Hoe weet u of een video door AI is gegenereerd: een veldgids voor 2026
Mat · SUS IT-redactieteam
Matt is gespecialiseerd in videoforensisch onderzoek en computationele media-analyse.
Een praktische, actuele gids voor het herkennen van door AI gegenereerde video van tools als Sora, Kling en Runway, met informatie over visuele artefacten, bewegingsanalyse en forensische tools.
Het spotten van door AI gegenereerde video is in 2026 aanzienlijk moeilijker dan twee jaar geleden. Sora, Kling, Runway Gen-3 en Pika 2.0 hebben elk de meest voor de hand liggende visuele artefacten aangepakt die ervoor zorgden dat vroege AI-video gemakkelijk te negeren was. De camerakorrel is realistisch. De beweging is vloeiender. Menselijke gezichten vallen niet langer uiteen in abstracte geometrie tijdens snelle bewegingen. Maar de verhalen zijn niet verdwenen; ze zijn gemigreerd. In deze gids wordt besproken waar u nu moet kijken, hoe u hulpmiddelen kunt gebruiken als uw ogen niet voldoende zijn, en hoe u een verificatiegewoonte kunt opbouwen die gelijke tred houdt met de technologie.
Waarom 2026 anders is
Het landschap van de videogeneratie veranderde aanzienlijk in 2024 en 2025. Tools van de eerste generatie, zoals de vroege Runway en Stable Video Diffusion, produceerden video die flikkerde, gezichten vervormde en fysiek onmogelijke bewegingen genereerde. De nieuwe generatie – Sora, Kling 2.0, Runway Gen-3, Pika 2.0 – produceert output die de gewone inspectie doorstaat. Dit is van belang omdat het de bewijslast verandert: je kunt niet langer vertrouwen op een enkel schokkend artefact om tot een oordeel te komen. Verificatie vereist nu systematisch onderzoek in meerdere dimensies, en vaak een forensisch hulpmiddel voor definitieve bevestiging.
Temporele coherentie: de meest betrouwbare tell
Het meest consistente artefact in AI-video is temporele incoherentie: inconsistentie van frame tot frame in details die stabiel moeten blijven. Bekijk een verdachte video met een snelheid van 0,25x en zoek naar: huidtextuur die tussen de frames gladder wordt en vervolgens weer scherper wordt; achtergrondelementen die de positie enigszins verschuiven van het ene frame naar het volgende; haarlokken die hun pad over frames veranderen; en stofplooien die springen in plaats van stromen. Deze micro-inconsistenties doen zich voor omdat AI-videomodellen frames genereren met een zekere mate van onafhankelijkheid, en de continuïteitsbeperkingen, hoewel verbeterd, niet perfect zijn. Door mensen gemaakte video is fysiek consistent omdat dezelfde echte scène van frame tot frame wordt vastgelegd.
Natuurkundige artefacten: haar, water, stof
Fysieke simulatie is waar de huidige AI-videogeneratoren nog steeds het meest zichtbaar mee worstelen. Haar is bijzonder onthullend: echt haar beweegt als een verenigd systeem onder invloed van zwaartekracht, wind en momentum. Door AI gegenereerd haar produceert vaak individuele strengen die onafhankelijk bewegen of tussen frames verdwijnen. Water in AI-video mist vaak de oppervlaktespanning en het lichtgedrag van echt water; het ziet er vaak iets te glad uit of heeft een herhalende, herhalende kwaliteit. Doek moet vallen en bewegen volgens de fysica van de stof en het lichaam eronder; AI-stof stroomt soms in richtingen die niet overeenkomen met de beweging van het personage of met enige schijnbare windbron. Als een video een van deze elementen bevat, vertraag dan de snelheid en bekijk ze aandachtig.
Achtergrondinconsistenties
AI-videogeneratie heeft de neiging om de achtergrond als minder belangrijk te beschouwen dan het onderwerp op de voorgrond. Dit levert achtergronden op die subtiel inconsistent zijn van opname tot opname - niet verkeerd genoeg om meteen duidelijk te zijn, maar zo afwijkend dat ze onder de loep worden genomen. Zoek naar: architectonische elementen die tussen de opnames verschuiven (een raam dat zich in een iets andere positie bevindt, een muurhoek die van hoek verandert); menigtescènes waarin verschillende mensen tussen de bezuinigingen enigszins verschillende kleding lijken te dragen; en tekst op borden of schermen die de inhoud of opmaak over de frames heen verandert. Echte video legt, zelfs met fragmenten en meerdere opnames, een consistente fysieke omgeving vast.
Camerakorrel- en ruispatronen
Een betrouwbaar maar minder intuïtief signaal is het ruispatroon van de video. Echte camera's produceren een karakteristiek patroon van korrel- of sensorruis dat consistent en willekeurig is op een manier die de sensorfysica weerspiegelt. Door AI gegenereerde video mist volledig korrel (waardoor onnatuurlijk zuivere beelden worden geproduceerd) of voegt korrel toe als nabewerkingsstap die niet overeenkomt met hoe echt camerageluid zich gedraagt: het kan zich herhalen, in onnatuurlijke patronen verschijnen of niet correleren met de schijnbare lichtomstandigheden. Zoom in op een stilstaand beeld van een verdachte video en onderzoek gladde oppervlakken (lucht, muren, huid) op ruistextuur. AI-videoruis is vaak subtiel verkeerd.
rPPG-analyse: de hartslagtest
Remote fotoplethysmografie (rPPG) is een techniek die de bloedstroom in de gezichtshuid detecteert door subtiele kleurveranderingen te analyseren die worden veroorzaakt door de hartslag. Echte menselijke gezichten in video vertonen deze veranderingen, zelfs als ze onzichtbaar zijn voor het blote oog. Door AI gegenereerde gezichten doen dat doorgaans niet, omdat het generatiemodel geen fysiologische processen simuleert. Forensische tools die rPPG-analyse bevatten, kunnen synthetische gezichten markeren, zelfs als ze visueel overtuigend lijken. Dit is een van de krachtigere detectiemethoden voor AI-video in close-up-stijl, die veel voorkomt bij deepfakes en door AI gegenereerde nieuwsankers.
Toolspecifieke tellers in 2026
Elke grote AI-videogenerator laat zijn eigen vingerafdrukken achter. Sora heeft de neiging om video van zeer hoge productiekwaliteit te produceren met filmische verlichting, maar genereert af en toe omgevingen die bijna te perfect zijn: achtergronden die eerder op CG-weergaven lijken dan op vastgelegde realiteit, en bewegingen die de onvolkomenheden van handcamera's of zelfs op statief gemonteerde camera's missen. Kling produceert uitstekende gezichtsdetails, maar heeft soms moeite met lange ledematen en perifere lichaamsdelen. Let op de handen en voeten wanneer deze aan de randen van het beeld verschijnen. Runway Gen-3 kan dynamische scènes goed aan, maar kan overgangen tussen bewegingstoestanden produceren (stop naar start, verandering van richting) die enigszins mechanisch aanvoelen. Pika is het sterkst bij korte clips, maar vertoont tijdelijke artefacten bij langere generaties. Geen van deze zijn absolute regels, maar het zijn wel nuttige uitgangspunten.
Wanneer moet u forensische hulpmiddelen gebruiken?
Je ogen zijn nuttig voor de eerste beoordeling, maar onvoldoende voor beslissingen waarbij veel op het spel staat. Forensische videoanalysetools onderzoeken: frequentiedomeinpatronen in individuele frames (dezelfde aanpak die wordt gebruikt voor beelddetectie); temporele consistentiestatistieken over framereeksen; audiovisuele synchronisatieanalyse; en ruisverdelingspatronen die verschillen tussen echte camera-opname en AI-generatie. De videoanalysepijplijn van SUS IT past deze methoden toe om verdachte inhoud te markeren, zelfs als deze de visuele inspectie doorstaat. Voor elke video waarbij de inzet ertoe doet – journalistiek, juridisch bewijsmateriaal, financiële besluitvorming – moet je deze door een forensisch hulpmiddel laten lopen in plaats van alleen op visueel oordeel te vertrouwen.
Een praktische verificatiechecklist
Wanneer u een verdachte video tegenkomt: (1) Vertraag hem tot 0,25x of 0,1x en onderzoek frame voor frame in de meest dynamische secties. (2) Controleer de fysica — haar, water, kleding en perifere lichaamsdelen. (3) Bekijk de achtergrond voor consistentie tussen de sneden. (4) Kijk naar ruispatronen op gladde oppervlakken, ingezoomd. (5) Bekijk de randen van gezichten en haar tegen achtergronden om artefacten te laten overvloeien. (6) Controleer de lipsynchronisatie zorgvuldig bij elke toespraak – vooruit of uitstel is nog steeds gebruikelijk. (7) Voer het door forensische tools voordat u een vervolgoordeel velt. Eén enkel artefact is geen bewijs; een patroon van artefacten is. Als je geen artefacten kunt vinden, maar de inhoud van de video buitengewoon is of de bron niet is geverifieerd, behandel de video dan als niet-geverifieerd, ongeacht wat je ogen je vertellen.
De grenzen van verificatie
Geen enkele verificatiemethode is perfect. Zwaar gecomprimeerde of opnieuw gecodeerde video verliest de hoogfrequente informatie waarvan forensische tools afhankelijk zijn. Toekomstige AI-videogeneratoren zullen veel van de hier beschreven signalen repareren. De juiste houding is niet: 'Ik kan altijd AI-video detecteren', maar: 'Ik pas systematisch onderzoek toe voordat ik buitengewone video als echt beschouw.' Bij een deepfake van hoge kwaliteit is onzekerheid de eerlijke conclusie. De vraag is of je die onzekerheid communiceert of doet alsof je zekerheid hebt die je niet hebt.