Wanneer telt een AI-systeem als ontdekker?

U mag een AI-systeem pas als ontdekker aanmerken als u per fase kunt aantonen wat het systeem deed en wat mensen deden. Detectie is een aantoonbare bijdrage, maar pas na onafhankelijke validatie en menselijke interpretatie spreekt u van een voltooide ontdekking.

Een analyse van 28 september 2026 van de toewijzing van wetenschappelijke ontdekkingen aan AI-systemen stelt dat toeschrijving controleerbaar wordt zodra u het ontdekproces in identificeerbare fasen ontleedt en per fase noteert wie of wat de bijdrage leverde. De concrete casus is de identificatie van array-associated reverse transcriptases (ARTs) door Claude-agents in een AI-ondersteund biologieprogramma. In onze inschatting betekent dit voor u dat u alleen dan verantwoord kunt spreken van een AI-bijdrage aan onderzoek als u de stappen ernaartoe kunt inspecteren en de rol van menselijke validatie expliciet vastlegt.

Welke fasen van een ontdekking moet u onderscheiden?

Een ontdekking bestaat uit meer dan een plausibele kandidaat. Autonoom zoeken en een plausibele uitvoer produceren is niet hetzelfde als een wetenschappelijke ontdekking doen. U mag krediet geven voor patroonherkenning en kandidaatselectie, maar geen onbeperkt krediet voor een resultaat dat nog onafhankelijke, mensgeleide validatie mist.

De ART-vondst illustreert dit onderscheid. Claude-agents doorzochten ongeveer 210 miljoen tokens verdeeld over 200.000 sequenties van reverse transcriptases en detecteerden een combinatie van een reverse transcriptase, een aangrenzend partnergen en een repeat-array. Tegelijk verrichtten menselijke wetenschappers het laboratoriumwerk, en de functie van het systeem is nog in onderzoek. Beide feiten begrenzen wat u aan het model kunt toeschrijven.

Welke risico's ontstaan als u toeschrijving niet gefaseerd vastlegt?

• Onverifieerbare claims over AI-bijdrage — zonder vastgelegde stappen blijft een claim over de rol van het systeem oncontroleerbaar.
• Vermenging van detectie en validatie — patroonherkenning wordt verward met bevestigde ontdekking.
• Verlies van menselijke verantwoordelijkheid — wie de eindverantwoordelijkheid draagt, wordt onduidelijk.
• Ontoereikende basis voor herhaalbaarheid — volgende onderzoeksgroepen kunnen niet reconstrueren wat het model deed.
• Juridische onzekerheid — het Amerikaanse octrooibureau stelt dat alleen natuurlijke personen als uitvinder van een octrooi kunnen worden genoemd.

Hoe legt u AI-bijdrage aantoonbaar vast?

Wie AI-bijdragen aantoonbaar wil houden, moet detectie expliciet scheiden van validatie en interpretatie in de eigen registratie. Een werkbare set velden ziet er zo uit:

1. Registreer welk model en welke invoer u gebruikte — documenteer welk AI-systeem de detectie uitvoerde en welke gegevens u eraan voerde.
2. Leg vast wat het model opleverde — noteer de kandidaten die het systeem identificeerde, zonder interpretatie.
3. Scheidt u de menselijke beoordeling — documenteer welke kandidaten menselijke experts selecteerden en waarom.
4. Registreer het laboratoriumwerk en de resultaten — leg vast wie de validatie uitvoerde en wat daaruit volgt.
5. Noteer de eindinterpretatie — documenteer wie de bevindingen als ontdekking aanmerkt en op welke gronden.

Zo'n registratie maakt controleerbaar wat een model wel en niet deed, zonder dat gevoelige onderzoeksdata ongefilterd naar buiten hoeven. Dezelfde noodzaak van een aparte bewijslaag speelt bij menselijke controle bij AI-besluiten aantonen: zonder vastgelegde stappen blijft een claim over de rol van de mens onverifieerbaar.

Wat zeggen andere onderzoeksgroepen over gefaseerde toeschrijving?

De ART-casus staat niet op zichzelf. Een in 2026 gepubliceerde peer-reviewed publicatie beschrijft Co-Scientist als een multi-agent-opzet op basis van Gemini die nieuwe, toetsbare hypothesen genereert voor drug repurposing en onderzoek naar antimicrobiële resistentie. Die studie presenteert het systeem uitdrukkelijk als scientist-in-the-loop: menselijke experts stellen de doelen, beoordelen en selecteren hypothesen, en verrichten of superviseren de validatie. De publicatie vermeldt bovendien dat de validaties voorlopig zijn en verder preklinisch of klinisch onderzoek niet vervangen. Dat bevestigt het gefaseerde beeld: AI kan hypothesen aandragen en prioriteren, terwijl krediet ook menselijke doelbepaling, beoordeling en laboratoriumwerk moet meewegen.

Tooling kan u helpen, een registratieformat afdwingen en stappen documenteren. Wat tooling niet kan doen, is bepalen welke fase van uw onderzoek aan het model toebehoort en welke aan u. Die afweging blijft uw eigen professionele oordeel, en zij bepaalt of u later kunt aantonen wat u deed.