De betrouwbaarheid van een informatiebron controleren houdt niet langer alleen in dat je de auteur of publicatiedatum achterhaalt. Sinds de inwerkingtreding van de Europese AI-verordening en de actualisering van de Europese praktijkcode tegen desinformatie legt het regelgevingskader nieuwe transparantieverplichtingen op aan platforms en aanbieders van AI-systemen.
Deze ontwikkelingen veranderen wat lezers van digitale content mogen verwachten, maar creëren ook nieuwe blinde vlekken: een artikel met een duidelijke auteursvermelding, gepubliceerd door een gerenommeerd medium, kan dankzij een advertentiegefinancierd aanbevelingssysteem op grote schaal worden verspreid, zonder dat iemand ooit vragen stelt over de context waarin het wordt verspreid.
Transparantie van AI-content en meldingsverplichtingen: wat de Europese regels bepalen
Artikel 50 van de Europese AI-verordening, waarvan de richtsnoeren op 12 november 2026 door de Europese Commissie zijn gepubliceerd, voorziet in een meldingsplicht voor bepaalde door AI gegenereerde of gemanipuleerde content. Deepfakes en teksten van algemeen belang moeten bij publicatie zichtbaar worden gemarkeerd.
Er geldt een uitzondering: als de content door een mens is beoordeeld of redactioneel is gecontroleerd en iemand de redactionele verantwoordelijkheid op zich neemt, is een melding mogelijk niet vereist. Deze nuance verandert hoe je online content leest.
De Europese regels maken in feite onderscheid tussen twee soorten markering. De machinaal detecteerbare markering valt onder de verantwoordelijkheid van aanbieders van AI-systemen. De zichtbare melding is daarentegen de verantwoordelijkheid van de personen of entiteiten die de content publiceren. Het ontbreken van een zichtbaar label bij een tekst of afbeelding bewijst dus niet dat deze authentiek is: het kan simpelweg betekenen dat de aanbieder een technische markering heeft aangebracht, zonder dat de uitgever een zichtbare melding nodig vond.
| Type markering | Verantwoordelijke | Zichtbaar voor de lezer |
|---|---|---|
| Technische markering (machinale metadata) | Aanbieder van het AI-systeem | Nee (detecteerbaar met hulpmiddelen) |
| Zichtbare melding (label, vermelding) | Uitgever of persoon die de content publiceert | Ja (indien van toepassing) |
| Redactionele uitzondering | Persoon die de verantwoordelijkheid op zich neemt | Geen markering vereist |
Deze tabel laat een verschil zien dat in klassieke verificatiegidsen niet aan bod komt. Wie wil nagaan of content door AI is gegenereerd, moet er rekening mee houden dat het ontbreken van een vermelding geen bewijs van authenticiteit is. Hulpmiddelen voor het detecteren van metadata kunnen de visuele controle aanvullen, maar zijn voor het grote publiek nog steeds moeilijk toegankelijk.

Bronnen die inzicht bieden in informatiestromen brengen deze regelgevende verschillen en hun praktische gevolgen in kaart: https://www.informationinflux.org documenteert onder meer de mechanismen die de verspreiding van informatie online beïnvloeden.
De betrouwbaarheid van een bron controleren: verder kijken dan de auteur en ook de verspreidingsroute bekijken
Traditionele verificatiemethoden richten zich op drie punten: de auteur identificeren, de informatie dateren en deze met andere bronnen vergelijken. Die gewoonten blijven waardevol. Ze schieten echter tekort wanneer het probleem niet bij de content zelf ligt, maar bij de reden waarom die in een nieuwsfeed verschijnt.
De Europese praktijkcode tegen desinformatie, bijgewerkt op 10 november 2026, bevat toezeggingen over het ontmoedigen van de monetisering van desinformatie en de transparantie van aanbevelingssystemen. Ondertekenaars verbinden zich ertoe de advertentie-inkomsten uit desinformatiecontent te beperken en duidelijker te maken op basis van welke criteria content onder de aandacht wordt gebracht.
In de praktijk verschillen deze toezeggingen per ondertekenaar. Content kan feitelijk juist zijn en toch door een algoritme worden uitgelicht omdat die betrokkenheid genereert, niet omdat die relevant is. Daarom verdienen twee aanvullende vragen een plek in elke verificatiechecklist:
- Via welk kanaal heb ik deze content ontvangen, en heeft dat kanaal een commercieel belang bij het uitlichten ervan?
- Is de content gesponsord, door een algoritme aanbevolen of op organische wijze gedeeld door een bron die ik ken?
- Heeft het platform dat deze content verspreidt toezeggingen gedaan over transparantie van zijn aanbevelingssystemen?
Deze vragen vervangen de controle van de auteur of het vergelijken met andere bronnen niet. Ze voegen een extra analyselaag toe over de verspreidingsroute, een aspect dat in de meeste educatieve checklists nog ontbreekt.
Checklist voor het controleren van online informatiebronnen: criteria combineren
Door klassieke criteria te combineren met nieuwe regelgevende indicatoren ontstaat een vollediger checklist. De controle wordt grondiger wanneer je onderscheid maakt tussen wat betrekking heeft op de content, de uitgever en de manier waarop de content wordt verspreid.
- Content: is de informatie gedateerd, toegeschreven aan een identificeerbare auteur en bevestigd door minstens één andere onafhankelijke bron?
- Uitgever: publiceert de website of het medium een redactioneel statuut, vermeldt het de financieringsbronnen en markeert het gesponsorde content?
- Verspreiding: is de content aanbevolen door een algoritme, gedeeld door een geverifieerd account of gepromoot via een advertentiecampagne?
- AI-markering: staat er bij de content vermeld dat deze door AI is gegenereerd, of kun je de technische metadata controleren met een speciaal hulpmiddel?

Content die de eerste drie controles doorstaat maar bij de vierde niet, is niet per se onjuist. Ze vraagt alleen om een zorgvuldiger beoordeling. De betrouwbaarheid van informatie hangt evenzeer af van de inhoud als van de context waarin die wordt verspreid.
Mediawijsheid: verder kijken dan de reflex om auteur en datum te controleren
Media- en informatievaardigheden (MIV) helpen leerlingen en burgers klassieke vormen van bias te herkennen, zoals een anonieme bron, een satirische website of een afbeelding die uit de context is gehaald. Deze vaardigheden blijven de basis van elke kritische benadering.
Het Europese regelgevingskader voegt daar een extra laag aan toe. Leerkrachten en opleiders die bronverificatie behandelen, kunnen nu concrete wettelijke verplichtingen gebruiken om uit te leggen wat lezers mogen verwachten. Een door AI gegenereerde tekst zonder zichtbare vermelding, verspreid op een platform dat zijn transparantietoezeggingen niet nakomt, is een aansprekender lesvoorbeeld dan een eenvoudige herhaling van de ‘vijf W’s’ van de journalistiek.
Online onderzoek en de kritische beoordeling van digitale bronnen zijn niet langer alleen documentaire vaardigheden. Ze vereisen ook inzicht in de economische en algoritmische mechanismen die bepalen welke content een lezer als eerste te zien krijgt. Een betrouwbaar artikel dat slecht vindbaar is, kan onzichtbaar blijven, terwijl misleidende content met een goed financieringsbudget bovenaan een nieuwsfeed verschijnt.
De nuttigste verificatievraag van vandaag gaat niet over wat een bericht zegt, maar over de reden waarom het aan ons wordt getoond.



