isthisaigenerated.appsignals behind the content

Reviewcontrole

AI-reviews herkennen

Steeds meer reviews komen uit een taalmodel. Binnen een minuut staat er een geloofwaardige recensie met de juiste toon, een concrete klacht en een nette afsluiting. Dat leest prettig en beoordeelt lastig: in een studie uit 2025 zagen deelnemers het verschil tussen echte en gegenereerde productreviews gemiddeld in 50,8% van de gevallen — ongeveer wat je met gokken haalt. Controleer daarom niet alleen de tekst, maar vooral wie de review plaatste en of diegene het product ooit heeft gebruikt.

Direct antwoord: vijf controles op een review

  1. Controleer de reviewer, niet alleen de tekst. Heeft het account meer reviews geschreven, over verschillende producten en perioden? Een account dat alleen voor dit ene product bestaat, is een bekend signaal: de FTC noemt het expliciet als reden om een review als verdacht te zien.
  2. Zoek een piek in de tijd. Veel reviews binnen enkele dagen, terwijl het product al jaren bestaat, wijst op een campagne in plaats van op klanten. Vergelijk de datumverdeling met die van vergelijkbare producten.
  3. Lees de tekst als tekst. Let op dezelfde zinsconstructies in meerdere reviews, herhaalde superlatieven, een samenvatting zonder eigen ervaring, en details die nergens op slaan zoals een verkeerd modelnummer of een verkeerde maat.
  4. Weeg negatieve reviews even zwaar. Nepreviews zijn niet altijd positief. Een reeks felle negatieve reviews met dezelfde formulering kan net zo goed georganiseerd zijn, bijvoorbeeld om een concurrent te raken.
  5. Gebruik de detector als triage. De tekstdetector markeert tekst die patronen van modeltekst draagt. Dat is een reden om verder te kijken — geen bewijs dat de review nep is.

Waarom dit nu lastiger is

Sinds de Consumer Review Rule uit 2024 verbiedt de Amerikaanse toezichthouder FTC het maken, verkopen en kopen van nepreviews, en noemt daarbij expliciet reviews van iemand die niet bestaat, zoals door AI gegenereerde nepreviews (FTC, augustus 2024). Handhaving is geen theorie: in december 2025 stuurde de FTC waarschuwingsbrieven naar tien bedrijven en wees op civiele boetes tot ruim 53.000 dollar per overtreding (FTC business guidance, december 2025).

Tegelijk is de tekst zelf een zwakke basis geworden. Deelnemers aan de studie hierboven beoordeelden echte en gegenereerde reviews nauwelijks beter dan kans, en taalmodellen die dezelfde opdracht kregen deden het niet beter (arXiv 2506.13313, 2025). De FTC waarschuwt consumenten al langer dat je aan de tekst vaak niet kunt zien of een review echt is, en adviseert om naar de bron en naar het patroon in de tijd te kijken (FTC, online reviews beoordelen).

Wat een detector wel en niet zegt

De tekstdetector meet of een stuk tekst patronen bevat die vaak bij modeltekst voorkomen. Een sterke waarschuwing betekent: leg deze review naast de andere en controleer de reviewer. Een lage score bewijst niets, want bewerkte, vertaalde of formele menselijke tekst kan net zo goed een signaal krijgen. Gebruik de uitkomst dus als triage en lees ook hoe je een detectorscore interpreteert.

Voor ondernemers en platforms

Meer over het beoordelen van verkoopmateriaal staat in de gids over productfoto's controleren vóór aankoop en bij de marketplace-checkers.

Veelgestelde vragen

Bewijst een hoge detectorscore dat een review nep is?

Nee. De score is een modelgebonden waarschuwingssignaal en zegt niets over de vraag of de reviewer het product werkelijk gebruikte.

Mag ik een review van een concurrent uploaden?

Alleen tekst die je mag gebruiken en zonder persoonsgegevens van anderen. Plak liever alleen de reviewtekst dan dat je een schermafbeelding met naam en foto uploadt.

Wat is het sterkste signaal van een nepreview?

Een account dat alleen voor dit ene product bestaat, een plotselinge piek in de tijd, en formuleringen die woordelijk terugkomen in andere reviews.