies de kern: het herkomstbewijs moet controleerbaar zijn voor wie het mag inzien, zonder de niet-openbare broninhoud breed beschikbaar te maken. Zo'n controleerbaar beslisrecord in plaats van losse activiteitenlogs is wat markering alleen niet levert: het professionele eindoordeel blijft bij de mens.

Bronnen: Het artikel steunt op richtsnoeren en de Code of Practice van de Europese Commissie, OpenAI's toelichting op de EU-tekstherkomstregels, een IJCAI-26-studie en een CDC-richtlijn over disclosure.