De complete gids voor het herkennen van door AI gegenereerde afbeeldingen in 2026

AI-beeldgeneratie heeft in 2026 een punt bereikt waarop de beste output voor de terloopse kijker werkelijk niet te onderscheiden is van echte foto's. Midjourney v7, DALL-E 4, Stable Diffusion XL en Adobe Firefly kunnen allemaal fotorealistische afbeeldingen produceren van vrijwel elke scène, echte persoon of gebeurtenis – snel, goedkoop en op schaal. Deze gids brengt alles samen wat momenteel bekend is over het herkennen van door AI gegenereerde afbeeldingen: waar u visueel op moet letten, hoe u metadata-analyse gebruikt, hoe geautomatiseerde detectietools werken, en waar al deze methoden hun grenzen bereiken.

Waarom detectie belangrijk is

Door AI gegenereerde afbeeldingen worden gebruikt in een breed scala aan contexten – creatieve projecten, marketing, illustratie – waar hun synthetische oorsprong onschuldig of irrelevant is. Maar ze worden ook gebruikt om bewijs te fabriceren van gebeurtenissen die niet hebben plaatsgevonden, om niet-consensuele intieme beelden te maken met de gelijkenis van echte mensen, om zich voor te doen als echte personen, en om desinformatiecampagnes te voeden. Detectie dient, afhankelijk van de context, verschillende doelen: het verifiëren van nieuwsafbeeldingen, het beschermen van mensen tegen niet-consensueel gebruik van hun gelijkenis, het bewaken van integriteit bij creatieve wedstrijden, en het screenen van content op platforms. De technieken zijn hetzelfde; de belangen verschillen.

Visuele inspectie: waar u op moet letten

Visuele inspectie is het startpunt, maar is minder betrouwbaar dan twee jaar geleden. De volgende aanwijzingen blijven relevant, maar moeten worden gezien als aanleiding voor nader onderzoek, niet als definitief bewijs.

Handen en vingers. AI-beeldmodellen zijn aanzienlijk verbeterd op het gebied van handen, maar deze blijven een zwak punt. Let op: een verkeerd aantal vingers; onnatuurlijk geplaatste of samengevoegde vingers; vingers die overgaan in de handpalm; inconsistente vingerlengte; en handen die op het eerste gezicht kloppen, maar bij nadere inspectie niet. Het probleem is anatomisch – handen zijn complex, variabel en komen in veel configuraties voor, waardoor ze statistisch gezien moeilijk perfect aan te leren zijn voor modellen.

Tekst in afbeeldingen. AI-modellen genereren tekst teken voor teken als visuele patronen, niet als betekenisvolle taal. Achtergrondtekst in AI-afbeeldingen is vaak onzin, gebruikt verzonnen tekens, of is een door elkaar gehusselde versie van echte woorden. Borden, etiketten, boeken, schermen en elk element met tekst moeten nauwkeurig worden bekeken. Dit is een van de betrouwbaarste signalen in afbeeldingen die tekstuele elementen bevatten.

Achtergronden en randdetails. AI-modellen richten hun rekenkracht op het hoofdonderwerp en produceren vaak minder samenhangende achtergronden. Let op: figuren op de achtergrond met vervormde anatomie; architectonische elementen die het perspectief niet correct volgen; objecten die slechts gedeeltelijk bestaan; en patronen (behang, tegels, stof) die onjuist herhalen of breken aan de randen.

Verlichting en schaduwen. Consistente verlichting is lastig correct te genereren. Let op: schaduwen die niet overeenkomen met de schijnbare richting van de lichtbron; meerdere schaduwen vanuit één object, wat wijst op meerdere, tegenstrijdige lichtbronnen; reflecties in ogen, ramen of glimmende oppervlakken die niet overeenkomen met de scène; en lichtreflecties in de ogen die tussen beide ogen onderling inconsistent zijn.

Huidtextuur. De huidige generatie AI-afbeeldingen produceert vaak subtiel kunstmatig aandoende huid. Let op: onnatuurlijk uniforme huidtextuur die de specifieke variaties van echte huid mist (poriën, fijne lijntjes, subtiele kleurvariatie); een te gladde of wasachtige uitstraling; en haar dat te perfect is of onjuist overgaat in de hoofdhuid en achtergrond.

Symmetrie. Echte gezichten hebben subtiele asymmetrieën – het ene oog staat iets hoger, de neus staat iets scheef, de haarlijn varieert. Door AI gegenereerde gezichten neigen naar een te perfecte, symmetrische schoonheid die, bij nadere beschouwing, iets onmenselijks heeft. Dit is een subtiel signaal en hangt af van het genererende model.

Metadata-analyse

Authentieke digitale foto's bevatten metadata – gegevens die in het beeldbestand zijn ingebed en beschrijven hoe de afbeelding is vastgelegd. EXIF-metadata bevat: merk en model van de camera; lensinformatie; opname-instellingen (ISO, diafragma, sluitertijd); GPS-coördinaten; en tijdstempel. Door AI gegenereerde afbeeldingen hebben doorgaans helemaal geen EXIF-data, of metadata die niet overeenkomt met de beweerde context.

Om metadata te onderzoeken, kunt u gebruikmaken van: gratis online tools zoals Jeffrey's Exif Viewer (exifdata.com) of ExifTool (exiftool.org); de optie 'Info tonen' in macOS Voorvertoning; of beeldbewerkingssoftware zoals Photoshop of GIMP, die metadata weergeven in het paneel Bestandsinformatie. Controleer: is er überhaupt EXIF-data? Komt het cameramodel overeen met wat u zou verwachten voor dit type afbeelding? Klopt het tijdstempel met wanneer de afbeelding zogenaamd is gemaakt? Zijn er GPS-coördinaten aanwezig, en komen die overeen met de beweerde locatie?

Belangrijke kanttekeningen: EXIF-data kan worden verwijderd (alle grote sociale platforms verwijderen EXIF-data bij het uploaden van afbeeldingen, waardoor een screenshot of opnieuw geplaatste afbeelding geen EXIF-data heeft, ook als het origineel echt was). EXIF-data kan ook worden verzonnen en toegevoegd aan door AI gegenereerde afbeeldingen. De afwezigheid van EXIF is geen bewijs van AI-generatie; de aanwezigheid van inconsistente EXIF is wel bewijs van manipulatie.

Omgekeerde beeldzoekopdracht

Voordat u iets anders controleert, laat u een verdachte afbeelding eerst door Google Afbeeldingen (images.google.com), TinEye (tineye.com) en Yandex Images gaan. Dit vertelt u: of de afbeelding al eerder verscheen dan de beweerde datum van de gebeurtenissen die hij afbeeldt (wat wijst op hergebruik of fabricage); of hij voorkomt in contexten die niet overeenkomen met de beweerde context; en of het een bekende stockfoto, gearchiveerde foto, of bevestigde AI-afbeelding betreft.

Omgekeerde beeldzoekopdrachten zijn bijzonder krachtig voor het opsporen van oude afbeeldingen die met een valse context worden gebruikt – een echte foto uit een andere tijd en plaats, gepresenteerd alsof deze een actuele gebeurtenis documenteert. Dit komt in veel desinformatiecontexten vaker voor dan volledig synthetische afbeeldingen.

C2PA Content Credentials

De Coalition for Content Provenance and Authenticity (C2PA) heeft een technische standaard ontwikkeld – 'Content Credentials' – die de herkomst en bewerkingsgeschiedenis van digitale media cryptografisch vastlegt. Wanneer een AI-generator die C2PA ondersteunt een afbeelding maakt, legt deze een manipulatiebestendige registratie van de generatie vast in het bestand. Wanneer een camera die C2PA ondersteunt een foto vastlegt, wordt een registratie van die opname vastgelegd. Latere bewerkingen worden ook geregistreerd.

In 2026 is C2PA-ondersteuning beschikbaar in: Adobe Photoshop en Lightroom (voor bewerkingsherkomst); verschillende grote AI-generators, waaronder DALL-E en Adobe Firefly; Leica-camera's (de eerste grote camerafabrikant die in-camera C2PA implementeerde); en een groeiend aantal smartphonemodellen via firmware-updates. U kunt Content Credentials verifiëren met de gratis tool op contentcredentials.org. Als een afbeelding beweert een foto van een echte gebeurtenis te zijn, maar C2PA-gegevens bevat die aangeven dat deze door een AI-model is gegenereerd, is dat definitief bewijs van fabricage. De afwezigheid van C2PA-gegevens bewijst niet dat een afbeelding door AI is gegenereerd, aangezien de meeste camera's en oudere AI-tools deze nog niet vastleggen.

Geautomatiseerde AI-detectietools

Geautomatiseerde detectietools analyseren afbeeldingen met computervisie en machinelearningmodellen die zijn getraind om AI-generatiekenmerken te herkennen. Deze tools onderzoeken: kenmerken in het frequentiedomein (door AI gegenereerde afbeeldingen hebben karakteristieke patronen in hun Fourier-transformaties die verschillen van door camera's vastgelegde afbeeldingen); textuursynthese-artefacten (AI-generators produceren karakteristieke ruispatronen); en modelspecifieke generatievingerafdrukken (patronen die specifiek zijn voor bepaalde genererende modellen, al veranderen deze tussen modelversies).

De beelddetectiepijplijn van SUS IT onderzoekt deze kenmerken en geeft een waarschijnlijkheidsscore, samen met een gedetailleerd overzicht van de specifieke signalen die tot het oordeel hebben geleid. De tool is bijzonder effectief voor schone, ongecomprimeerde afbeeldingen; de nauwkeurigheid neemt iets af bij zwaar gecomprimeerde, bijgesneden of nabewerkte afbeeldingen, aangezien deze bewerkingen generatie-artefacten kunnen verhullen.

Andere beschikbare tools zijn onder meer Google's SynthID (beschikbaar op platforms die dit ondersteunen), de AI-detectie-API van Hive Moderation (gebruikt door veel platforms), en opensourcetools zoals Grover en verschillende fijngeafstelde vision transformers. Elk heeft andere trainingsdata en andere sterke punten – wanneer een belangrijke beslissing van het resultaat afhangt, geeft het gebruik van meerdere tools meer zekerheid dan één enkel resultaat.

De grenzen van detectie

Geen enkele huidige detectiemethode is perfect, en het begrijpen van de beperkingen is essentieel om detectietools op de juiste manier te gebruiken. Compressie verslaat veel detectoren: zware JPEG-compressie, die door de meeste sociale platforms wordt toegepast bij het uploaden van afbeeldingen en bij screenshotprocessen, vernietigt veel van de artefacten in het frequentiedomein waar detectoren naar zoeken. Een AI-afbeelding die op Instagram is geüpload en vervolgens geschreenshot, is veel moeilijker te detecteren dan het originele bestand. Tegenstrijdige nabewerking: er bestaan technieken om AI-afbeeldingen specifiek te bewerken om detectie te omzeilen met behoud van visuele kwaliteit. Deze worden gebruikt in geavanceerde desinformatieoperaties. Modelupdates: detectiemodellen die zijn getraind op één versie van een genererend model, generaliseren mogelijk niet goed naar nieuwere versies met andere generatiekenmerken. Het vakgebied vereist voortdurende hertraining. Vals-positieven: bepaalde soorten zwaar bewerkte, echte foto's – met aanzienlijke HDR-bewerking, schilderachtige filters, of uitgebreide retouchering – kunnen scoren als AI-gegenereerd. Detectieresultaten moeten altijd worden geplaatst in de context van ander bewijs.

Een praktische verificatie-workflow

Voor elke afbeelding waarbij het antwoord ertoe doet, volgt u deze stappen in deze volgorde: 1) Pauzeer en noteer uw eerste reactie – een sterke emotionele lading is een reden voor méér, niet minder, kritische blik. 2) Voer een omgekeerde beeldzoekopdracht uit via meerdere zoekmachines. 3) Onderzoek de metadata met een EXIF-viewer. 4) Controleer op C2PA Content Credentials. 5) Voer visuele inspectie uit van handen, tekst, achtergronden en verlichting. 6) Laat de afbeelding door een geautomatiseerde detectietool lopen. 7) Overweeg de bron – waar is deze afbeelding vandaan gekomen, en wie doet de bewering die hij zou documenteren? Pas elke stap toe voordat u deelt, zeker bij situaties met hoge inzet. Voor terloopse consumptie op sociale media dekt het beginnen met een omgekeerde beeldzoekopdracht en een metadatacontrole de meest voorkomende vormen van manipulatie, met minimale inspanning.