Nederlandse journalistiek in AI-antwoorden, met bron en licentie

Wie een assistent iets vraagt over de wooncrisis, over stikstof of over een lokale bestuurscrisis, krijgt een antwoord dat klinkt alsof het ergens op gebaseerd is. Vaak is dat een vaag gemiddelde van wat het model tijdens de training tegenkwam: zonder datum, zonder titel, zonder de journalist die het uitzocht. Wat er wel over geschreven is, staat achter een paywall of eenvoudigweg buiten het bereik van het model.

Dat is een probleem in twee richtingen. De lezer krijgt een antwoord dat niet controleerbaar is. De uitgever levert de grondstof en ziet er niets van terug: geen verkeer, geen naamsvermelding, geen inzicht in wat er met het werk gebeurt.

De inzet is niet dat AI ophoudt journalistiek te gebruiken. De inzet is dat het gebeurt met bronvermelding, onder voorwaarden die de uitgever zelf stelt, en meetbaar.

Very Disco is een publieke zoekdienst over journalistiek van partneruitgevers: zelfstandige titels en auteurs die onder een gedeelde afspraak meedoen. De dienst indexeert hun artikelen en levert op een vraag een korte selectiesnippet, de attributie, de licentievoorwaarden en een deeplink naar het origineel bij de uitgever.

Wat het niet is: een archief dat teksten herpubliceert. De volledige tekst gaat niet mee in het antwoord. De artikelen blijven van de uitgevers en van de auteurs, en de dienst claimt geen enkel recht op dat werk. De provenance-laag registreert de rechten van de uitgever, ze vestigt er geen nieuwe.

Toegang loopt via het Model Context Protocol (MCP), de open standaard waarmee een assistent externe bronnen mag raadplegen. Een lezer koppelt de bron eenmalig in zijn eigen app; daarna kan de assistent zoeken in de aangesloten journalistiek. Hoe dat koppelen gaat, staat stap voor stap op de landingspagina.

De pijplijn is opzettelijk saai en herhaalbaar. Elke stap kan opnieuw, zonder dat het vorige werk verloren gaat.

1. 1.

   Ophalen. De artikelen komen uit de WordPress-API van de uitgever zelf, incrementeel op wijzigingsdatum. Partnersites worden anoniem en met een herkenbare user-agent gelezen, zoals een nette crawler hoort te doen.

2. 2.

   Ankeren. Elk artikel krijgt een ISCC-code (ISO 24138), berekend uit de tekst zelf. Dezelfde tekst geeft altijd dezelfde code. Dat anker verbindt het artikel later aan zijn licentie en aan de gebruiksregistratie.

3. 3.

   Verrijken. Een open-weight taalmodel maakt een samenvatting, een contenttype, onderwerpen en genoemde namen. Dat is metadata over het artikel, geschreven door een model; de journalistiek zelf blijft van de auteur.

4. 4.

   Doorzoekbaar maken. Titel, samenvatting en onderwerpen worden omgezet in een vector en opgeslagen in Postgres met pgvector. Zoeken gebeurt op betekenis, niet op exacte woorden, en werkt daardoor ook als de lezer andere woorden gebruikt dan de journalist.

5. 5.

   Uitleveren. Een MCP-server geeft de assistent drie dingen: zoeken, een artikel opvragen, en het loggen van de letterlijke vraag. Elk antwoord bevat de attributie, de licentie en de bronlink.

Een licentie die alleen in een PDF staat, bestaat niet voor een machine. Daarom hangt aan elk artikel een set verklaringen die een assistent kan lezen, allemaal gebonden aan de ISCC van dat artikel.

• De afspraak zelf. Er is een gedeelde partnerovereenkomst. De auteur houdt het auteursrecht; de licentievoorwaarden beschrijven wat een assistent met het werk mag doen. Standaard blijft dat beperkt: een snippet met bronvermelding, geen herpublicatie.
• RSL. Die voorwaarden staan in machineleesbare vorm bij het artikel, zodat een afnemer niet hoeft te gokken wat mag.
• FAIA. Een verklaring over het AI-gebruik in het artikel zelf. De verklaring zegt expliciet dat de journalist het stuk schreef en dat alleen de metadata met AI-hulp tot stand kwam. Dat onderscheid is het hele punt: transparant zijn over waar het model wel en niet aan te pas kwam.
• CommonsDB. Registratie van de rechthebbende, met de uitgever als rechthebbende, niet Very Disco.

FAIA, CommonsDB en de gebruikstelemetrie zijn jonge specificaties die nog veranderen. Ze zitten elk achter een dunne adapter, zodat een wijziging in een standaard één module raakt en niet de hele pijplijn.

Attributie is geen voetnoot achteraf maar onderdeel van elk antwoord dat de dienst teruggeeft. Bij elk artikel gaat mee: wie het publiceerde, wie het schreef als de uitgever dat wil, onder welke licentie het valt, en de link naar het origineel.

De naamsvermelding gaat naar de oorspronkelijke uitgever en de auteur. Nooit naar Very Disco.

Uitgevers verschillen in wat ze willen: de een wil de byline in beeld, de ander alleen de titel. De vermelding wordt daarom per uitgever opgebouwd uit een eigen sjabloon, met een nette terugval als er geen auteur bekend is.

De gebruikscijfers zijn precies zo sterk als wat er echt gemeten is, en niet sterker. De belangrijkste term in het dashboard is content grounded, en die betekent één ding:

Content grounded betekent dat een artikel in de context van een antwoord zat. Het bewijst niet dat het vertoond, geciteerd, aangeklikt of inhoudelijk gebruikt is.

Wat wel vastligt: de letterlijke vraag van de lezer, welke artikelen bij die vraag werden opgehaald, of er niets gevonden werd, en of een uitgegeven link daadwerkelijk is aangeklikt. Wat een assistent vervolgens met een artikel doet, gebeurt buiten ons zicht. Dat kunnen we niet meten, dus beweren we het niet.

Dezelfde voorzichtigheid geldt voor de koppeling tussen vragen en artikelen. Die loopt via de sessie waarin beide voorkwamen. Het klopt dus als “deze vragen speelden in gesprekken waarin dit stuk werd gebruikt”, en niet als “dit stuk beantwoordde deze vraag”.

Een aangesloten uitgever ziet zijn eigen cijfers en alleen die: hoe vaak eigen stukken een antwoord onderbouwden, waarop ze gevonden worden, en of lezers doorklikten. De cijfers van een andere titel zijn niet zichtbaar.

Het bruikbaarste signaal komt uit de vragen die niets opleverden. Elke zoekopdracht zonder treffer is een onderwerp waar een lezer naar zocht en waar niemand over publiceerde. Ontdubbeld en gerangschikt op vraag is dat een lijst met verhaalideeën, met een indicatie of het onderwerp bij de eigen beat past.

Een uitgever bepaalt zelf wat er geïndexeerd mag worden en kan dat weer intrekken. Stoppen betekent stoppen: uit de index, uit de antwoorden.

Wat nog niet af is, staat hier, want een whitepaper die alleen successen meldt is een brochure.

• De publieke MCP is nog niet open. Het adres verschijnt op de landingspagina zodra dat wel zo is. De koppelstappen veranderen daar niet door.
• Het corpus is niet volledig doorzoekbaar in de app. De analytics-API kent geen endpoint dat het hele corpus uitlevert, dus het overzicht toont de artikelen die de MCP daadwerkelijk gebruikte, niet het volledige archief.
• Periodevergelijking is niet altijd beschikbaar. Of de API een gekozen venster respecteert, wordt per keer gecontroleerd aan de hand van wat de API terugmeldt. Doet ze dat niet, dan verdwijnen de vergelijkingen in plaats van dat er een trend wordt gesuggereerd die niet gemeten is.
• De standaarden bewegen nog. ISCC is een ISO-norm, maar FAIA, CommonsDB en de telemetrie zijn dat niet. Vandaar de adapters.
• Rechtenregistratie is geen handhaving. Machineleesbare voorwaarden maken duidelijk wat mag. Ze dwingen niets af bij een partij die zich er niet aan houdt.

Alle verwerking gebeurt in Europa. De taalmodellen en de embeddings lopen via een Franse aanbieder met open-weight modellen, niet via een Amerikaanse cloud, en de database staat in dezelfde regio. Dat is een bewuste keuze: een dienst die de zelfstandigheid van Nederlandse journalistiek wil versterken, kan die niet ophangen aan een leverancier die er morgen anders over denkt.

De onderdelen zijn open source en zelf te hosten. Een uitgever die het niet vertrouwt, kan het nabouwen. Dat is de bedoeling, niet de nooduitgang.

Actuele cijfers over gebruik en corpus staan op de landingspagina. Of alles op dit moment werkt, staat op de statuspagina.