Waarom is dit belangrijk?
Een presentatie, een verslag of een campagne kan sneller een passend beeld krijgen dat de tekst ondersteunt, dankzij tekst-naar-beeld. Bij het beoordelen van nieuws vraagt dit extra aandacht, want met AI zijn foto’s te maken die niet van echt te onderscheiden zijn. Lezers en medewerkers moeten daarom nagaan of een beeld klopt, omdat een nepfoto een online bericht kan misleiden.
Zo werkt het in de praktijk
Onderzoekers van de Hacettepe-universiteit lieten tekst-naar-beeld platen maken voor anatomieonderwijs. ChatGPT, Microsoft Designer, Craiyon en Image FX tekenden de lever, de milt en de nier. De platen oogden netjes, maar veel anatomische details klopten niet.
Onderzoek toetst of het beeld past bij de geschreven opdracht. Teams gebruiken de Fréchet inception distance, een maat die gemaakte beelden met echte trainingsfoto’s vergelijkt. Die vergelijking laat zien hoe dicht een model bij echte beelden komt.
De AI-verordening koppelt tekst-naar-beeld aan een transparantieplicht. Aanbieders merken synthetische beelden zo dat software de AI-herkomst herkent. Wie een echt lijkend beeld deelt, moet dat zeggen; bij kunst mag de melding het kijken niet hinderen.




