Herkennen of een afbeelding door AI is gemaakt

Door AI gemaakte afbeeldingen misleiden inmiddels ook geoefende ogen. Tools als Midjourney, DALL-E 3, Stable Diffusion en Flux zijn de afgelopen twee jaar zo hard vooruitgegaan dat de oude grap "tel de vingers" allang niet meer volstaat. Toch zijn er nog altijd technische en visuele signalen die de kunstmatige herkomst verraden — ook bij de nieuwste modellen. In deze gids leer je een afbeelding laag voor laag te beoordelen: van de compositie tot de metadata die in het bestand verstopt zit, met onderweg de betrouwbaarste detectietools van dit moment.

Waarom AI-afbeeldingen herkennen nu echt nodig is

Tot voor kort was een AI-afbeelding herkennen vooral een technisch weetje. Inmiddels is het een vaardigheid die alledaagse beslissingen raakt. Kopers op marktplaatsen willen weten of de "productfoto" echt van de verkoper is of gewoon door AI verzonnen. Recruiters bekijken profielfoto's op LinkedIn en in cv's. Journalisten en factcheckers verifiëren beelden die op social media rondgaan voordat ze publiceren. En bij datingfraude en identiteitsdiefstal worden AI-gezichten gebruikt om overtuigende nepprofielen op te bouwen.

De omvang van het probleem groeide mee met de kwaliteit van de modellen. In 2023 zaten er in de meeste AI-beelden nog overduidelijke fouten in handen en tekst. In 2026 houden modellen als Midjourney v7, Flux 1.1 Pro en Gemini Image de anatomie meestal netjes kloppend, waardoor een vluchtige blik steeds minder zegt. De veiligste route is dus om meerdere signalen te combineren — visueel, technisch en via externe tools — in plaats van op één aanwijzing af te gaan.

Belangrijk om te benadrukken: geen enkele techniek hieronder geeft honderd procent zekerheid. Het doel is je oordeel beter te onderbouwen, niet je kritische blik te vervangen. Hoe meer signalen dezelfde kant op wijzen, hoe steviger je conclusie staat.

Visuele signalen die een AI-afbeelding nog steeds verraden

Beeldgeneratoren voorspellen waarschijnlijke pixels op basis van statistische patronen uit miljoenen echte foto's. Daardoor zijn ze uitstekend in geloofwaardige texturen, maar struikelen ze nog steeds over dingen die strikte structurele consistentie vragen — precies wat het menselijk brein van jongs af aan leert tellen en controleren, zoals het aantal vingers of de symmetrie van een gezicht.

Handen, vingers en gewrichten

Dit blijft de meestgenoemde zwakke plek, al is er veel verbeterd. Let op te veel of te weinig vingers, gewrichten die anatomisch onmogelijk buigen, of vingers die in elkaar overlopen alsof ze van klei zijn. Handen die half achter een voorwerp, een zak of het haar verdwijnen zijn een signaal op zich: veel generatoren "verstoppen" de hand juist waar ze het vaak mis hebben.

Tanden, ogen en oren

Tanden uit een AI-model vormen soms één te regelmatige rij, zonder de kleine natuurlijke onregelmatigheden van een echt gebit. Bij ogen zie je nogal eens lichtreflecties die niet bij elkaar passen — een lichtpuntje dat per oog op een andere plek of in een andere vorm staat, wat bij één lichtbron fysiek niet kan. Oren hebben een ingewikkelde interne vorm (helix, antihelix, tragus) die AI vaak vereenvoudigt of licht vervormt, vooral bij driekwartaanzichten.

Haar, stoffen en herhalende patronen

Losse haren die tot blokken samensmelten, stofpatronen (ruiten, strepen) die halverwege het kledingstuk hun regelmaat verliezen, of oorbellen en kettingen die links en rechts niet overeenkomen: het zijn terugkerende signalen. AI snapt het idee van een herhalend patroon wel, maar houdt de wiskunde van die herhaling niet altijd over het hele beeld vol.

Tekst en typografie in het beeld

Borden, T-shirts, productlabels en reclameteksten op de achtergrond zijn een van de zwakste punten. Zelfs geavanceerde modellen produceren letters die op het eerste gezicht kloppen, maar bij nader inzien betekenisloze tekens zijn — een "bijna-alfabet" dat geen echte woorden vormt. Dit is op dit moment een van de betrouwbaarste signalen.

Licht, schaduw en reflectie

Schaduwen die een andere kant op vallen dan de hoofdlichtbron doet vermoeden, spiegelingen in glas die niet tonen wat er zou moeten worden weerspiegeld, en huid die anders belicht lijkt dan de omgeving: subtiele maar consistente aanwijzingen. Let vooral op scènes met meerdere lichtbronnen (bijvoorbeeld raamlicht plus een lamp), waar AI de schaduwen graag op een fysiek onmogelijke manier door elkaar husselt.

Achtergrond en opbouw van de scène

Let op achtergrondelementen die zonder duidelijke scheiding in elkaar overlopen, voorwerpen die abrupt ophouden zonder dat de kadrering dat verklaart, of vreemde herhalingen — zoals twee vrijwel identieke stoelen op plekken die in een echte ruimte nergens op slaan. Een vervaagde achtergrond (bokeh) verhult zulke inconsistenties soms bewust, dus juist de onscherpe delen verdienen extra aandacht.

Huidtextuur en het probleem van te veel perfectie

Echte foto's zitten vol subtiele oneffenheden: zichtbare poriën, fijne haartjes in het gezicht, kleine asymmetrieën, kleurverschillen door bloedvaten net onder de huid. AI-beelden — vooral "studioportretten" — strijken dat allemaal glad, wat een bijna wasachtige textuur oplevert, alsof er egaal dekkende make-up overheen ligt. Bij lichte huid in direct licht valt dat het meest op, omdat de natuurlijke variatie daar het duidelijkst ontbreekt.

Let wel: dit signaal duikt ook op bij echte foto's die zwaar bewerkt zijn met huidverzachtende filters, die in veel telefooncamera's standaard aanstaan. Gebruik het dus als ondersteuning van andere aanwijzingen, niet als bewijs op zich.

EXIF-metadata: wat de verborgen gegevens in het bestand prijsgeven

Elke foto van een digitale camera of smartphone draagt in het bestand zelf een laag technische metadata mee: EXIF (Exchangeable Image File Format). Daarin staan het model van de camera of telefoon, het type lens, diafragma, sluitertijd, ISO, de exacte datum en tijd van de opname en vaak ook gps-coördinaten.

Bij AI-beelden die rechtstreeks uit de tool komen, zijn die velden meestal leeg — of ze bevatten algemene gegevens van de generatorsoftware in plaats van van een echte camera. Dat controleer je snel met EXIF Verwijderen, dat alle metadata van het bestand toont voordat je besluit ze te wissen of te bewaren.

Content Credentials en het C2PA-initiatief

Een recente en steeds belangrijkere ontwikkeling is de C2PA-standaard (Coalition for Content Provenance and Authenticity), ondersteund door onder meer Adobe, OpenAI, Google, Microsoft en Leica. Beelden uit compatibele tools krijgen een "Content Credentials"-keurmerk: een cryptografisch record dat de herkomst vastlegt, inclusief of het beeld door AI is gemaakt of bewerkt. Nog lang niet elke afbeelding heeft het, maar is het er wel, dan is het een van de betrouwbaarste aanwijzingen van dit moment.

Automatische detectietools: wat er nu beschikbaar is

Naast handmatige analyse zijn er gespecialiseerde diensten die met eigen AI-modellen statistische pixelpatronen opsporen die het oog niet ziet — subtiele sporen die generatieve modellen achterlaten. Geen enkele is onfeilbaar, maar als tweede mening werken ze prima, zeker in combinatie met de visuele controle hierboven.

Eén kanttekening: deze tools kijken naar statistische patronen die de generatieve modellen bij elke nieuwe versie juist proberen te omzeilen. De nauwkeurigheid schommelt dus met de tijd — een tool die 95% van de Stable Diffusion 1.5-beelden herkende, kan er bij de nieuwste Flux flink naast zitten. Draai daarom altijd meer dan één tool voordat je conclusies trekt.

Omgekeerd zoeken als aanvullende controle

Een omgekeerde zoekopdracht in Google Lens of TinEye levert vaak waardevolle context op: of hetzelfde beeld eerder ergens met een ander onderschrift stond, of het al eens als synthetisch is aangemerkt, of zelfs de echte originele foto waarop een AI-bewerking is gebaseerd. Een veelgebruikte truc bij oplichting is namelijk een echte foto van iemand anders pakken en die met generatieve AI "oppoetsen".

Vooral bij verdachte profielfoto's op datingapps en social media is dit nuttig: veel nepprofielen hergebruiken — met of zonder AI-bewerking — foto's van echte mensen zonder hun toestemming.

Waar de verschillende AI-generatoren doorgaans de mist in gaan

Elk beeldmodel heeft zijn eigen typische fouten, een gevolg van de trainingsdata en de technische keuzes in de architectuur. Als je die verschillen kent, weet je waar je moet kijken zodra je een vermoeden hebt over de herkomst.

Deze tabel is geen vaste wet — modellen worden vaak bijgewerkt en de typische fouten van vandaag kunnen in de volgende versie verholpen zijn. Toch helpt hij bepalen waar je als eerste kijkt zodra je aan een bepaald beeld twijfelt.

In de praktijk: waar dit echt uitmaakt

Kopen op marktplaatsen: voordat je afgaat op een wel erg perfecte productfoto in een tweedehandsadvertentie, controleer je of er metadata is, of de achtergrond klopt en of kleine details (labels, stiksels, texturen) fysiek ergens op slaan.

Journalistieke verificatie: factcheckers combineren omgekeerd zoeken, metadata-analyse en detectietools voordat ze een beeld dat viraal gaat tijdens een crisis of nieuwsgebeurtenis als echt bestempelen.

Profielen op social media en datingapps: profielfoto's met te perfecte studiobelichting, een account zonder enige geschiedenis en iemand die videobellen blijft afhouden — dat alles bij elkaar, plus een foto met AI-kenmerken, is reden voor extra voorzichtigheid.

Sollicitaties en hr: sommige bedrijven controleren inmiddels of foto's op een cv of LinkedIn kunstmatig zijn gegenereerd, als onderdeel van strengere identiteitscontroles.

Veelgemaakte fouten bij het herkennen van AI-beelden

Een veelgemaakte fout is één signaal als bewijs behandelen — bijvoorbeeld een echte foto afserveren omdat er geen EXIF-metadata in zit, terwijl die simpelweg via WhatsApp is verdwenen. Een andere is blind vertrouwen op de uitkomst van één detectietool, terwijl die er ook naast zitten: zowel met valse positieven (een echte foto als AI bestempelen) als met valse negatieven (een recent synthetisch beeld missen).

Ook overschatten mensen hun eigen blik. Uit onderzoek blijkt dat de meesten, zonder hulpmiddelen, bij recente modellen van hoge kwaliteit nauwelijks beter scoren dan gokken. Een combinatie van methodes is dus altijd betrouwbaarder dan alleen het "geoefende oog".

En dan is er nog een derde fout: de context waarin het beeld rondgaat negeren. Een foto zonder herleidbare bron, zonder eerdere publicatiegeschiedenis en met een emotioneel geladen onderschrift (dringend delen, bijvoorbeeld) verdient meer argwaan dan een beeld van een geverifieerd account met een consistente geschiedenis — los van wat de techniek zegt. Herkomst en verspreidingsgedrag wegen in de praktijk net zo zwaar als de analyse op pixelniveau.

Tot slot: beelden kunnen ook gedeeltelijk door AI zijn gemaakt — een echte foto met een vervangen achtergrond, een weggehaald voorwerp of digitaal verwisselde kleding. In zulke hybride gevallen zitten de AI-kenmerken geconcentreerd in één gebied (meestal het aangepaste element) in plaats van gelijkmatig over de hele scène, zoals bij volledig synthetische beelden.

Snelle checklist bij een verdachte afbeelding

1. Zoom in en controleer handen, tanden, oren en sieraden op asymmetrie of vervorming.
2. Bekijk tekst en typografie in het beeld — borden, labels, opschriften.
3. Ga na of licht en schaduw kloppen met de zichtbare lichtbronnen.
4. Controleer de EXIF-metadata van het bestand met EXIF Verwijderen van ImageTools.
5. Haal het beeld door minstens één detectietool (Hive, Illuminarty of AI or Not).
6. Doe een omgekeerde zoekopdracht om de context en herkomst te achterhalen.

Geen enkel punt hoeft op zichzelf doorslaggevend te zijn — de waarde zit in het optellen van de aanwijzingen. Een beeld dat op vier of vijf punten schoon door de controle komt, is veel waarschijnlijker echt dan een beeld dat op meerdere punten tegelijk vragen oproept.

Veelgestelde vragen