Op 20 juli 2026 heeft de Europese Commissie definitieve richtsnoeren aangenomen voor de transparantieverplichtingen uit artikel 50 van de AI-verordening. Volgens de pagina van de Commissie over de transparantie van AI-gegenereerde content gelden deze verplichtingen vanaf 2 augustus 2026. Voor organisaties die met AI werken betekent dit dat het aantonen van herkomst en gebruik van AI geen vrijblijvende keuze meer is, maar een concrete verplichting met een vaste einddatum.
Wat de richtsnoeren precies vragen
De richtsnoeren maken onderscheid tussen twee rollen. Aanbieders van generatieve AI moeten hun output voorzien van machineleesbare markeringen, zodat detecteerbaar is dat inhoud door AI is gegenereerd. Deployers, oftewel de partijen die AI-systemen inzetten, moeten in vastgestelde situaties openbaar maken dat er sprake is van AI. De richtsnoeren over transparantieverplichtingen voor aanbieders en deployers beschrijven vier openbaarmakingsscenario's, waaronder deepfakes en AI-gegenereerde tekst van openbaar belang.
De Commissie geeft ook aan dat naleving kan worden aangetoond via een gedragscode of gelijkwaardige middelen. Dat is relevant: de verplichting draait niet alleen om het toevoegen van een label, maar om aantoonbaarheid. Een organisatie moet kunnen laten zien wanneer een gebruiker met AI interageert, wanneer content AI-gegenereerd is, en hoe die signalen technisch zijn vastgelegd.
Transparantie vraagt om verificatie, niet alleen markering
Markering en openbaarmaking regelen dát iets van AI afkomstig is. Ze zeggen niets over de betrouwbaarheid van de inhoud. Voor professionals die met vertrouwelijke informatie werken, is dat het lastigste deel: een tekst kan correct gemarkeerd zijn als AI-output en tegelijk feitelijke fouten bevatten.
Hier komt de risicobeheerskant in beeld. Het AI Risk Management Framework van NIST, in de vorm van de Generative AI Profile uit 2024, beschrijft hoe organisaties risico's rond generatieve AI kunnen identificeren, meten en beheersen. Het framework benadrukt dat risicobeheer een gestructureerd proces is en geen eenmalige controle. Transparantieverplichtingen en risicobeheer vullen elkaar hier aan: de eerste maakt herkomst zichtbaar, de tweede geeft een structuur om de kwaliteit van output te bewaken.
Technische detectie van onbetrouwbare output
Beleid en labeling zijn niet voldoende om onbetrouwbare uitvoer te herkennen. Daarvoor zijn technische methoden nodig. NIST publiceerde in 2025 onderzoek naar hallucinatiedetectie in grote taalmodellen met diversion decoding, wat laat zien dat detectie van onbetrouwbare modeluitvoer een actief technisch onderzoeksveld is.
Recenter, in juli 2026, verscheen een peer-reviewed paper in de ACL Findings over hallucinatiedetectie in lange teksten van LLM's, met een benchmark en een aanpak op basis van een hyper-relationele kennisgraaf. De kern van dat werk is dat outputvalidatie meetbaar kan worden geëvalueerd met onderzoeksmethoden, in plaats van uitsluitend te leunen op informele beoordeling achteraf. Dat is belangrijk voor de praktijk: het suggereert dat validatie systematisch en herhaalbaar kan worden opgezet.
Van losse controles naar een controleerbare keten
De rode draad tussen de EU-richtsnoeren, het NIST-framework en het recente detectieonderzoek is dat betrouwbaar AI-gebruik meerdere lagen vraagt. Eén model dat een antwoord produceert, is niet genoeg. Er is een keten nodig die herkomst markeert, output vergelijkt en verificatiestappen zichtbaar maakt. Niet één model beslist, maar een controleerbaar proces.
Voor professionals zoals advocaten, notarissen, bedrijfsartsen, journalisten en compliance-teams heeft dit directe gevolgen. Zij moeten straks kunnen laten zien hoe AI is ingezet en op welke manier de output is gecontroleerd. Dat vraagt om werkwijzen waarin verificatie niet achteraf wordt bijgeplakt, maar deel uitmaakt van het proces zelf.
Waar Vera in dit beeld past
I am Vera is geen taalmodel en geen chatbot, maar een verificatielaag voor professionals die met vertrouwelijke informatie werken. De console is ontworpen om verificatiestappen zichtbaar te maken: antwoorden van verschillende modellen kunnen naast elkaar worden gelegd, zodat een gebruiker verschillen en onzekerheden kan zien. Dat kan helpen om onbetrouwbare uitvoer eerder op te merken. Vera garandeert daarbij geen correctheid en elimineert geen hallucinaties; het professionele eindoordeel blijft altijd bij de gebruiker.
Op het gebied van vertrouwelijkheid is de Semantic Privacy Shield relevant. Voorbewerking en anonimisering vinden plaats op EU-infrastructuur, en de workflow is ontworpen om alleen geanonimiseerde inhoud naar de geselecteerde AI-modellen te sturen. Mislukt een privacycontrole, dan wordt niets doorgestuurd. Documenten kunnen binnen dezelfde beveiligde omgeving worden bekeken en bewerkt via Vera Office.
De nieuwe transparantieregels verplichten organisaties niet alleen om te labelen, maar om aantoonbaar met AI om te gaan. Een werkwijze waarin verificatie en herkomst deel uitmaken van het proces sluit daar logisch op aan. Wie nu al nadenkt over een controleerbare keten in plaats van losse controles, staat er in augustus 2026 sterker voor.