GPT-5.5 vs Claude 4.6 vs Gemini 3.1: Welke AI in 2026 is het moeilijkst te detecteren?

Tegen mei 2026 domineren drie toonaangevende AI-modellen professioneel en academisch schrijven: OpenAI's GPT-5.5, Anthropic's Claude 4.6 en Google's Gemini 3.1. Elk model wordt geleverd met marketingclaims over hoe menselijk de output aanvoelt. Elk model wordt miljoenen keren per dag gebruikt voor het soort schrijfwerk dat terechtkomt in essays, rapporten en contentbibliotheken. En elk model laat een andere statistische vingerafdruk achter die detectietools kunnen — of soms niet kunnen — vangen.

We hebben 600 nieuwe samples van de drie modellen getest en elk door dezelfde multi-model ensemble-detector gehaald. De resultaten zetten een paar veelvoorkomende aannames op hun kop over welk model het moeilijkst te detecteren is — en verduidelijken waarom het antwoord in 2026 belangrijker is dan in enig voorgaand jaar.

Hoe we hebben getest

We hebben 200 outputs per model gegenereerd — elk 50 voor academische essays, marketingteksten, technische handleidingen en creatieve fictie. Elke generatie gebruikte een standaard systeemprompt zonder instructies om detectie te omzeilen. Vervolgens hebben we voor elk model adversariële varianten gemaakt: een versie bewerkt met een humanizer en een licht bewerkte versie (15–20% van de woorden handmatig herschreven). Totaal: 600 baselinesamples, 1.200 adversariëlesamples.

Elk sample is geëvalueerd door Plagly.ai's Agentic Council-ensemble (perplexity, burstiness, stylometry, fingerprint, discourse) and gecontroleerd met de nieuwste classifier van een grote commerciële single-model detector. De onderstaande resultaten tonen het detectiepercentage van Plagly.

Belangrijkste resultaten: Onbewerkte output

Bij standaarduitvoer zonder adversarieel bewerken liggen de drie modellen verrassend dicht bij elkaar — maar de kleine verschillen zijn veelzeggend.

Detectienauwkeurigheid op onbewerkte output

GPT-5.5 (onbewerkt): 94% gedetecteerd. Claude 4.6 (onbewerkt): 88% gedetecteerd. Gemini 3.1 (onbewerkt): 92% gedetecteerd. Bij standaardoutput zonder adversariële prompting worden ze alle drie betrouwbaar gedetecteerd door ensemble-tools — maar het verschil tussen Claude 4.6 en de andere modellen is reëel.

Waarom Claude 4.6 leidt in onzichtbaarheid

Claude 4.6 is getraind met een sterke focus op registervariatie en een menselijk prozaritme. Het model varieert de zinsstructuur agressiever dan zijn concurrenten, gebruikt minder formele overgangen en toont een oprechtere toewijding aan een standpunt in betogende teksten. Het resultaat is tekst die dichter bij menselijk proza scoort op de assen van perplexity en burstiness die single-model detectors benadrukken.

Waarom GPT-5.5 het gemakkelijkst te herkennen is

Hoewel GPT-5.5 het sterkst is geoptimaliseerd voor vloeiendheid, behoudt het de sterkste top-down structurele patronen van de drie. De training legde de nadruk op betrouwbaarheid en balans, wat een herkenbare opbouw van argumenten oplevert: inleiden, meerdere perspectieven presenteren, concluderen met een afgewogen synthese. Detectors die discours op alinea- en documentniveau modelleren pikken dit consistent op, zelfs wanneer oppervlakkige kenmerken op zinsniveau passeren.

Waar de modellen verschillen: Uitsplitsing per kenmerk

De hoofdcijfers voor nauwkeurigheid verbergen grotere verschillen in welke kenmerken detectie activeren. Het bekijken van scores per classifier vertelt een nuttiger verhaal.

Discourssignalen

GPT-5.5 heeft de sterkste discoursvingerafdruk van de drie. De voorkeur voor uitgebalanceerde argumenten, het overmatige gebruik van bepaalde overgangsfrasen en de neiging om vooraf al samenvattingen te geven, maken het de gemakkelijkste van de drie toonaangevende modellen om op alineaniveau te herkennen — zelfs wanneer afzonderlijke zinnen de single-model detectors passeren.

Stylometrische signalen

Gemini 3.1 loopt voorop als het gaat om stylometrische kenmerken. De output vertoont kenmerkende patronen in bijwoordfrequentie, lijdende vormconstructies en ritme op zinsdeelniveau. Deze kenmerken zijn diep verankerd in de manier waarop Google's trainingsgegevens zijn samengesteld en zijn moeilijk te onderdrukken voor het model zonder verlies van vloeiendheid.

Perplexitysignalen

Claude 4.6 heeft het schoonste perplexity-profiel — de output ligt het dichtst bij door mensen geschreven baselines. Dit is wat het voor single-model perplexitydetectors het moeilijkst maakt om te vangen. Maar Claude 4.6 heeft nog steeds meetbare vingerafdruk- en discourskenmerken, en daarom behouden ensemble-detectors hun nauwkeurigheid hierop waar eenvoudigere tools falen.

Adversariële omstandigheden: Wanneer het moeilijker wordt

Het grotere verschil tussen modellen blijkt onder adversariële omstandigheden. Na het uitvoeren van de output van elk model door een humanizer, hertestten we:

• GPT-5.5 + humanizer: 72% gedetecteerd.
• Claude 4.6 + humanizer: 64% gedetecteerd.
• Gemini 3.1 + humanizer: 70% gedetecteerd.

De voorsprong van Claude 4.6 onder onbewerkte omstandigheden wordt nog groter zodra er een humanizer in het spel komt — maar zelfs in de meest adversariële setting wordt het merendeel van de output van Claude 4.6 nog steeds gemarkeerd. Het idee dat een van deze modellen betrouwbaar moderne ensemble-detectors kan omzeilen, wordt niet ondersteund door de gegevens.

Waarom dit belangrijk is in 2026

De modeloorlogen versnelden in het najaar van 2025 en 2026, waarbij OpenAI GPT-5.5 lanceerde om Claude's stealth-voordeel te overtreffen, Anthropic reageerde met de proza-ritme verbeteringen van Claude 4.6, en Google Gemini 3.1 pustte om het vloeiendheidskloof te dichten.

Single-model detectors zijn steeds onbetrouwbaarder

Bij alle drie de modellen zijn single-classifier detectors het meest kwetsbaar. Een tool die alleen perplexity meet en die goed werkte op GPT-3.5, categoriseert de output van Claude 4.6 nu in 50–60% van de gevallen verkeerd. Een tool die alleen burstiness meet, faalt op vergelijkbare wijze. Multi-model ensembles behouden hun nauwkeurigheid omdat geen enkel model al het werk alleen hoeft te doen.

Continu hertrainen is belangrijker dan welk afzonderlijk algoritme dan ook

Plagly.ai's Agentic Council traint zijn vingerafdrukmodule continu opnieuw op basis van nieuwe output van elk belangrijk toonaangevend model. De detectienauwkeurigheid op Claude 4.6 is sinds de lancering met ongeveer zes procentpunten gestegen naarmate de stilistische patronen van het model beter vertegenwoordigd raakten in de trainingsgegevens — een patroon dat zich bij elke nieuwe modelrelease herhaalt.

Wat volgt: Claude 5, GPT-6, Gemini 4

Alle drie de labs hebben publiekelijk opeenvolgende releases aangekondigd in de loop van 2026 en 2027. Op basis van de cyclus van GPT-5.5/Claude 4.6/Gemini 3.1 is dit wat we kunnen verwachten: opnieuw een tijdelijke daling van de detectienauwkeurigheid bij alle tools bij elke grote release, sneller herstel voor ensemble-producten, en een aanhoudend groter wordende kloof tussen moderne multi-model detectors en verouderde single-classifier producten.

De wapenwedloop op de langere termijn is in het voordeel van detectie — in lichte mate. Elke generatie LLM vermindert oppervlakkige stilistische kenmerken, maar kan de diepere structurele patronen niet gemakkelijk elimineren die voortkomen uit het getraind zijn als een next-token voorspeller op internetgegevens. Die patronen zijn wat goed ontworpen detectors leren lezen, en dat is de laag die modelupdates overleeft.

De conclusie

Claude 4.6 is momenteel het moeilijkst te detecteren van de drie toonaangevende modellen — maar slechts met een paar procentpunten, en alleen bij vergelijking met single-model detectors. Multi-model ensembles markeren nog steeds het merendeel van de output van alle drie de modellen, en de kloof wordt kleiner bij elke ronde van hertraining van de detector. De juiste vraag voor 2026 is niet “welk model kan ik gebruiken om detectie te omzeilen?” maar “welke detector kan ik vertrouwen om een nauwkeurige meting te krijgen?” Het antwoord op die vraag — ensemble, multi-model, continu hertraind — is nog nooit zo duidelijk geweest.