Vanmorgen stuurde een klant een concept van 1.200 woorden over hun nieuwe analytics-dashboard. Tweede zin: “In het hedendaagse, snel evoluerende landschap van datagedreven besluitvorming zoeken organisaties voortdurend naar innovatieve oplossingen.” Ik sloot het tabblad, dronk mijn koffie op en mailde terug met de vraag wie het eigenlijk geschreven had. Het antwoord was wat beschaamd. ChatGPT had de eerste versie gemaakt, iemand had het “geredigeerd”, en ze hoopten dat wij de rare dingen eruit konden halen voor publicatie.
We vonden heel wat rare dingen.
Ik beoordeel zulke concepten bijna wekelijks. Marketingverantwoordelijken, oprichters, soms een bureau dat doet alsof ze het uitbesteden niet hadden uitbesteed. Een deel van het werk is echt goed. Een aanzienlijk deel is gegenereerd, lichtjes opgepoetst en gepubliceerd. Ik heb in principe niets tegen AI-concepten (ons team gebruikt taalmodellen continu voor outlines, research en eerste versies), maar er is een verschil tussen een model gebruiken als schrijfpartner en je merkstem overhandigen met de sleutel nog in het contact. De overgedragen concepten vertonen patronen. Dit zijn de vijf die ik het vaakst markeer.
1. Generieke openingszinnen die overal bij zouden kunnen passen
De keelschrapende eerste zin is bijna altijd het verraderlijke teken. Grammaticaal in orde, feitelijk onschuldig, en evenzeer van toepassing op een CRM, een logistieke startup of een bedrijf dat ambachtelijke hondensnacks verkoopt. Het model weet niet wat specifiek is aan jouw bedrijf, dus grijpt het naar de mediane opening die het tienduizend keer heeft gezien.
Gegenereerd: “In het competitieve landschap van enterprise software zoeken bedrijven voortdurend naar innovatieve oplossingen om hun operaties te stroomlijnen en groei te stimuleren.”
Wat een mens zou schrijven: “We hebben onze klantonboarding vorig jaar drie keer opnieuw opgebouwd, omdat het oorspronkelijke ontwerp ervan uitging dat gebruikers de instructies daadwerkelijk lezen.”
De eerste kan over alles gaan. De tweede vertelt me wat je doet en dat je daarbij iets pijnlijks geleerd hebt.
2. Lijstjes waarin elk item evenveel aandacht krijgt
Als ik een “7 manieren om X te verbeteren”-stuk lees en elk item krijgt dezelfde twee paragrafen, dezelfde definitie-dan-voordeel-structuur, dezelfde zelfverzekerde toon, dan ga ik ervan uit dat een model het heeft geschreven. Mensen die het werk daadwerkelijk gedaan hebben, schrijven zo niet. Ze geven extra gewicht aan wat werkte. Ze wuiven weg wat niet werkte. Ze besteden drie paragrafen aan het kanaal dat 80% van de omzet opleverde en twee zinnen aan dat ene dat floppte.
Neem marketingkanalen. Als ik acht maanden aan SEO heb besteed en twee weken aan een podcastexperiment dat nergens toe leidde, zouden die in mijn verslag geen gelijke ruimte mogen krijgen. Het model geeft ze gelijke ruimte omdat het geen idee heeft welk kanaal belangrijk voor mij was. Ongelijke aandacht is hoe expertise er op papier daadwerkelijk uitziet.
3. Dezelfde zes overgangsfrasen, keer op keer
“Laten we induiken in.” “Het is belangrijk om op te merken dat.” “In het huidige snelle.” “Een uitgebreide gids voor.” “Benutten.” “Navigeer door de complexiteit van.”
Ik houd een lopende lijst bij. Drie of meer hiervan in één stuk en ik stop met lezen voor de inhoud en begin met lezen voor de herkomst.
De zinnetjes zijn niet per se fout. Het is het bindweefsel waar een model naar grijpt als het twee ideeën moet verbinden en geen sterker alternatief heeft. Een schrijver die zich in zijn onderwerp heeft ingeleefd, bouwt rarere bruggen: een verwijzing naar iets vijf paragrafen eerder, een halve grap, een terzijde over een klant die het tegenovergestelde deed van wat het artikel aanraadt. Modellen hebben dat materiaal niet, dus grijpen ze naar de veilige verbinding. Als je je daarop hebt gekalibreerd, kun je dat niet meer ongedaan maken, wat mild irritant is, want het verpest behoorlijk veel verder fatsoenlijk schrijfwerk.
4. Zelfverzekerde statistieken zonder bronvermelding
Deze maakt me echt zorgen, en niet alleen esthetisch. Er is een aansprakelijkheidsaspect. Een concept zegt iets als “Studies tonen aan dat bedrijven die AI-gedreven analytics gebruiken een verbetering van 34% in besluitvormingsefficiëntie zien.” Welke studies? Uitgevoerd door wie? Gepubliceerd waar? Het getal is plausibel genoeg dat niemand het in twijfel trekt, en dat is precies het probleem.
Het model liegt niet expres. Het voorspelt welk soort getal in die zinspositie hoort, gebaseerd op zijn trainingsdata. Dat is de welwillende lezing. De minder welwillende is dat het een statistiek heeft uitgevonden omdat de zin er om vroeg.
Als wij in ons eigen werk getallen aanhalen, linken we ze. Als jouw concept een getal bevat en je kunt binnen vijf minuten niet vinden waar het vandaan komt, schrap het getal en schrijf in plaats daarvan een kwalitatieve zin. “Dit leidt doorgaans tot betere besluitvorming” is een zwakkere zin dan “34% verbetering in besluitvormingsefficiëntie”, maar heeft het voordeel dat je het daadwerkelijk kunt verdedigen.
5. De “niet X, maar Y”-retorische truc, gebruikt als opvulling
Ik betrap mezelf ook op deze. “Het gaat niet alleen om snelheid, het gaat om duidelijkheid.” Eén keer gebruikt is het een scherpe wending. Vier keer in 800 woorden gebruikt, is het een model dat diepzinnig probeert te klinken. De structuur vleit de lezer met de illusie dat er een echt onderscheid wordt gemaakt, terwijl de twee helften vaak in wezen hetzelfde idee zijn met andere hoeden op.
Mijn vermoeden is dat modellen erop leunen omdat het goed scoort op de patroonherkenning waarop ze zijn afgesteld. Het klinkt als inzicht. Inzicht hoort je echter te verrassen, en als de tweede helft van de zin is wat je toch al had geraden, dan doet de retorische zet het werk dat het idee zelf zou moeten doen.
Wat doe je hier dan eigenlijk mee
Als je een contentpijplijn beheert, bouw een checklist. Voordat er iets de deur uitgaat: noemt de opening iets specifieks aan het bedrijf? Worden lijstitems ongelijk gewogen, zoals iemand die het werk doorleefd heeft ze zou wegen? Zijn statistieken voorzien van bron en datum? Komen dezelfde overgangsfrasen terug? Als drie of meer hiervan falen, stuur het dan terug voor een echte herschrijving in plaats van een oppervlakkige redactie.
Ik heb geen schoon getal voor hoeveel van het open web nu gegenereerd is, en ik wantrouw de cijfers die ik heb gezien (zie regel #4). Qua richting wordt er elke maand meer gegenereerd, en lezers worden steeds sneller in het herkennen ervan. Waar ik nu aan werk, is een strakkere versie van bovenstaande checklist, ingebakken in onze reviewtool zodat de duidelijke signalen al worden gemarkeerd voordat een menselijke reviewer het document opent. Als dat lukt, schrijf ik er iets over. Als dat niet lukt, waarschijnlijk ook.