Herkomst is geen bewijs: wat het AI-watermerk betekent voor het sociaal domein

Sinds begin augustus zet Anthropic, het bedrijf achter de AI-assistent Claude, een onzichtbaar watermerk in alle tekst die het model schrijft. Bij afbeeldingen en bestanden komt daar een ondertekend herkomstlabel bij, volgens de C2PA-standaard voor content-herkomst. Het geldt wereldwijd, niet alleen in Europa, en het is een direct antwoord op de transparantieverplichting uit artikel 50 van de AI-verordening, die per 2 augustus 2026 in werking is getreden.

Op het eerste gezicht is dit precies wat iedereen wilde. Eindelijk een manier om te zien of iets door AI is gemaakt. Precies daarom wil ik er even bij stilstaan, want juist in het sociaal domein kan een half begrepen watermerk meer kwaad dan goed doen.

Wat het wel doet

Het watermerk in tekst is een subtiele voorkeur in woordkeuze die je als lezer niet merkt, maar die over voldoende tekst statistisch herkenbaar is. Het blijft grotendeels bewaard als je de tekst kopieert of licht bewerkt. Bij afbeeldingen en documenten gaat het om ondertekende metadata die laat zien dat Claude het bestand heeft gemaakt of bewerkt, en of iemand die herkomstinformatie later heeft aangepast.

Dat is nuttig. Een organisatie die open wil zijn over waar AI in het spel is, krijgt er een technisch hulpmiddel bij. Voor officiële communicatie kan aantoonbare herkomst zelfs vertrouwen opbouwen: een inwoner kan straks in principe zien of een brief door een mens of door een model is opgesteld.

Wat het niet doet

Hier zit de kern, en de reden dat ik dit artikel schrijf. Een watermerk is herkomst, geen bewijs. Het is een waarschijnlijkheidssignaal, geen stempel dat een rechter zou accepteren.

Drie beperkingen zijn voor de praktijk van belang. Ten eerste dekt het maar één model. Tekst uit een ander AI-systeem draagt dit merk niet, dus de afwezigheid van een watermerk bewijst helemaal niets. Ten tweede is het metadata-label op bestanden fragiel: een screenshot, een conversie naar een ander formaat of simpelweg opnieuw opslaan kan het verwijderen. Een document dat het merk ooit droeg, kan het even later kwijt zijn. Ten derde is het signaal in tekst probabilistisch en zegt het niets over wie de auteur is. Het zegt hooguit iets over hoe een stuk tekst waarschijnlijk tot stand is gekomen.

En daar gaat het mis zodra scholen, werkgevers, uitkeringsinstanties en platforms een waarschijnlijkheidssignaal gaan behandelen als hard bewijs. Dat is geen hypothetisch risico. Dat is het patroon dat we in Nederland al pijnlijk hebben leren kennen.

Waarom dit het sociaal domein raakt

Stel je de verkeerde toepassing voor. Een consulent twijfelt of een bezwaarschrift “door AI is geschreven” en laat dat meewegen in de beoordeling. Een school beschuldigt een leerling op basis van een detectietool. Een medewerker vertrouwt een verklaring niet omdat er geen herkomstlabel op zit.

De mensen die als eerste in de knel komen, zijn precies de mensen die het sociaal domein bedient. Iemand die moeite heeft met lezen en schrijven en AI gebruikt om een nette brief op te stellen. Iemand die de taal nog niet machtig is en een vertaalhulp inzet om een officiële brief te begrijpen en te beantwoorden. Voor hen is AI geen shortcut, maar een toegankelijkheidshulpmiddel. Als een watermerk of detector dan wordt gelezen als “niet zelf geschreven, dus verdacht”, straffen we mensen voor het overbruggen van een achterstand.

De Toeslagenaffaire liet zien wat er gebeurt als een systeem bepaalde mensen als risicovol aanmerkt en de menselijke maat verdwijnt achter een schijn van objectiviteit. Een verkeerd begrepen AI-detectie is een nieuwe variant van dezelfde fout: schuldig tot het tegendeel is bewezen, op basis van een signaal dat daar helemaal niet voor bedoeld is.

Wat u er nu mee kunt

Ik ben geen tegenstander van herkomstlabels, integendeel. Maar de winst zit in hoe u ermee omgaat, niet in de techniek zelf. Vier dingen zou ik nu al vastleggen.

1. Bouw geen beleid op detectie. Een watermerk mag een signaal zijn om een gesprek te beginnen, nooit een verklaring om iemand af te wijzen. Leg vast dat een detectie-uitkomst altijd door een mens wordt gewogen en dat de betrokkene een menselijke beoordeling kan vragen.
2. Wees zelf transparant. Artikel 50 werkt twee kanten op. Als uw organisatie AI gebruikt in communicatie richting cliënten of inwoners, is dit het moment om af te spreken hoe u dat kenbaar maakt. Aantoonbare herkomst is dan een kans, geen last.
3. Investeer in AI-geletterdheid. Het verschil tussen herkomst en bewijs klinkt als een detail, maar het is het hele verhaal. Medewerkers die dat verschil begrijpen, maken de fout niet die hierboven staat. Die geletterdheid is sinds februari 2025 trouwens ook gewoon wettelijk verplicht.
4. Bescherm de meest kwetsbare gebruiker. Ga er bij twijfel niet vanuit dat AI-gebruik iets verbergt. Vaak overbrugt het juist een drempel. Maak dat uitgangspunt expliciet in uw werkwijze.

Tot slot

Een onzichtbaar watermerk voelt als grip op iets dat lang ongrijpbaar was. Dat het er komt, is winst voor transparantie. Maar de belangrijkste vraag is niet technisch. Die vraag is of wij, als sector die met de meest kwetsbare mensen werkt, het verschil blijven zien tussen een waarschijnlijkheid en een oordeel. De techniek levert een signaal. Wat we ermee doen, blijft mensenwerk.