Watermerkdetectie-API
Een watermerkdetectie-API is een digitale dienst waarmee computers automatisch kunnen nagaan of een foto, video, audiofragment of tekst is gemaakt door kunstmatige intelligentie. "API" staat voor application programming interface: een gestandaardiseerde manier waarop het ene computerprogramma vragen kan stellen aan het andere. In dit geval stuur je een bestand naar de dienst, en die stuurt terug of er een verborgen "watermerk" in zit dat wijst op AI-generatie, vaak met een waarschijnlijkheidsscore.
Vergelijk het met het watermerk in een bankbiljet: onzichtbaar bij normaal daglicht, maar zichtbaar zodra je het biljet tegen het licht houdt. Bij AI-gegenereerde content werkt het net zo, alleen is het "licht" hier een algoritme in plaats van een lamp. Een gebruiker die een foto op internet tegenkomt, ziet niets bijzonders, maar een watermerkdetectie-API kan er onder de motorkap een patroon in vinden dat een mens onmogelijk met het blote oog kan waarnemen.
Wat is het precies?
Er zijn grofweg twee families van technieken die vaak onder de noemer "watermerk" worden geschaard, en het is belangrijk ze uit elkaar te houden.
De eerste is het klassieke, onzichtbare watermerk in de content zelf. Bij een afbeelding past een AI-model tijdens het genereren de pixelwaarden op een subtiele, statistisch herkenbare manier aan — bijvoorbeeld in het frequentiedomein (een wiskundige weergave van een beeld in patronen van lichte en donkere overgangen, in plaats van losse pixels). Deze aanpassingen zijn voor mensen niet waarneembaar, maar een detectiealgoritme dat het geheime patroon kent, kan het terugvinden, zelfs na lichte bewerkingen zoals opslaan in een ander formaat. Bij tekst kan een taalmodel tijdens het genereren net iets vaker bepaalde woorden of woordvolgordes kiezen dan statistisch normaal zou zijn, een patroon dat voor lezers onzichtbaar is maar statistisch meetbaar. Bij audio en video gebeurt iets vergelijkbaars, bijvoorbeeld door subtiele patronen toe te voegen aan geluidsgolven.
De tweede familie is metadata-gebaseerde herkomstregistratie, waarvan de C2PA-standaard (Coalition for Content Provenance and Authenticity) het bekendste voorbeeld is. Hierbij wordt geen patroon in de content zelf verstopt, maar wordt er een digitaal "paspoort" aan het bestand gekoppeld: cryptografisch ondertekende metadata (extra gegevens bij het bestand) die vermeldt door welke software of welk AI-model het is gemaakt of bewerkt. Dit lijkt op een zegel van een notaris: het bevestigt herkomst, maar het zegel kan worden verwijderd als iemand het bestand herexporteert of een screenshot maakt, terwijl een echt ingebed watermerk vaak (maar niet altijd) blijft zitten.
Een watermerkdetectie-API combineert deze technieken: het bestand wordt geanalyseerd op een ingebed statistisch patroon en/of gecontroleerd op aanwezige C2PA-metadata, waarna de API een resultaat teruggeeft, bijvoorbeeld "waarschijnlijk gegenereerd met model X" met een betrouwbaarheidspercentage, of "geen watermerk gevonden" — wat overigens niet hetzelfde is als "gegarandeerd echt", omdat niet alle AI-content watermerken bevat.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is het bestrijden van desinformatie en zogeheten deepfakes: realistisch ogende maar nepafbeeldingen, -video's of -audiofragmenten die mensen kunnen misleiden. Als platformen, journalisten en burgers snel kunnen nagaan of content door AI is gemaakt, wordt het moeilijker om nepnieuws of gemanipuleerd bewijsmateriaal ongemerkt te verspreiden.
Daarnaast speelt regelgeving een steeds grotere rol. De Europese AI-verordening (AI Act) verplicht aanbieders van AI-systemen die synthetische beeld-, audio- of videocontent produceren om deze op een machinaal detecteerbare manier te markeren, met een overgangstermijn die zich uitstrekt tot medio 2026. Watermerken en detectie-API's zijn de technische invulling waarmee bedrijven aan zo'n transparantieplicht kunnen voldoen.
Ten slotte is er een praktisch belang voor platformen zelf: sociale media, zoekmachines en nieuwswebsites willen AI-content kunnen labelen zonder daarvoor op menselijke beoordelaars te hoeven vertrouwen, simpelweg omdat het volume te groot is om handmatig te controleren.
Voorbeelden uit de praktijk
Een aantal concrete initiatieven laat zien hoe dit veld zich in de praktijk ontwikkelt.
- SynthID van Google DeepMind is een van de bekendste watermerktechnieken. Sinds 2023 wordt het toegepast op beelden die zijn gemaakt met Google's beeldmodellen, en het is later uitgebreid naar audio, video en tekst gegenereerd door Google's eigen modellen. Google heeft daarnaast een publiek toegankelijke portal beschikbaar gesteld waarmee gebruikers zelf content kunnen laten controleren op een SynthID-watermerk.
- C2PA / Content Credentials is een open standaard die is opgezet door onder meer Adobe, Microsoft, Sony, de BBC en Intel, met als doel een gedeeld, cryptografisch geverifieerbaar "label" voor de herkomst van digitale content te creëren. Adobe past deze standaard onder meer toe in Photoshop en zijn AI-beeldgenerator Firefly.
- Meta voegt sinds 2024 automatische "Made with AI"-labels toe aan content op Facebook en Instagram, deels op basis van C2PA-metadata en deels door zelf te zoeken naar bekende industriestandaard-watermerken van andere aanbieders.
- OpenAI voegt aan afbeeldingen van DALL-E en aan video's van zijn Sora-model herkomstmetadata volgens de C2PA-standaard toe, zodat de herkomst achteraf controleerbaar is.
- Digimarc en Truepic zijn gespecialiseerde bedrijven die al langer bestaan buiten de recente AI-golf; Digimarc komt oorspronkelijk uit de traditionele digitale watermerktechnologie voor auteursrechtbescherming, terwijl Truepic zich richt op het vastleggen van herkomst direct op het moment van opname, bijvoorbeeld via aangepaste camerasoftware.
Hoe ver is de techniek?
De techniek is functioneel maar allesbehalve waterdicht, en dat wordt door de meeste betrokken partijen ook erkend. Bij afbeeldingen zijn watermerken relatief robuust tegen alledaagse bewerkingen zoals opnieuw opslaan of comprimeren, maar onderzoekers hebben herhaaldelijk laten zien dat gerichte aanvallen — zoals bijsnijden, een screenshot maken, kleine ruis toevoegen of het beeld door een ander AI-model laten "opschonen" — het watermerk aanzienlijk kunnen verzwakken of zelfs volledig kunnen verwijderen.
Tekstwatermerken zijn nog kwetsbaarder: simpelweg een tekst parafraseren, vertalen en terugvertalen, of een paar zinnen herschrijven, is vaak al genoeg om het statistische patroon te verstoren. Metadata-gebaseerde systemen zoals C2PA hebben een ander probleem: de metadata is doorgaans niet bestand tegen een simpele screenshot of het opnieuw uploaden via platformen die metadata standaard verwijderen (wat social media vaak doet om technische redenen).
Een ander obstakel is het ontbreken van één universele standaard. Google, OpenAI, Adobe en anderen gebruiken elk hun eigen watermerktechniek, die meestal alleen door de eigen detector (of een detector met wie samenwerking is afgesproken) betrouwbaar herkend kan worden. Content die is gemaakt met een open-source model zonder ingebouwd watermerk, ontsnapt volledig aan detectie. Het veld ontwikkelt zich dus snel, met jaarlijks nieuwe releases en verbeterde robuustheid, maar een sluitende, allesomvattende oplossing is er nog niet en zal er volgens de meeste experts op korte termijn ook niet komen.
Wie werken eraan?
Grote techbedrijven met eigen generatieve AI-modellen investeren het meest in dit veld, omdat zij zowel de content genereren als de watermerken kunnen ontwerpen: Google DeepMind, OpenAI, Microsoft, Adobe en Meta lopen hierin voorop. De C2PA-coalitie, met leden als Adobe, Microsoft, Sony, Intel, de BBC en Truepic, ontwikkelt de gedeelde metadatastandaard waar veel van deze bedrijven op aansluiten. Daarnaast houden universitaire onderzoeksgroepen zich actief bezig met het testen van de robuustheid van watermerken, vaak juist door te laten zien hoe ze te omzeilen zijn, wat weer bijdraagt aan verbeterde volgende generaties. Op regelgevend vlak zijn de Europese Unie (via de AI Act) en in mindere mate Amerikaanse overheidsinstanties betrokken bij het stellen van eisen aan detecteerbaarheid van AI-content.