AI-content machineleesbaar markeren: zo werkt het in de praktijk (C2PA, watermerken, metadata)

De EU AI Act verplicht providers van generatieve AI-systemen om synthetische audio, beeld, video en tekst machineleesbaar te markeren, zodat die detecteerbaar is als kunstmatig gegenereerd. Voor nieuwe systemen geldt die verplichting vanaf 2 augustus 2026; voor systemen die eerder op de markt zijn gebracht per 2 december 2026, als het uitstel uit de Digital Omnibus formeel wordt afgerond. De wet zegt echter niet hoe je moet markeren. In dit artikel lopen we door de technieken die in de praktijk worden gebruikt, wat ze wel en niet kunnen, en hoe je als organisatie tot een verdedigbare invulling komt.

Wat vraagt de wet precies?

Artikel 50(2) van de AI Act vraagt dat de output van generatieve AI-systemen wordt gemarkeerd in een machineleesbaar formaat en detecteerbaar is als kunstmatig gegenereerd of gemanipuleerd. De technische oplossing moet effectief, interoperabel, robuust en betrouwbaar zijn, voor zover dat technisch haalbaar is, rekening houdend met de stand van de techniek en de kosten. Die formulering is bewust open: de wetgever schrijft geen standaard voor en erkent dat geen enkele techniek perfect is. Dat betekent ook dat je als provider moet kunnen uitleggen welke afweging je hebt gemaakt. Een zichtbaar label alleen ("gemaakt met AI" in de hoek van een afbeelding) is in elk geval onvoldoende: dat is niet machineleesbaar.

In de praktijk zijn er drie families van technieken, die elkaar aanvullen: provenance-metadata, watermerken en detectie achteraf.

Techniek 1: provenance-metadata met C2PA

C2PA (Coalition for Content Provenance and Authenticity) is de meest gangbare open standaard voor het vastleggen van de herkomst van content. Grote partijen als Adobe, Microsoft, Google en OpenAI zijn erbij aangesloten. C2PA werkt met een manifest dat aan het bestand wordt gehecht: een set cryptografisch ondertekende beweringen over de herkomst, bijvoorbeeld dat een afbeelding door een bepaald AI-model is gegenereerd, wanneer, en welke bewerkingen daarna zijn uitgevoerd. De handtekening maakt het manifest verifieerbaar: wie het bestand controleert, kan vaststellen dat de claims afkomstig zijn van de ondertekenende partij en dat er niet mee is geknoeid.

De kracht van C2PA is de verifieerbaarheid en de interoperabiliteit: het is precies het type machineleesbare markering waar de AI Act om vraagt, en steeds meer tooling kan manifesten lezen. De zwakte is de kwetsbaarheid van metadata. Wie een screenshot maakt, verliest het manifest. Veel socialemediaplatformen strippen metadata bij het uploaden, al verbetert dat langzaam. C2PA bewijst dus wel dat content met manifest AI-gegenereerd is, maar de afwezigheid van een manifest bewijst niets.

Techniek 2: watermerken in de content zelf

Een watermerk zit niet naast maar in de content: een statistisch patroon dat in de pixels, de audiogolf of de woordkeuze van gegenereerde tekst wordt verwerkt, onzichtbaar voor mensen maar detecteerbaar met de juiste detector. Bekende voorbeelden zijn de watermerktechnieken die grote modelaanbieders in hun beeld- en audiogeneratie hebben ingebouwd. Watermerken overleven bewerkingen beter dan metadata: comprimeren, bijsnijden of een screenshot maken haalt een goed watermerk er niet zomaar uit.

Daar staan beperkingen tegenover. Detectie vereist meestal de detector van de aanbieder, wat de interoperabiliteit beperkt: er is geen universele detector voor alle watermerken. Bij tekst is watermerken wezenlijk moeilijker dan bij beeld en audio: parafraseren of vertalen haalt het signaal er vaak uit, en bij korte teksten is er te weinig materiaal om betrouwbaar te detecteren. En gerichte aanvallen om watermerken te verwijderen blijven een kat-en-muisspel.

Techniek 3: detectie achteraf

Detectieclassifiers proberen zonder markering te herkennen of content AI-gegenereerd is, op basis van statistische kenmerken. Voor de eigen nalevingsvraag van een provider zijn ze geen oplossing (het is geen markering), maar in de keten spelen ze wel een rol, bijvoorbeeld bij platforms die geüploade content beoordelen. Wees hier terughoudend mee in beleid en communicatie: detectoren geven vals-positieven en vals-negatieven, en "de detector zegt dat het AI is" is geen bewijs. Zeker bij tekst zijn AI-detectoren berucht onbetrouwbaar.

Wat is dan een verdedigbare aanpak?

Omdat geen enkele techniek op zichzelf robuust en interoperabel en betrouwbaar is, komt een verdedigbare invulling in de praktijk neer op een combinatie, de gangbare aanbeveling in de richtsnoeren van de Europese Commissie en de Code of Practice die voor AI-contentmarkering in ontwikkeling is. Concreet: hecht C2PA-manifesten aan gegenereerde content voor verifieerbare, interoperabele provenance, gebruik waar beschikbaar de watermerkfunctie van het onderliggende model voor robuustheid, en documenteer de afweging: welke technieken zijn toegepast, wat is de stand van de techniek, waar liggen de grenzen van technische haalbaarheid (bijvoorbeeld bij korte tekst).

Bouw je op de API van een extern foundation model, kijk dan eerst wat de modelaanbieder al doet. Veel grote aanbieders leveren gegenereerde afbeeldingen al met C2PA-manifest en watermerk af. Jouw zorg als provider van het afgeleide systeem is dan vooral: die markering niet slopen in je eigen verwerkingsstappen (denk aan het opnieuw comprimeren of renderen van afbeeldingen), aanvullen waar de aanbieder niets levert, en contractueel vastleggen waar je op steunt.

Wat toetst een auditor?

Wie dit onderwerp in een audit of gapanalyse tegenkomt, kan de volgende toetsvragen verwachten. Is er een inventarisatie van systemen die synthetische content genereren? Is per systeem vastgesteld of de markeringsverplichting geldt en wie provider is? Is de markering technisch geïmplementeerd en aantoonbaar werkend (steekproef: genereer content en verifieer het manifest of watermerk)? Overleeft de markering de eigen verwerkingsketen? Is de afweging rond technische haalbaarheid gedocumenteerd? En is het beheer belegd: wie monitort of updates van modellen of pipelines de markering breken? Dat laatste is in de praktijk het meest onderschatte punt: een markering die bij livegang werkte en drie modelversies later stilletjes is verdwenen, zien wij als realistisch scenario.

Conclusie

Machineleesbaar markeren van AI-content is technisch goed te doen, maar vraagt om een bewuste combinatie van C2PA-provenance en watermerken, om aandacht voor de eigen verwerkingsketen, en om gedocumenteerde afwegingen waar de techniek tekortschiet. Begin bij de inventarisatie en de rolbepaling, steun waar mogelijk op wat modelaanbieders al leveren, en test de werking periodiek. Wil je je markeringsaanpak laten toetsen of dit onderwerp meenemen in een bredere AI Act-gapanalyse? Neem gerust contact op.