SynthID Detector getest:
nepschadefoto voor 3,46 euro

Vandaag liet ik Nano Banana Pro van Google de spiegel van mijn eigen auto kapotmaken. Binnen een minuut had ik een schadefoto met een losgerukte spiegelkap en bungelende draadjes, voor 3,46 euro aan rekenkracht.

En daarna kwamen mijn kookplaat, een tablet en twee rekeningen aan de beurt. Na tien minuten had ik vijf vervalsingen, en de gratis SynthID Detector van Google herkende de bewerkte wasstraatbon meteen, totdat ik er één trucje overheen deed en de uitslag veranderde in Unsure.

TL;DR

• SynthID Detector ving mijn nepbon direct. Eén simpele extra bewerking liet de uitslag daarna omslaan naar Unsure.
• Vijf vervalsingen, tien minuten, 3,46 euro per foto. Met Nano Banana Pro maakte ik schadefoto's en bonnen die overtuigend oogden.
• Een blinde AI-test herkende vijf van de zes vervalsingen. Geen enkele echte foto werd daarbij ten onrechte verdacht gemaakt.
• De detector is ook gratis voor de fraudeur. Hij test zijn vervalsing thuis net zo vaak tot de uitslag hem bevalt.

Wat is SynthID Detector en herkent het AI-fraude?

SynthID Detector is een gratis website van Google die controleert of een foto een onzichtbaar watermerk bevat van Google of een partner zoals OpenAI. Hij herkende mijn AI-bewerkte bon direct. Maar met één eenvoudige bewerking liet ik hem twijfelen. Een schadeafdeling kan de detector gebruiken om verdachte foto's te vinden, maar een uitslag bewijst niet dat een foto echt is.

Dat watermerk heet SynthID en zit in de pixels van een beeld dat met AI van Google is gemaakt of bewerkt. Je ziet het zelf niet, maar de detector kan het uitlezen. Sinds 7 oktober 2026 staat de detector voor iedereen open, op synthid.com, en hij leest ook watermerken van OpenAI, NVIDIA, Kakao en Apple. De eerste versie uit 2025 was alleen bedoeld voor journalisten en onderzoekers.

In mei schreef ik al over SynthID en C2PA bij verzekeringsfraude. Mijn conclusie toen was dat het watermerk een lichte extra controle is, die fraude niet tegenhoudt. Nu de detector voor iedereen openstaat, wilde ik weten of dat nog klopt. Daarom heb ik hem vandaag zelf getest, met spullen uit mijn eigen huis.

Hoe heb ik de SynthID Detector getest op schadefoto's en bonnen?

Ik maakte vijf foto's van echte spullen en liet AI op elke foto schade of een hoger bedrag toevoegen. Het ging om de buitenspiegel van mijn auto, de kookplaat in mijn keuken, mijn tablet, een bon van de wasstraat en een rekening van de tandarts. Alles deed ik met Nano Banana Pro, het beeldmodel van Google. Het kostte me tien minuten en per foto 3,46 euro.

De resultaten zagen er overtuigend uit. De spiegel hangt aan zijn draadjes langs het portier, in de kookplaat loopt een barst vanaf de afzuiging naar de rand, en het scherm van de tablet is gebroken. Op de wasstraatbon werd 20 euro ineens 25 euro, met een btw-bedrag dat tot op de cent klopt. Op de tandartsrekening kwam er een regel "materiaal" van 26,78 euro bij, en ook daar klopt het nieuwe totaal.

Eén bewerking deed ik met GPT-6 Astra, het nieuwste model van OpenAI, omdat ik wilde weten of ChatGPT nog steeds weigert. Begin mei vroeg ik ChatGPT om een nepbon van een bouwmarkt en kreeg ik een duidelijke weigering, wat ik toen beschreef in ChatGPT zegt nee, Codex zegt ja. Vandaag hielp ChatGPT me zonder bezwaar om het bedrag op een bon op te hogen. OpenAI bracht GPT-6 Astra in september uit en noemt het in de eigen handleiding het model dat tot nu toe het best doet wat OpenAI bedoelt. Voor wie claims beoordeelt, telt vooral dat de grens tussen weigeren en meewerken per modelversie kan verschuiven, zonder dat je daar bericht over krijgt.

Daarna ging ik naar synthid.com. De echte wasstraatbon kreeg als uitslag "SynthID was not detected". De bewerkte bon kreeg "SynthID was detected", met de toevoeging dat het beeld met AI van Google was gemaakt of bewerkt. Tot dat moment werkte alles zoals Google het belooft.

Waarom is een gratis AI-detector ook handig voor fraudeurs?

Daarna bewerkte ik de nepbon nog één keer, op een manier die ik hier bewust niet beschrijf. De uitslag werd toen "Unsure". Google schrijft er zelf bij dat er misschien alleen een heel kleine bewerking met AI is gedaan, of dat er met het beeld is geknoeid. Er staat dus geen "AI gedetecteerd" meer, terwijl het bedrag op de bon nog steeds vervalst is.

Een schadebehandelaar die "Unsure" ziet, heeft twee keuzes. Hij kan de claim uitkeren, of hij kan een klant met een bon van 25 euro lastigvallen met een onderzoek. Ik weet uit mijn tijd als eigenaar van een verzekeringskantoor hoe die keuze bij kleine bedragen meestal uitvalt. Het onderzoek kost meer dan de claim, dus de claim gaat erdoor.

De detector staat open voor iedereen, en dus ook voor de fraudeur. Die kan zijn vervalsing uploaden, de uitslag bekijken, de foto aanpassen en het opnieuw proberen. Hij hoeft net als ik niemand om toestemming te vragen en hij betaalt er niets voor. Zo test hij thuis zijn eigen nep, net zo lang tot de uitslag hem bevalt, en pas daarna stuurt hij de foto naar de verzekeraar.

De detector zoekt alleen naar het watermerk van Google en van de partners. Een foto die met een programma buiten die groep is bewerkt, levert dus de uitslag op dat er niets is gevonden. In de aankondiging van Google vond ik ook geen cijfers over hoe vaak de detector een bewerking mist. Een hulpmiddel waarvan je de foutmarge niet kent, kan je niet als bewijs gebruiken.

Is deze foto AI? Wat een blinde AI-test liet zien

Als het watermerk tekortschiet, kan AI de foto dan zelf beoordelen? Toen ik origineel en vervalsing naast elkaar aan Claude gaf, zag die de verschillen direct. Maar een schadebehandelaar krijgt nooit het origineel, alleen de foto die de klant instuurt. Daarom heb ik de test opnieuw gedaan, nu blind.

Ik zette mijn vijf echte foto's, mijn vijf vervalsingen en de bon na het trucje om naar hetzelfde bestandstype, zonder metadata en met neutrale namen. Zes losse AI-beoordelaars, die niets van mijn test wisten, kregen elk één of twee foto's van verschillende voorwerpen. De opdracht was die van een schadebehandelaar: zie je aanwijzingen dat deze foto met AI is bewerkt? Geen van de beoordelaars zag een origineel naast de eigen vervalsing.

De uitslag vind ik bemoedigend en zorgelijk tegelijk. Geen enkele echte foto werd ten onrechte verdacht gemaakt. Dat telt, want een controle die eerlijke klanten wegjaagt, kan een kantoor zich niet veroorloven. Van de zes vervalsingen kregen er vijf een waarschuwing of minstens een concrete vraag.

De kookplaat ging er wel doorheen. De beoordelaar zag op de fles olijfolie de tekst "GLUF GLIE" staan, maar schoof dat af op de lage beeldkwaliteit. De barst zelf vond hij natuurlijk ogen, met vertakkingen en kleine splinters bij de ring. Juist daar zit het geld, want een nieuwe inductieplaat met ingebouwde afzuiging kost al snel 2.000 tot 4.000 euro.

Elf foto's en één middag werk zijn te weinig om harde percentages aan te hangen. Toch zie ik een duidelijk patroon. De AI vindt fouten in tekst en cijfers, maar heeft moeite met schade die in een verder echte foto is gezet.

Hoe herken je een AI-bewerkte bon of schadefoto?

AI-vervalsingen rekenen netjes en spellen slordig. Op al mijn nepdocumenten klopte de rekensom: 25 euro met 4,34 euro btw, en een tandartstotaal van 107,80 euro. De fouten zaten in de tekst eromheen. Op de tablet staat "ChatGFT" in plaats van ChatGPT, en de klok sprong van 13:10 naar 13:50. Op de tandartsrekening staan woorden als "Teeslag" en "Makon", een behandeldatum in 2028 en een praktijknummer dat bovenaan anders is dan onderaan.

De wasstraatbon is het lastigste voorbeeld. Daar stond "Bennummer" in plaats van "Bonnummer", en dat zag de blinde beoordelaar niet. Hij vond wel dat het bonnummer bovenaan, 565962, verschilt van het nummer boven de QR-code, 505962. Toch bleef zijn oordeel twijfel, omdat de btw klopte.

Je kan dit soort fouten dus laten zoeken, door een mens of door AI. Reken er alleen niet op dat het zo blijft. Ik verwacht dat de volgende versies van deze beeldmodellen minder tekstfouten maken. De aanwijzing die vandaag werkt, kan over een half jaar verdwenen zijn.

Wat wel blijft werken, is controle buiten de foto. Alle zes AI-beoordelaars kwamen daar zelf ook op uit. Bel de wasstraat met het bonnummer en de autorisatiecode, en vraag op welke dag en voor welk bedrag die transactie was. Leg de bon naast het bankafschrift. Vraag bij schade aan een auto of kookplaat een tweede foto vanuit een andere hoek, of een korte video. Bij grotere bedragen laat je iemand gaan kijken. Een vervalser kan een foto aanpassen, maar het kassasysteem van de wasstraat en de administratie van zijn bank kan hij niet veranderen.

Wat verandert de AI Act op 2 december voor schadebehandelaars?

Op 2 december 2026 moeten aanbieders van AI-systemen die al op de markt waren, hun AI-beelden machineleesbaar markeren. Dat staat in artikel 50, lid 2 van de EU AI Act. Door de uitstelregeling die de EU dit voorjaar afsprak, de Digital Omnibus, schoof die datum vier maanden op. Het watermerk dat ik vandaag testte, is precies het soort markering dat de wet vraagt.

De wet regelt daarmee de markering op het beeld. Hij regelt niet wat een schadebehandelaar doet als die markering ontbreekt, is weggehaald of tot twijfel leidt. Ik verwacht dat er na 2 december verzekeraars zijn die "geen watermerk gevonden" lezen als "echt". Mijn test laat zien hoe riskant dat is.

Dit raakt niet alleen verzekeraars. Het Amerikaanse bedrijf AppZen, dat declaraties van werknemers controleert, zag het aandeel AI-gemaakte bonnen onder de nepbonnen die het ontdekte, stijgen van 0 procent in maart 2025 naar 70,8 procent in mei 2026, volgens PYMNTS. Zo'n AI-bon was gemiddeld ongeveer 100 dollar waard, klein genoeg om onder de grens te blijven waaronder de meeste bedrijven een declaratie automatisch goedkeuren. Een ondernemer die declaraties van medewerkers goedkeurt, heeft dus hetzelfde probleem als een schadeafdeling, alleen met kleinere bedragen.

In Nederland stelden verzekeraars in 2024 ruim 9.000 keer fraude vast, volgens het Verbond van Verzekeraars. Hoe groot het deel met AI-bewerkte bewijsstukken is, weet het Verbond niet, zo zei een woordvoerder tegen de NOS. Dat verbaast me niet. Je telt alleen de fraude die je vindt, en een goede vervalsing vind je niet als je alleen naar de foto kijkt.

Wat moet je schadeafdeling maandag anders doen?

Ik zou op vier punten beginnen, en geen daarvan kost een nieuw systeem.

1. Gebruik de detector als signaal voor nader onderzoek

Laat foto's door de SynthID Detector of een vergelijkbare tool gaan, maar leg vast wat je doet bij elke uitslag. "Detected" betekent nader onderzoek. "Unsure" betekent ook nader onderzoek. "Not detected" betekent alleen dat er geen watermerk van een partner is gevonden.

2. Laat AI tekst en cijfers controleren

Een AI-model kan in een paar seconden zien of een bonnummer twee keer anders staat, of een datum niet klopt en of woorden verhaspeld zijn. Mijn blinde test gaf geen enkel vals alarm op echte foto's. Ik heb zelf een Factuur AI-scanner gebouwd die precies dit doet, zodat je kan zien hoe zo'n eerste controle werkt.

3. Leg de controle buiten de foto

Bel bij twijfel de winkel, de garage of de praktijk met het bonnummer of de autorisatiecode. Laat de klant de betaling ook in zijn bankapp zien. Zo'n telefoontje kost een paar minuten per dossier, en de administratie van de winkel kan een vervalser niet met een beeldmodel aanpassen.

4. Vraag bij schadefoto's om een tweede opname

Juist de spiegel en de kookplaat, waar alleen de schade nep was, kwamen het makkelijkst door de controle. Vraag bij elke schadefoto boven een bedrag dat je zelf kiest om een tweede foto vanuit een andere hoek of een korte video. Een AI kan één overtuigende foto maken, maar ik verwacht dat een video van dezelfde schade vanuit drie kanten voorlopig veel lastiger te vervalsen is.

Mijn vervalsingen kostten me samen minder dan twintig euro en tien minuten. De controle die ze tegenhoudt, kost een telefoontje. Een schadeafdeling die dat telefoontje overslaat omdat er een detector is, laat de uitkomst over aan de fraudeur, die de detector zelf ook heeft getest.