Elf woorden in een jaarverslag kunnen nu effectenfraude zijn

De eerste keer dat ik AI-washing echt begreep, staarde ik naar één enkele alinea in het jaarverslag van een bedrijf. Elf woorden, zoiets als "ons AI-gestuurde platform analyseert risico's in realtime." Een heldere, zelfverzekerde zin. Het soort regel dat een marketingteam in vijf minuten schrijft en een CEO zonder met de ogen te knipperen goedkeurt.

Toen vroeg ik de ingenieurs welk model die analyse had geproduceerd, op welke data het draaide, en waar in de beslisstroom het daadwerkelijk in werking trad. Het werd stil in de kamer. Niet omdat ze iets verborgen. Maar omdat niemand die zin ooit met een systeem had verbonden. De bewering leefde in de deponering. Het systeem leefde in productie. En er zat niets tussenin — geen document, geen kaart, geen bewijs — dat de twee met elkaar verbond.

Die kloof is het hele verhaal. AI-washing is geen verhaal over slechte AI. Het is een verhaal over de afstand tussen wat je zei dat je AI doet en wat je AI werkelijk doet — en of je die afstand op verzoek kunt overbruggen. De SEC, de FTC en procureurs-generaal van staten hebben allemaal doorgekregen dat deze kloof de plek is waar de zaken zitten. Ik heb Veriprajna's praktijk voor AI-verificatie en anti-AI-washing opgebouwd omdat ik steeds bedrijven de kloof zag ontdekken pas nadat de brief van de onderzoeker was aangekomen.

De dag waarop "werkt jouw AI" niet langer de vraag was

Ik kwam hierbij vanuit werk in de handhaving van effectenwetgeving, de onglamoureuze kant — het samenstellen van de ordners die bedrijven aan een onderzoeker overhandigen wanneer de brief met het documentverzoek opduikt. Dus ik las elke AI-washing-zaak zoals ik een oude fraudezaak las: wat zeiden ze, wat deden ze, en wat was het daglicht tussen die twee.

Het patroon is meedogenloos consistent. Delphia en Global Predictions, de eerste twee AI-washing-schikkingen terug in maart 2024, betaalden samen $400.000 niet omdat hun AI slecht was, maar omdat Delphia beweerde te beleggen met machine learning die het nooit daadwerkelijk had geïntegreerd. De data waarover ze opschepten dat ze die aan het model voerden? Die bereikte het model nooit.

Dan Presto Automation, januari 2025 — de eerste AI-washing-zaak tegen een beursgenoteerd bedrijf. Presto's spraak-AI voor de drive-thru werd op de markt gebracht als het uitschakelen van menselijke orderopname. De SEC constateerde dat meer dan 70% van de orders nog steeds een mens vereiste, en op sommige locaties was dat 100%. Het systeem was echt. Het deed alleen niet wat de marketing zei dat het deed.

En dan Nate. In april 2025 dienden de SEC en het DOJ parallelle acties in tegen de oprichter van Nate Inc., die meer dan $42 miljoen had opgehaald op de belofte van een door AI aangedreven winkel-app. Het werkelijke automatiseringspercentage was, in de woorden van de SEC, in wezen nul — honderden aannemers in de Filipijnen voltooiden handmatig de aankopen die de AI zou moeten afhandelen. De aanklachten van het DOJ kunnen oplopen tot 20 jaar. Dat is de zaak waaraan ik denk wanneer iemand me vertelt dat AI-washing een voetnoot in marketingopenbaarmaking is. Er was een persbericht met de naam van een oprichter erop en een strafrechtelijke fraudeaanklacht eronder.

Elke van deze zaken draait om hetzelfde daglicht: wat de deponering beloofde, en wat het systeem in productie werkelijk deed.

In februari 2025 maakte de SEC het structureel: het richtte een toegewijde Cybersecurity and Emerging Technologies Unit op binnen de Division of Enforcement. En haar onderzoeksprioriteiten voor 2026 zeggen het onomwonden — onderzoekers zullen "de nauwkeurigheid beoordelen van beweringen van registranten over hun AI-capaciteiten." Die zin is een brief met een documentverzoek die op verzending wacht.

Drie instanties, één zet

Wat me verraste, toen ik dit eenmaal begon in kaart te brengen, was hoe weinig de handhavingstheorie varieert tussen instanties. Ze spelen allemaal hetzelfde spel: zet de bewering naast de werkelijkheid, en vraag dan om het bewijs.

De FTC benaderde het via Section 5 van de FTC Act — oneerlijke of misleidende praktijken — onder een campagne die het Operation AI Comply noemde, gelanceerd in september 2024. DoNotPay, de zelfbenoemde "eerste robotadvocaat ter wereld," trof een schikking over beweringen die het niet kon onderbouwen. Workado adverteerde een AI-detectietool als 98% nauwkeurig; de eigen tests van de FTC zetten de nauwkeurigheid in de echte wereld rond de 53%. Ongeveer een muntworp, verkocht als bijna-zekerheid. Het detail dat elke general counsel zou moeten beangstigen is de instrumentaliteitstheorie van de FTC: aansprakelijkheid loopt door de keten heen, van de ontwikkelaar van het basismodel naar de onderneming die het inzet naar de eindgebruiker. Als je het nauwkeurigheidscijfer van een leverancier herhaalt in je eigen materiaal, behandelt de FTC het als jouw bewering — niet die van de leverancier.

Ik kan dat ene punt niet genoeg benadrukken, want het is de valkuil waar ik slimme bedrijven in zie lopen. Je licentieert een model van een derde partij, je kopieert de benchmark van de leverancier naar je 10-K of je investeerdersdeck, en je gaat ervan uit dat de leverancier dat cijfer bezit. Dat doen ze niet. Op het moment dat het in je deponering verschijnt, is het jouw bewering, en "onze leverancier heeft ons dat verteld" is geen onafhankelijke onderbouwing.

De staten stapelden er hun eigen instrumenten bovenop. De AI-metgezelwet van New York draagt boetes tot $15.000 per dag per overtreding. Colorado's AI Act, van kracht op 30 juni 2026, eist impactbeoordelingen, consumentenkennisgeving en redelijke zorg voor hoogrisicosystemen, tegen $20.000 per overtreding. De Responsible AI Governance Act van Texas, live sinds 1 januari 2026, geeft de procureur-generaal brede civiel-onderzoeksbevoegdheid op basis van één enkele klacht — één consumentenbrief en het documentverzoek ligt op je bureau. En toen de federale overheid het idee opperde om AI-wetten van staten te preëmpteren, stelde een tweepartijencoalitie van 36 procureurs-generaal van staten zich ertegen op. Wat de rechtbanken uiteindelijk ook beslissen, de handhavers wachten niet.

Zelfs de private advocatuur deed mee. De Stanford Securities Class Action Clearinghouse telde 53 AI-gerelateerde effectenclaims in de eerste helft van 2025, met een mediane schikking van $11,5 miljoen. Eén daarvan, Tucker v. Apple, ingediend in juni 2025, beweert dat Apple's WWDC-beloften over Apple Intelligence beleggers ertoe bewogen in te stappen op functies waarvan de aanklacht zegt dat ze geen functioneel prototype hadden. Een keynote-dia werd Bewijsstuk A.

Waarom redt "we hebben een AI-governancebeleid" je niet?

Hier is het deel waar ik het vroeg mis had, en het kostte me een paar maanden aan het bouwen van het verkeerde ding.

Toen ik hier voor het eerst voor begon te ontwerpen, nam ik aan dat het antwoord governance was — de categorie die platforms zoals Credo AI, IBM's watsonx.governance, Holistic AI, OneTrust en Fiddler al goed bedienen. We bouwden richting een governancehouding: beleid, een AI-inventaris, dashboards, toezichtsworkflows. Ik demonstreerde een vroege versie aan een compliance officer bij een middelgroot bedrijf en had er een goed gevoel over. Ze liet me afronden en stelde toen de enige vraag die ertoe deed: wanneer een onderzoeker het bewijs eiste dat één specifieke bewering waar was, welke knop moest ze dan indrukken?

Er was geen knop. Er was geen document. Wat ik had gebouwd vertelde haar dat ze haar systemen zou moeten documenteren. Het bevatte de documentatie niet. Ik had iets gebouwd dat naar de kloof wees in plaats van die te vullen. Dat was het falen dat het hele bedrijf voor mij opnieuw kaderde.

Governance vertelt je dat je je AI zou moeten documenteren. Onderbouwing ís de documentatie — getest, gedateerd en klaar voor een onderzoeker die het koud leest.

De governanceplatforms zijn goed in wat ze doen. Ze monitoren, ze inventariseren, ze handhaven beleid. Maar er is een laag daaronder die vrijwel niemand bouwt: de daadwerkelijke bewijsketen die een SEC-onderzoeker of een procureur-generaal van een staat wil zien. Dat is de kloof waaromheen ik de praktijk opnieuw heb opgebouwd.

Wat vraagt een onderzoeker je eigenlijk te produceren?

Toen ik ging zitten om te definiëren wat we zouden leveren, begon ik niet vanuit een productspecificatie. Ik begon vanuit de "gelieve te produceren"-lijst — het letterlijke documentverzoek dat een handhavingsbrief bevat — en werkte achterstevoren. Een verdedigbaar onderbouwingspakket, het ding dat we nu bouwen, heeft een paar dragende onderdelen.

Het begint met een claim-naar-systeem-kaart: elke publieke AI-bewering — uit de 10-K, de website, de persberichten, het pitchdeck — gekoppeld aan het specifieke model, de datapijplijn en het beslispunt dat het levert. Wanneer een deponering zegt "AI-gestuurde risicoanalyse," benoemt de kaart welk model, welke data, welke beslissing. Dit is het artefact dat Delphia gered zou hebben, want het dwingt de vraag "is deze bewering daadwerkelijk aan een systeem gekoppeld?" af voordat een toezichthouder ernaar vraagt.

Dan een technische bewijsbundel — architectuur, trainingsmethodologie en prestatiebenchmarks gemeten tegen precies de metriek die je hebt geclaimd. Getest, niet theoretisch. Als je materiaal een cijfer noemt, toont de bundel de test die het produceerde onder een methodologie uit de echte wereld, niet een uitgezochte demo. Workado is de waarschuwing: 98% in de brochure, 53% onder test.

Dan operationele validatie, en dat is waar Presto stierf. Het systeem bestond. Wat ontbrak was het bewijs dat de AI de beslissingen die de marketing beschreef daadwerkelijk aandreef, in plaats van naast mensen te draaien die het echte werk deden. Operationele werkelijkheid bewijzen is moeilijker dan bewijzen dat een model bestaat, en het is precies wat onderzoekers nu onderzoeken.

Onder dat alles ligt een AIBOM — een AI Bill of Materials, een machineleesbare inventaris van elk onderdeel: herkomst van trainingsdata, modelversies, afhankelijkheden van derden, infrastructuur. De standaarden bestaan eindelijk om dit goed te doen; SPDX 3.0 voegde in oktober 2024 een AI-profiel toe en CycloneDX 1.6 ondersteunt machine-learning bills of materials, waarbij het OWASP AIBOM-project de tooling vooruit stuwt. De eerlijke waarheid is dat de meeste bedrijven dit vandaag de dag nog steeds bijhouden in een spreadsheet die verouderd raakt op het moment dat een model opnieuw wordt getraind. Ik heb modelkaarten geopend met een versienummer dat twee hertrainingscycli achterhaald was — documentatie die een systeem beschrijft dat niet langer bestaat. Een AIBOM die met de pijplijn meewerkt, is het verschil tussen een momentopname en een levend register.

En ten slotte bewijs van continue monitoring — resultaten van driftdetectie, geautomatiseerde testlogs, het doorlopende bewijs dat de bewering waar bleef na de lancering. Een onderbouwingspakket is geen eenmalige bundel die je indient en vergeet. Het is een register dat blijft ademen, want je model blijft veranderen en je deponering niet.

De hallucinatierekening die niemand op de balans zet

Er is een tweede front aan dit alles, en het is degene die me voorbij effectendeponeringen naar de inhoud zelf trok.

Een bewering is niet alleen iets wat je over je AI zegt in een openbaarmaking. Het is ook elke output die je AI genereert en waar jij je naam onder zet — het rapport, de analyse, de samenvatting voor de klant. En die outputs hallucineren. Stanford's RegLab ontdekte dat grote taalmodellen op specifieke juridische vragen ergens tussen de 69% en 88% van de tijd hallucineren. Er zijn nu meer dan 600 gedocumenteerde gevallen van AI-hallucinaties die opduiken in gerechtelijke deponeringen, met meer dan 100 advocaten die erbij betrokken zijn en rechters die sancties opleggen van boven de $10.000.

De kosten voor ondernemingen zijn duizelingwekkend en vreemd genoeg onzichtbaar. Eén analyse zette de wereldwijde verliezen door AI-hallucinaties op $67,4 miljard in 2024, waarbij bedrijven ongeveer $14.200 per werknemer per jaar uitgeven alleen al aan mitigatie — de uren die mensen verspillen aan het factchecken van hun eigen tools. Wanneer bijna de helft van de zakelijke AI-gebruikers een belangrijke beslissing heeft genomen op basis van gehallucineerde inhoud, is "de AI genereerde het" geen verdediging. Het is de bekentenis.

Daarom hoort inhoudsverificatie in dezelfde praktijk thuis als het onderbouwen van beweringen: beide draaien om herkomst. Artikel 50 van de EU AI Act, van kracht in augustus 2026, vereist dat door AI gegenereerde inhoud machineleesbaar en als zodanig detecteerbaar is, met een gedragscode voor inhoudslabeling die ernaast arriveert. De C2PA-herkomststandaard — degene die de vlaggenschiptelefoons van Samsung en Google al native ondertekenen — wordt de infrastructuur voor het bewijzen waar een stuk inhoud vandaan komt. Als je AI een rapport produceerde en het blijkt later een verzinsel te bevatten, is het enige dat tussen jou en aansprakelijkheid staat een audittrail terug naar de bron. De meeste bedrijven hebben er geen.

Herkomst snijdt ook de andere kant op. Vijfenzestig procent van de bedrijven meldde een deepfake-incident in 2023, en de detectiemarkt raast van $5,5 miljard richting een geprojecteerde $15,7 miljard tegen 2026. Bewijzen dat je eigen inhoud echt is, wordt net zo urgent als bewijzen dat die van iemand anders nep is — en dezelfde C2PA-handtekening die de output van jouw AI authenticeert, is degene waarmee je een vervalsing die jouw merk draagt kunt verloochenen.

De vragen die ik krijg, en die welke ik wou dat ik kreeg

Mensen vragen me altijd of ISO 42001-certificering dit allemaal afhandelt. Het helpt — het is een echte, controleerbare standaard, en certificering door derden weegt zwaar bij besturen en inkoop. Maar het kost $90.000 tot $200.000-plus in het eerste jaar en het duurt het grootste deel van een jaar om op te zetten, en het certificeert dat je een managementsysteem hebt, niet dat een specifieke marketingbewering waar is. Certificering en onderbouwing zijn verschillende taken. Je kunt gecertificeerd zijn en nog steeds niet in staat om de vraag van de onderzoeker over één zin in je 10-K te beantwoorden.

De andere vraag, meestal van oprichters, is of dit alleen een probleem van grote bedrijven is. Nate haalde $42 miljoen op en de oprichter staat voor strafrechtelijke aanklachten. Delphia was geen begrip. De procureur-generaal van Texas kan een onderzoek openen op basis van één klacht. De omvang van het handhavingsrisico volgt de omvang van de bewering die je deed, niet de omvang van je bedrijf.

De vraag is niet langer of jouw AI werkt. Het is of je kunt bewijzen dat die doet wat je deponeringen zeggen dat die doet.

Als ik één idee zou kunnen planten bij elke general counsel en chief compliance officer die dit leest, is het dat de kloof tussen marketing en engineeringwerkelijkheid nu een juridische aansprakelijkheid is met een geldbedrag eraan — en het enige dat die dicht, is bewijs dat je hebt opgebouwd voordat iemand erom vroeg. Dat is de hele premisse van wat we bij Veriprajna bouwen: niet nog een dashboard dat je vertelt je AI te documenteren, maar het onderbouwingspakket zelf — de claim-naar-systeem-kaart, de bewijsbundel, de AIBOM, het herkomstspoor — samengesteld en getest voordat de brief met het documentverzoek arriveert.

Ik blijf terugkomen op dat jaarverslag. Elf woorden, gedeponeerd en vergeten, met niets erachter — geen kaart, geen bundel, geen log dat de zin met een systeem verbindt. Het model eronder werkte waarschijnlijk prima; de meeste doen dat. Wat ontbrak was het ene ding waar een SEC-onderzoeker, een FTC-onderzoeker en een advocaat van een eiser allemaal om vragen in dezelfde vlakke zin: laat het me zien. Schrijf de bewering die je kunt bewijzen, en bouw het bewijs voordat iemand erom vraagt.