Industrialiserende Humanisering

De gig‑vacatures en service‑aanbiedingen op informele werkplatformen zoals Upwork en Fiverr bevatten tegenwoordig veelvuldig het woord ‘humanize’, met een reeks banen en aanbieders die verschillende niveaus van verhulling van het feit dat een artikel is geschreven, of gedeeltelijk is geschreven, of mee‑geschreven, met AI, voorstellen.

De ‘Humanize’-trend in echte berichten op Upwork.

De vraag naar menselijke en geautomatiseerde diensten die AI‑’vervuilde’ output kunnen herschrijven zodat het lijkt alsof een mens een paar uur heeft gezeten en gezweet, suggereert dat er een universeel consensus is bereikt dat de ‘menselijke touch’ nodig is voor verbinding en outreach – en dat de enorme hoeveelheid content in het AI‑tijdperk die verbinding weer essentieel zal maken.

Ik zou persoonlijk graag zo denken, maar het is niet per se zo – niet in het minst omdat de eigen richtlijnen van Google over dit onderwerp de kwaliteit van de tekst behandelen, in plaats van de manier waarop deze is gecreëerd.

De waarheid is dat we momenteel niet precies weten hoeveel of wat voor soort AI we bereid zijn te tolereren, of in welke mate we de voordelen die miljarden van ons dagelijks van AI krijgen, kunnen rationaliseren tegenover een gevoel van ‘medeplichtigheid’ en morele verleiding met betrekking tot de bredere implicaties van de technologie.

De eerder genoemde vacature‑advertenties weerspiegelen dit ook; daar smachten makers en bedrijven naar automatisering, vermoedelijk omdat ze op schaal willen publiceren, wat precies de praktijk is die Google belooft specifiek te bestraffen in zijn ranking‑algoritme. Tegelijkertijd zoeken ze zowel geautomatiseerde als mens‑gebaseerde methoden om de humanisering te ‘industrializeren’.

Het doet me enigszins denken aan een van de beste grappen in Steven Wright’s neurodivergente comedy‑routines uit de jaren 80:

‘In mijn huis heb ik een magnetron‑haard. Ik kan in slechts 8 minuten voor de avond voor het vuur gaan liggen.’

De Vorm van Slop die Komt

Zoals gewoonlijk worden deze gedachten geïnspireerd door mijn dagelijkse duik in Arxiv, waar ik vandaag bijzonder op een paper van Jochen Madler bij het marketing‑automatiseringsbedrijf Sitefire stuitte, getiteld SlopShape: Identifying AI-Generated Commercial Web Content.

Ik negeer normaal gesproken papers met een enkele auteur, volgens het ‘Victor Frankenstein’-principe, maar de premisse van deze is spartaans, en de testmethodologie robuust.

De studie stelt in wezen dat wanneer een AI‑gegenereerde post volledig wordt herschreven, zelfs door mensen, deze een duidelijk architectonisch signatuur behoudt die zich op een veel hoger niveau dan woordniveau bevindt, en een karakteristieke ‘vorm’ omvat die niet kan worden uitgeroeid door welke hoeveelheid herformulering of oppervlakkige aanpassing van de tekst dan ook:

Vergelijking van structurele patronen in door mensen en AI geschreven berichten. Menselijk schrijven neigt naar zeldzamere combinaties van structuren, terwijl alle vijf AI‑modellen de voorkeur geven aan meer conventionele combinaties. Bron

Vanzelfsprekend kun je dit probleem (als je het een probleem noemt) omzeilen door zelf de schrijfrichting te plannen, en ofwel helemaal geen AI te gebruiken, of het alleen toe te passen op de afzonderlijke componenten die je zelf hebt gepland.

Echter, zoals de razende advertenties op Upwork aantonen, is dit niet wat gewenst is; men kan uit de toon van dergelijke plaatsingen opmaken dat artikelinhoud bij voorkeur niet alleen door AI moet worden gestructureerd, maar ook door AI bedacht moet worden – dat wil zeggen dat een LLM geschikte onderwerpen zou voorstellen die aansluiten bij de overkoepelende doelen van een bedrijf of entiteit.

Daarna wordt volledig verwacht dat de AI verschillende opeenvolgende concepten van de inhoud zal produceren, waarbij de irritante ‘meatware’-component alleen ingrijpt voor een afsluitende en informele vleugje menselijkheid (hoewel dit proces idealiter uiteindelijk zou evolueren naar een Python‑workflow).

Opvallende Kenmerken

De auteur van het nieuwe paper verkreeg deze inzichten door enkele duizenden bedrijfsblogposts te verzamelen die direct voorafgingen aan de release en verspreiding van ChatGPT (2020‑2022) en hieruit prompts af te leiden.

Dat wil zeggen, hij gebruikte Gemini 3 Flash om de echte, door mensen geschreven papers te lezen en een prompt te reverse‑engineeren die is ontworpen om een vergelijkbaar werk te produceren over enkele van de toonaangevende LLM’s, namelijk GPT5.4, Kimi 2.5, DeepSeek V3.2, Claude 4.6, en Gemini 3.

Deze prompts werden vervolgens gebruikt om vijf AI‑versies van elk van de echte menselijke berichten te creëren, waaruit kenmerken werden geëxtraheerd die uiteindelijk de LLM‑specifieke ‘vorm’ van content over de vijf modellen beschrijven; en Madler merkt op dat ‘AI‑posts een nette, zelf‑aankondigende vorm delen’.

De volledige studie is een herhaling van het StoryScope project van COLM 2026 deze augustus, een samenwerking tussen de University of Maryland en Google DeepMind, die in wezen dezelfde methodologie toepaste op fictie, en ontdekte dat AI‑gegenereerde verhalen convergeren naar een smaller en voorspelbaarder bereik van narratieve structuren dan menselijk schrijven:

Uit de StoryScope‑studie, een spreidingsdiagramvergelijking van narratieve patronen in menselijk en AI‑gegenereerd fictie. Menselijk geschreven verhalen bezetten een duidelijk gebied, terwijl verhalen van vijf toonaangevende AI‑modellen dichter bij elkaar clusteren, wat wijst op een grotere overeenkomst in hun onderliggende narratieve keuzes. Bron

Madler besloot StoryScope opnieuw uit te voeren op bedrijfsblogs vanwege de uitgebreide financiële drijfveer om deze te automatiseren, in vergelijking met het meer excentrieke domein van fictieschrijven, en de grote mate waarin ze al geautomatiseerd zijn (50 % automatisering van online content tegen mei 2026, volgens een Graphite‑studie geciteerd in Madler’s werk).

Misschien is de meest interessante analyse het uit elkaar halen van kenmerken die zijn geëxtraheerd uit het door AI geproduceerde materiaal, gebaseerd op de vóór‑2022 door mensen geschreven berichten:

‘De waarden die het vaakst door AI‑modellen worden geproduceerd, vormen wat wij de nette, zelf‑aankondigende blogpost noemen: hij belooft de beloning al in de titel, stelt de stelling vast en kondigt de structuur aan vóór de eerste sectie, spreekt in een redactionele‑uitleggende stem, en sluit af met een fase die de stelling samenvat of herhaalt.

‘In een typische AI‑post wordt de beloning al in de titel beloofd: “Hoe je onboarding‑tijd met de helft kunt verkorten.” De stelling wordt geformuleerd en de structuur aangekondigd vóór de eerste sectie: “In dit artikel behandelen we waarom onboarding stagneert, drie oplossingen die werken, en hoe we het verschil kunnen meten.”

‘En de afsluiting herhaalt de stelling: “Kortom, gestructureerde onboarding bespaart tijd.” De mensgerichte waarden beschrijven berichten zonder die signaalborden: geen aangekondigde sectiestructuur, geen opschaling van de inzet, en geen afsluitende sectie die de stelling herhaalt.’

Een foutief uitgangspunt

Terloops werden de meeste tropen en clichés die in de beschreven sjabloon(s) voorkomen, afgeleid van SEO‑geobsedeerde beperkingen van de marketingscene vóór LLM‑tijd. Waar denken we dat AI deze gewoonten heeft geleerd?

Sjabloon‑marketingtekst werd altijd gehaat, lang vóór AI, en altijd op schaal geproduceerd, lang voordat machines het goed konden doen; en vanwege de eis om te voldoen aan SEO‑praktijken werden enkele afschuwelijke conventies vastgesteld, zoals plaatsing van zoekwoorden, en zorgvuldig ontworpen links.

In het laatste geval kan AI daarom de verkeerde les hebben geleerd, aangezien de uitsluitend‑tekstcorpora waarop het werd getraind zoveel van de SEO‑gerichte tactieken die oorspronkelijk in het bronmateriaal waren opgenomen, hebben verwijderd, zoals strategische diagrammen, visuele verklaringen; en vooral hyperlinks.

Hele secties van een artikel kunnen zijn ontworpen om een hyperlink of een YouTube‑embed te kaderen die een klant wilde promoten; maar tegen de tijd dat de gegevens in een LLM waren getraind, waren de embed of de link verwijderd, en was de tekst die bedoeld was om het te benadrukken ontdaan van de oorspronkelijke context.

Daarom was, betwistbaar, de grote fout bij het ontwerpen van trainingsmethodologieën rond dergelijk materiaal, het behandelen van webinhoud alsof het 19e‑eeuwse literatuur (volledig zelfvoorzienend) was in plaats van multimedia (aanzienlijk beïnvloed door niet‑tekstuele factoren zoals video, hyperlinks en illustraties).

De andere grote fout was het trainen op materiaal dat mensen al haatte, en dat door regels die waarschijnlijk niet meer geldig zijn in een onpopulaire vorm werd gedwongen.

Aandacht, mensen

Desondanks, als je de Upwork‑trends gelooft, is er een aanzienlijke vraag naar meer van hetzelfde, op schaal geproduceerd door LLM’s, en ‘gehumaniseerd’ via het minst idiosyncratische proces dat beschikbaar is, tegen de hoogste snelheid en tegen de laagst mogelijke kosten.

Dit alles, om het effect van aandacht te produceren: het idee dat iemand zoals jij (d.w.z. in het bezit van ten minste een endocrien systeem) zich een paar uur neerzette en nadacht over wat ze jou wilden zeggen.

De perceptie van het ontvangen van menselijke aandacht is voor ons zelfs wanneer het niet nuttig is; daarom is het zeker de moeite waard om te industrialiseren.

Ik kan niet anders dan het gevoel hebben dat Madler’s paper op de een of andere manier de situatie waarschijnlijk zal verergeren, aangezien het karakteristieke hogere‑dimensionale eigenschappen identificeert die nu, vermoedelijk, kunnen worden aangepakt met meer AI, zodat de standaardhandtekeningen een meer menselijke vorm aannemen naarmate de modellen evolueren.

Eerst gepubliceerd donderdag 17 september 2026