De opkomst van goedkope, open-source AI-agents maakt het steeds moeilijker om synthetische data te onderscheiden van menselijke antwoorden. Een nieuw onderzoek waarschuwt dat deze ontwikkeling de integriteit van data die bedoeld is om menselijk gedrag in kaart te brengen, ernstig kan ondermijnen.
Het fenomeen waarbij synthetische reacties van kunstmatige intelligentie data besmetten die eigenlijk bedoeld zijn om menselijk gedrag te analyseren, staat bekend als 'LLM-pollution'. Tot voor kort vormden de hoge kosten voor het implementeren van geavanceerde taalmodellen een natuurlijke barrière voor het grootschalig inzetten van autonome survey-agents. Echter, volgens een recent wetenschappelijk rapport dat op 25 september 2026 werd gepubliceerd via arxiv.org, is deze barrière nagenoeg verdwenen door de combinatie van open-weight modellen en open-source agent-frameworks.
Vergelijking tussen open en commerciële modellen
In het onderzoek, uitgevoerd door Raluca Rilla, Anne-Marie Nussberger, Rui Mata en Dirk U. Wulff, is de prestatie en detecteerbaarheid van negen verschillende agent-configuraties onderzocht. De onderzoekers vergeleken hierbij volledig open varianten met gesloten, commerciële alternatieven.
De resultaten tonen aan dat volledig open agents, die lokaal kunnen worden gedraaid zonder gebruikskosten, competitief presteren ten opzichte van de commerciële modellen. Dit betekent dat de kwaliteit van de gegenereerde antwoorden in surveys hoog genoeg is om als menselijk gepresenteerd te worden, terwijl de kosten voor de gebruiker minimaal zijn. Volgens de publicatie op vormt dit een specifiek risico voor de betrouwbaarheid van dataverzameling.
De uitdaging van detectie
Een centraal onderdeel van het onderzoek was het testen van verschillende detectiemethoden om vast te stellen of een survey-antwoord afkomstig was van een mens of een AI-agent. De onderzoekers stelden vast dat geen enkele individuele controle betrouwbaar genoeg was om alle typen agents te detecteren.
Opvallend is dat open en commerciële agents elk andere sets van controles faalden. Dit suggereert dat een enkelvoudige detectiestrategie onvoldoende is om de vervuiling van datasets tegen te gaan. Wel bleken open-text reacties de meest effectieve manier om onderscheid te maken tussen menselijke respondenten en AI-agents. De auteurs van het rapport op pleiten daarom voor een gelaagde detectiestrategie, waarbij de nadruk sterk moet liggen op de analyse van open tekstvelden.
Implicaties voor data-integriteit
De bevindingen onderstrepen een groeiend probleem voor sociologen, marketeers en beleidsmakers die vertrouwen op digitale enquêtes. Wanneer autonome agents op grote schaal en tegen lage kosten surveys kunnen invullen, vervuilt dit de data die bedoeld is om menselijke opinies en gedragingen te weerspiegelen.
Hoewel andere online bronnen zoals skyscanner.net geen directe informatie bieden over deze specifieke AI-problematiek, illustreert de bredere digitale context de noodzaak voor robuuste verificatiemethoden in een tijd waarin AI-interacties steeds vaker onzichtbaar worden.
De conclusie van de onderzoekers is helder: de democratisering van krachtige AI-modellen via open-source kanalen maakt het onmogelijk om enkel op kosten of eenvoudige filters te vertrouwen. Alleen door complexe, meerlaagse analyses toe te passen, kan de integriteit van menselijke data in de toekomst worden gewaarborgd, zoals beschreven in de volledige tekst op .