Een nieuwsfoto was ooit het bewijs. Nu is het de vraag. Generatieve AI maakt beelden die van echt niet te onderscheiden zijn, en redacties staan voor een dubbele klus: vervalsingen eruit vissen én het vertrouwen in echte foto’s overeind houden. De gereedschapskist daarvoor groeit hard — maar wie denkt dat een detectietool het probleem oplost, mist waar het eigenlijk om gaat.
De mens verliest dit met 53 tegen 99
Eerst het ongemakkelijke cijfer. Toen Adobe en UC Berkeley onderzochten hoe goed mensen bewerkte gezichten herkennen, bleven proefpersonen steken op 53 procent — nauwelijks beter dan een muntje opgooien. Het neurale netwerk dat de onderzoekers trainden, haalde 99 procent, en kon bovendien aanwijzen wélk deel van het gezicht was aangepast (Bron: Adobe Research). Dat onderzoek stamt al uit 2019, vóór de generatieve golf; de les is er niet minder om. Het redactionele oog, hoe geoefend ook, is geen betrouwbare detector.
Beginner-tip:dit betekent niet dat kijken zinloos is. Klassieke verklikkers — rare overgangen bij haar en oren, schaduwen die niet kloppen, misvormde handen, onleesbare tekst op de achtergrond — vangen nog steeds de slordige vervalsingen. Het betekent wél dat “ik zie niks geks” geen conclusie is. Behandel het als eerste zeef, niet als eindoordeel.
De gereedschapskist: van gratis zeef tot forensisch lab
De praktische eerste lijn voor redacties bestaat uit gratis forensische analysetools zoals FotoForensics, dat via error level analysis compressie-artefacten en bewerkingssporen zichtbaar maakt. Daar bovenop: omgekeerd beeldzoeken (waar dook dit beeld eerder op, en in welke context?) en metadata-controle. Voor persbureaus en grote omroepen zijn er professionele diensten die binnenkomend beeldmateriaal automatisch scannen, met een forensisch specialist als tweede station bij twijfel.
Het diepste niveau zit bij de forensische instituten. Het Nederlands Forensisch Instituut ontwikkelt samen met de Universiteit van Amsterdam methodes die niet naar het beeld kijken maar naar de fysica erachter (Bron: NFI). PRNU — photo response non-uniformity — gebruikt het feit dat elke camerasensor een unieke “vingerafdruk” in z’n pixels achterlaat, waarmee je kunt toetsen of beelden echt van een geclaimde camera komen. En de rolling-shutter-methode leest de subtiele variatie van de stroomnetfrequentie (rond de 50 hertz) uit videobeelden af, wat een tijdlijn oplevert: wannéér is dit opgenomen, en klopt dat met het verhaal erbij?
Gevorderden:let op het verschil tussen detectie en attributie. Detectietools zeggen “hier is waarschijnlijk mee geknoeid” en leveren een waarschijnlijkheid; PRNU en netfrequentie-analyse zeggen “dit beeld komt wel/niet van díe camera, op dát moment” en leveren toetsbaar bewijs. Voor een nieuwsredactie volstaat het eerste meestal; zodra een zaak juridisch wordt — verkiezingsdeepfakes, smaad — heb je het tweede nodig. Bouw je workflow zo dat het origineel bewaard blijft, want elke hercompressie wist sporen.
De structurele route: herkomst in plaats van detectie
Detectie is een wapenwedloop die de detector uiteindelijk verliest: elke generatie generatoren wordt getraind om de vorige generatie detectoren te foppen. Daarom verschuift de industrie naar de omgekeerde aanpak — niet bewijzen dat iets nep is, maar bewijzen dat iets écht is. Dat is het idee achter C2PA, de herkomststandaard van onder meer Adobe, Microsoft, de BBC en cameramakers: een ondertekend label bij elk beeld dat vastlegt welke camera het maakte, welke bewerkingen volgden en of er AI aan te pas kwam (Bron: C2PA). Nieuwe perscamera’s van onder meer Leica, Nikon en Sony ondersteunen die Content Credentials al in de hardware.
De beperking is net zo belangrijk als de belofte: een beeld zónder label bewijst niets, en de standaard werkt pas als de hele keten meedoet — van camera tot bewerkingssoftware tot het platform waar jij het beeld ziet. Tot die tijd blijft het een gelaagd systeem: herkomstlabels waar ze bestaan, detectie en forensiek waar ze ontbreken. Dezelfde EU-transparantiebeweging die chatbots verplicht zich als AI bekend te maken, duwt ook beeldmakers richting labeling.
Waarom de techniek het dilemma niet oplost
En dan het deel dat geen tool oplost. Fotojournalistiek leeft van één afspraak met de lezer: dit beeld geeft de werkelijkheid weer. Generatieve AI maakt beelden mogelijk die tonen wat “had kunnen gebeuren” — en daarmee begint het ethische schuurwerk. Mag een redactie een AI-illustratie bij een nieuwsverhaal zetten, mits gelabeld? Hoe voorkom je dat lezers, murw van nepbeelden, óók echte foto’s gaan wantrouwen? Die tweede erosie is misschien wel schadelijker dan de eerste: het “leugenaarsdividend”, waarbij machthebbers echte, onwelgevallige beelden kunnen wegwuiven als “waarschijnlijk AI”. Hoe snel vertrouwen kantelt zodra AI-content zich als menselijk voordoet, zagen we eerder bij de bot-manipulatie op Reddit — en hoe pijnlijk een redactie zelf door de mand kan vallen, beschreven we openhartig in de AI-hallucinatie in onze eigen profielen.
Daarom investeren nieuwsorganisaties naast tools vooral in training: redacteuren leren werken met een vaste verificatie-workflow (herkomst eerst, dan forensiek, dan pas publicatie), oefenen met echte en gefabriceerde voorbeelden, en — belangrijker — leren wanneer ze moeten escaleren naar een specialist. De tool vangt de pixels; de redacteur weegt de context. Wat er gebeurt als die weging structureel bij machines komt te liggen, verkenden we breder in hoe houden we AI menselijk?
Buiten de journalistiek loopt dezelfde discussie, alleen met geld als inzet: New York wil verhuurders verplichten AI-bewerking in woningfoto’s te labelen, en funda hanteert inmiddels een vergelijkbare regel.
De eerlijke samenvatting voor elke redactie, groot of klein: de detectietools zijn er, ze zijn goed, en ze zijn niet genoeg. Wie z’n beeldverificatie serieus neemt, bouwt drie lagen — herkomst, forensiek, redactioneel oordeel — en traint mensen in alle drie. De vervalsers trainen namelijk ook.