# Codeeragenten kunnen AI-tekst aan elkaar plakken om detectietools te omzeilen

> Met een nieuwe methode kunnen softwareagenten teksten samenstellen uit de output van een kleiner taalmodel. Daardoor daalt het detectiepercentage van 77% naar 24%, maar kunnen de kosten per query tot dertig keer hoger uitvallen.

Oossa · 2026-09-29 · https://oossa.com/nl/coding-agents-can-stitch-ai-text-to-dodge-detection-tools

Onderzoekers publiceerden op 25 september 2026 een paper waaruit blijkt dat een codeeragent tekst uit een basistaalmodel aan elkaar kan plakken om AI-detectiesystemen te omzeilen. De agent, gebouwd op Claude Opus 5, haalt tot 90% van zijn woorden uit een model met 32 miljard parameters, OLMo-2. In tests glipten de samengestelde antwoorden langs twee soorten detectoren: het detectiepercentage daalde van 77% naar 24% bij een populaire tool voor detectie achteraf, en tot ongeveer 10% bij een controle op basis van watermerken.

## Zo werkt de techniek

Bij eerdere trucjes werd AI-gegenereerde tekst meerdere keren herschreven, waardoor de betekenis vaak veranderde. Deze aanpak laat de agent juist functioneren als een editor die tekst kopieert en plakt. De agent vraagt het basismodel om veel korte voorbeelden en kiest vervolgens de fragmenten die het best bij de opdracht passen, of het nu gaat om creatief schrijven, feitelijke antwoorden, gezondheidsvragen of het opvolgen van instructies. Door die fragmenten aan elkaar te plakken, blijft de uiteindelijke tekst bij het onderwerp en leest die natuurlijk, terwijl de detector een mix van veel kleine fragmenten ziet in plaats van één doorlopende AI-gegenereerde tekststroom.

## Gevolgen en kosten

De methode werkt, maar is duur. Omdat de agent veel meer tokens verstuurt en ontvangt — de basiseenheden van tekst — kunnen de kosten per query tot dertig keer hoger liggen dan bij een standaard API-aanroep. De onderzoekers waarschuwen dat detectiediensten met zulke samengestelde teksten zullen moeten trainen als ze effectief willen blijven. Voor gewone gebruikers betekent deze bevinding dat tools die beweren AI-geschreven inhoud te herkennen mogelijk minder betrouwbaar zijn dan ze beloven.

## De feiten

- De paper is op 25 september 2026 ingediend door Bhuwan Dhingra.
- Claude Opus 5 stuurde een lokaal OLMo-2-model met 32 miljard parameters aan.
- Bij de Pangram v4-detector daalde het detectiepercentage van 77% naar 24%.
- Bij lage percentages vals-positieven daalde detectie op basis van zachte watermerken tot ongeveer 10%.
- De kosten per query kunnen tot 30× stijgen doordat de agent veel meer tokens gebruikt.

## Waarom het ertoe doet

Als detectietools minder betrouwbaar worden, kan het lastiger worden om vast te stellen of een tekst door een mens of AI is geschreven. Dat kan het vertrouwen in online inhoud aantasten. Tegelijkertijd maakt de hoge prijs van deze ontwijkingstechniek het onwaarschijnlijk dat mensen die zomaar gebruiken, waardoor de drempel voor de meeste gebruikers hoog blijft.

## Bronnen en referenties

1. [Agents Can Use Base Models to Evade AI Detection](https://arxiv.org/abs/2609.31876) – arXiv, 2026-09-29

Laatst bijgewerkt: 2026-09-29