Zo werkt hetFunctiesReviewsArtikelenFAQInloggenDownload de app

ArtikelenSchrijftools

Elke AI-tool herschrijft je concept. Geen enkele vertelt je hoe het overkomt.

Vier groepen tools en twaalf studies over wat er echt gebeurt als AI je bericht schrijft, en wat helpt in de vijftien seconden voor je verstuurt.

Door Samet Durgun · Medeoprichter van Subtext · 12 min leestijd

Ik heb een paar weken besteed aan het lezen van alles wat ik kon vinden over AI-tools die persoonlijke berichten herschrijven, deels omdat ik er zelf een bouw, en deels omdat ik wilde weten of wat ik erover geloof ook echt klopt.

Wat ik geloof is dit. Als je een lastig bericht aan een AI geeft, zit het nuttige moment niet in de gepolijste versie die je terugkrijgt. Het nuttige moment ligt dertig seconden eerder, wanneer iets je vertelt dat het bericht dat je al geschreven hebt verkeerd gaat vallen, en waarom.

Dus ging ik op zoek naar een tool die dat doet. Die vond ik nergens in de winkel, en dat is de korte versie van waarom we uiteindelijk Subtext hebben gebouwd. Reken me dus maar bevooroordeeld, en check de papers zelf. Daarna ging ik op zoek naar het onderzoek naar wat er echt gebeurt als mensen AI hun persoonlijke berichten laten schrijven, en dat bleek een stuk interessanter dan de producten.

Wat volgt is wat ik vond, met overal een link erbij zodat je het zelf kunt nakijken.

Elk product in deze categorie doet precies hetzelfde ene ding

Sorteer je deze tools op wat ze echt doen in plaats van op het aantal downloads, dan vallen ze uiteen in vier groepen, en die vier komen allemaal op hetzelfde punt uit.

Groep één: de tools die al op je telefoon staan. Apple Intelligence Writing Tools1 draaien systeembreed vanaf iOS 18.1. Je selecteert tekst en krijgt Proofread, Rewrite in drie tonen (Friendly, Professional, Concise) en Compose, dat het verzoek doorstuurt naar ChatGPT. Gratis als je hardware het aankan, oftewel iPhone 15 Pro en nieuwer. Samsung Writing Assist2 doet hetzelfde op One UI, met toonwijzigingen, voorgestelde antwoorden en Live Translate. Gboard3 voegt Smart Reply, Proofread en herformuleer-tools toe die op nieuwere toestellen op Gemini Nano draaien. Allemaal gratis.

Groep twee: assistenten in de berichten-app zelf. Magic Compose4 zet voorgestelde antwoorden boven je toetsenbord in Google Messages en herschrijft concepten in stijlen als Excited, Chill en, om redenen die ik niet begrijp, Shakespeare. Daarvoor stuurt het tot twintig van je recente berichten naar de servers van Google, wat betekent dat die berichten niet meer end-to-end versleuteld zijn. Google zegt ze niet op te slaan. Gemini in Messages is iets anders: een apart chatgesprek waarin je een concept opstelt en het resultaat daarna kopieert naar een echt gesprek. Het kan je andere gesprekken niet zien.

Groep drie: de datingapps voor antwoorden. Je maakt een screenshot van een gesprek, de app haalt er met OCR de tekst uit, en je krijgt openingszinnen en comebacks. W Rizz rekent $3,99 per week. PlugAI, voorheen RizzGPT, zit rond de $4,99. Er zijn nog tientallen andere en ze optimaliseren allemaal voor hetzelfde ding: of het volgende bericht een antwoord krijgt.

Groep vier: de kleine tools voor moeilijke gesprekken. Dit is de interessantste groep en de minst gefinancierde. Resolve5 op iOS scoort wat het conflicttemperatuur noemt. Bij Clarity Coach6 op Android typ je een concept in een oefenscenario, en de app vertelt je of het vaag, te bot of te uitleggerig overkomt voordat je aan het herschrijven mag. Subtext, dat ik heb meeopgericht, zit in deze groep en werkt precies andersom dan de rest van de categorie: het leest het gesprek en je concept, vertelt je hoe het bericht waarschijnlijk overkomt en welke woorden dat doen, en biedt pas daarna herschrijvingen aan die je kunt overnemen of negeren.

Zie wat er in elk van deze gebeurt. Jij geeft tekst, je krijgt andere tekst terug. De diagnosestap, waarbij iets leest wat je geschreven hebt en je vertelt hoe de ander het waarschijnlijk zal ontvangen, bestaat in geen enkele tool die binnen een echt gesprek werkt. Clarity Coach komt het dichtst in de buurt, en dat is een oefenomgeving, die dus nooit een bericht raakt dat je echt op het punt staat te versturen.

Grammarly7 is de bijna-misser die het waard is om precies te zijn, want dit is degene die deze kloof het dichtst benadert. De toondetector leest je woordkeuze, formulering, interpunctie en hoofdlettergebruik, en benoemt de toon. Bij lancering in 2019 dekte hij zo’n veertig tonen8, waaronder waarderend, zelfverzekerd, formeel, liefdevol en verdrietig. Grammarly’s eigen supportdocumentatie is voorzichtig over de grens: de detector herkent de algemene toon van je tekst9 in plaats van herschrijvingen op zinsniveau aan te bieden. Hij vertelt je welke toon erin zit. Of je zus zich erdoor afgewezen zal voelen is een andere vraag, en Grammarly beweert niet die te beantwoorden. Toondetectie zit in de gratis laag, met Pro op $12 per maand bij jaarlijkse facturering volgens actuele prijstrackers.

Dat onderscheid is de hele kloof.

Niemand kan zien of een bericht door AI geschreven is, en het scheelt niet eens veel

Dit is de bevinding die me het meest verraste, en het is de best onderbouwde studie in het hele veld.

Maurice Jakesch, Jeff Hancock en Mor Naaman deden zes experimenten met 4.600 Amerikaanse deelnemers, gepubliceerd in PNAS in 202310. Mensen lazen zelfpresentaties uit dating-, hospitality- en professionele profielen en gokten welke door een machine geschreven waren. De trefzekerheid lag tussen 50 en 52 procent. In de datingconditie, met geld op het spel voor een goede gok, ongeveer 51,6 procent.

Muntje opgooien doet het net zo goed.

De reden is dat we allemaal dezelfde kapotte vuistregels gebruiken. Deelnemers zagen ik-vormen, samentrekkingen, verwijzingen naar familie en warme emotionele details als bewijs dat een mens het geschreven had. Correcte grammatica en vlakke formuleringen zagen ze als bewijs voor een machine. Elk van die signalen is voor een model kinderlijk eenvoudig te produceren als je erom vraagt. De vuistregels wijzen precies de verkeerde kant op. Een getrainde classifier in hetzelfde paper haalde maar 58,1 procent, dus dit is geen kwestie van beter opletten die je zelf kunt oplossen.

Eén kanttekening waar ik eerlijk over wil zijn. Die studie gebruikte tekst uit het GPT-3-tijdperk. Of de cijfers standhouden tegen huidige modellen is nooit op die schaal getest.

De schade komt van verdacht worden, niet van betrapt worden

Als mensen AI niet kunnen herkennen, zou je verwachten dat de hele zorg verdampt. Dat gebeurt niet, en dit is het deel dat ertoe doet voor iedereen die een echt bericht aan een echt mens schrijft.

Een door Cornell geleid team deed twee gerandomiseerde experimenten met 1.036 deelnemers, gepubliceerd in Scientific Reports11. Smart replies maakten gesprekken sneller en positiever, en mensen beoordeelden elkaar als hechter en coöperatiever. Toen de wending. Deelnemers die vermoedden dat hun partner smart replies gebruikte, beoordeelden die partner significant slechter. Het vermoeden richtte de schade aan. Die studie mat vermoeden, niet nauwkeurigheid, en gezien de detectiecijfers hierboven is er weinig reden om aan te nemen dat die vermoedens bij de juiste mensen terechtkwamen.

Een team van Carnegie Mellon zette in een paper uit 202512 met 399 deelnemers over twee studies een mechanisme onder deze bevinding, en hun resultaat is subtieler dan een simpele straf. Een AI-label maakt je niet alleen minder sympathiek. Het maakt je bericht een zwakker bewijs over wie jij bent, in beide richtingen. Een door AI geholpen excuus komt minder warm over, en een door AI geholpen opschepperij of verwijt komt minder kil over. Het label zuigt de informatie over wie jij bent uit het bericht.

Die manier van kijken bleef bij me hangen. Wat je bericht ook als signaal deed, het label zet het volume ervan lager.

Behalve in één situatie, waar openheid je helemaal niets kost

Ik wil de studie erbij zetten die tegen mijn eigen productthese ingaat, want die weglaten zou oneerlijk zijn.

Zoe Purcell en collega’s van het Max Planck Institute for Human Development, met Jakesch opnieuw als een van de auteurs, deden twee vooraf geregistreerde experimenten met 1.637 deelnemers in vertrouwensspellen met twee spelers en een geldelijke beloning, gepubliceerd in iScience in november 202513. De helft mocht voorspellende tekstondersteuning gebruiken om een vreemde te overtuigen hen te vertrouwen. De rest schreef zonder hulp.

AI-hulp had nauwelijks effect op vertrouwen, en dat bleef zo zelfs als het AI-gebruik openlijk vermeld werd. De geholpen schrijvers produceerden even vertrouwenwekkende berichten in minder tijd, en verdienden dus meer vertrouwen per geïnvesteerde minuut. Taalkundige analyse liet zien dat hun berichten iets minder authentiek waren, maar warmer, complexer en hoger op wat onderzoekers clout noemen.

De auteurs zijn voorzichtig over de reikwijdte, en dat ben ik ook. Dit is een eenmalige transactie tussen vreemden met geld op het spel. Gedragsmatig vertrouwen bij een uitbetalingsbeslissing is iets heel anders dan je partner die om 23 uur je berichtje leest en beslist of je het meende. Maar de eerlijke versie van dit stuk zegt dat het verhaal “AI vernietigt vertrouwen” een echt tegenvoorbeeld heeft in de literatuur, en dit is het.

AI schrijft betere troostberichten dan de meeste mensen, tot je zegt dat het AI was

Twee studies, dezelfde vorm van resultaat.

Yin, Jia en Wakslak in PNAS14 vonden dat door AI gegenereerde reacties mensen het gevoel gaven meer gehoord te worden dan reacties van ongetrainde mensen, en dat de AI beter was in het herkennen van welke emotie er speelde. Toen vertelden ze ontvangers dat het bericht van AI kwam, en het effect zakte weg. Een van de auteurs merkte op dat de twee effecten qua omvang vergelijkbaar waren en elkaar min of meer opheften.

Ovsyannikova, Oldemburgo de Mello en Inzlicht15 deden vier vooraf geregistreerde experimenten met 556 deelnemers in Communications Psychology. GPT-4-reacties werden als meer meelevend beoordeeld dan menselijke, inclusief reacties van getrainde vrijwilligers van de hulplijn bij Distress Centres of Greater Toronto. De bron vermelden verkleinde de kloof, maar sloot hem niet.

De machine is dus vaak beter met de woorden. De woorden zijn niet het enige dat wordt overgebracht.

De reden dat moeite ertoe doet, is dat moeite vroeger iets kostte

Signaaltheorie is het kader waardoor dit allemaal voor mij op zijn plek viel.

Een bericht doet twee dingen tegelijk. Het draagt inhoud, en het bewijst dat je iets hebt uitgegeven om het te versturen. Je tijd, je aandacht, en bij een moeilijk gesprek je zelfbeheersing. Dat zijn eindige dingen, dus ze uitgeven zegt iets waars over hoeveel je om die persoon geeft. Onderzoek naar commitmentsignalen16 in Japanse en Amerikaanse steekproeven vond dat kostbare signalen het beter deden dan goedkope, en dat het niet sturen van een verwacht signaal, zoals een gelegenheid vergeten, romantische relaties veel meer schade toebracht dan vriendschappen.

Breng de kosten van een warm, welbespraakt en goed gestructureerd bericht terug naar zo goed als nul, en het signaal draagt geen informatie meer.

Er is nu direct bewijs voor dit mechanisme, al niet uit een berichtencontext. Een studie uit 2026 in Frontiers in Psychology17 met 618 deelnemers vond dat het label AI-gegenereerd de ervaren moeite significant verlaagde, terwijl een label menselijk gemaakt niet verschilde van helemaal geen label. Mensen gaan standaard uit van menselijke moeite, en het is het AI-label dat die aanname wegneemt. Die studie gebruikte kortevideocontent, dus vertaal dit met enige voorzichtigheid naar berichten.

De woorden uitbesteden lijkt je eigen betrokkenheid erbij te verzwakken

Dit is de bevinding waar ik over blijf nadenken, en die gaat helemaal niet over de ontvanger.

Economen van CREED in Amsterdam18 deden vertrouwensspellen waarin verzenders ChatGPT konden gebruiken om een bericht te schrijven dat wederkerigheid beloofde. Er gebeurden twee dingen tegelijk. Mensen met toegang tot ChatGPT deden explicietere beloftes. En mensen die ChatGPT ook maar geopend hadden, hielden zich bij de uitbetaling 25,7 procent minder vaak aan hun belofte, ongeacht of ze uiteindelijk overnamen wat het opleverde.

Het detail dat het pakkend maakt: hoe dichter het verstuurde bericht bij de ruwe ChatGPT-suggestie lag, hoe minder betrouwbaar het latere gedrag van de verzender was. Mensen die de suggestie herschreven, gedroegen zich beter. De auteurs lezen dit als een gevoel van eigenaarschap. Zeg iets in je eigen woorden en je voelt je eraan gebonden. Stuur iets door dat een machine schreef, en een deel van jou heeft het nooit ondertekend.

Excuses zijn waar dit fatsoenlijk onderzocht is, en de bevinding is nuttiger dan “doe het niet”

Lees je maar één sectie, lees dan deze, want hier zit het praktische antwoord.

Ella Glikson en Omri Asscher deden drie scenariostudies naar excuses op de werkvloer, gepubliceerd in Computers in Human Behavior19. Weten dat iemand AI-tools gebruikte om een excuus te schrijven, verlaagde hoe authentiek het aanvoelde en hoe bereid mensen waren te vergeven. Het zelf openlijk vermelden verzachtte dat niet. Tot zover voorspelbaar.

Dan het deel dat mijn mening veranderde. Deelnemers die maar één van drie beschikbare AI-tools gebruikten, kregen helemaal geen straf op authenticiteit. De onderzoekers lezen dit als afstand. Beperkt AI-gebruik houdt het uiteindelijke bericht dicht bij wat de persoon oorspronkelijk bedoelde, en mensen voelen dat.

Een apart 3x2-experiment van Lim, Hong en Schneider met 464 deelnemers, ook in Computers in Human Behavior20, vond dat door mensen geschreven excuses over de hele linie oprechter overkwamen, en dat een warme toon AI-excuses verbeterde zonder de kloof met een menselijk excuus ooit te dichten.

Zet die twee naast elkaar en je krijgt iets bruikbaars. De straf volgt hoe ver het uiteindelijke bericht is afgedreven van wat je echt bedoelde. Niet of er een machine in het spel was.

Deze tools polijsten je slechtste instincten en zeggen er nooit iets van

Schrijf iets passief-agressiefs, geef het aan een willekeurige herschrijftool op je telefoon, en kijk wat er gebeurt. Je krijgt beter geschreven passieve agressie terug. Geen waarschuwing, geen “weet je het zeker”. De taak van de tool is doen wat je vroeg.

Er is een reden dat de modellen deze kant op hellen. OpenAI trok in april 2025 een GPT-4o-update terug en schreef openlijk21 dat het model “overdreven vleiend of instemmend, vaak omschreven als sycofantisch” was geworden, en dat het “neigde naar antwoorden die overdreven steunend maar onoprecht waren”. Als oorzaak noemden ze te zwaar afstemmen op kortetermijnfeedback van gebruikers, oftewel duimpjes omhoog en omlaag. In een vervolgpost22 gaven ze toe dat ze helemaal geen deployment-evaluaties hadden die sycofantie bijhielden.

Onderzoekers van Anthropic vonden dat hetzelfde patroon algemeen is. In een paper gepresenteerd op ICLR 202423 vertoonden vijf topmodellen allemaal sycofantie, en analyse van zo’n 15.000 menselijke voorkeursvergelijkingen liet zien dat meegaan met de uitgesproken overtuiging van de gebruiker een van de sterkste voorspellers was van welk antwoord mensen prefereerden. Train op goedkeuring en je selecteert voor instemming. Een benchmark uit 202524 mat sycofantisch gedrag in 58,19 procent van de testgevallen bij ChatGPT-4o, Claude Sonnet en Gemini 1.5 Pro, met 78,5 procent volharding zodra het begon, al ging dat om feitelijke vraag-en-antwoordtaken en niet om persoonlijke berichten.

Denk nu na over wat dat betekent voor het moment waarop je juist het meest hulp nodig hebt. Je bent boos, je hebt iets geschreven dat je zult betreuren, en de tool die je concept vasthoudt, is geoptimaliseerd om je er goed over te laten voelen.

De vraag die ik niet kan beantwoorden

Is het beter om een onhandig bericht te versturen dat je zelf schreef, of een gepolijst bericht dat je niet zelf schreef?

Ik heb goed gezocht en er is geen studie die dit direct test. Niemand heeft “je eigen onvolmaakte concept” gerandomiseerd tegen “een goed concept dat je niet zelf schreef” en gevolgd wat er met de relatie gebeurde. Er is helemaal niets longitudinaals. Geen velddata over stellen, gezinnen of goede vrienden over maanden van AI-ondersteund appen. We weten niet of mensen wennen aan synthetische glans, of dat de gewoonte iets stilletjes uitholt.

Wat we wel hebben wijst voor hechte relaties allemaal dezelfde kant op. Moeite leest als zorg, labels maken het signaal vlak, uitbestede woorden lijken je greep op je eigen beloftes te verzwakken, en excuses blijven geloofwaardig zolang ze dicht bij wat je bedoelde blijven. Maar het resultaat van het vertrouwensspel zegt dat dit alles in sommige contexten helemaal niets kost, en ik ga niet doen alsof het bewijs schoner is dan het is.

Wat er dan wél zou helpen

Als ik dit allemaal terugleest, is de vorm van het ontbrekende product vrij duidelijk, en die ligt dicht bij het tegenovergestelde van wat de categorie bouwt.

Niemand heeft er iets aan om zijn woorden vervangen te zien. Wat mensen nodig hebben, in de vijftien seconden voor ze op verzenden drukken, is weten dat het bericht killer overkomt dan ze voelen, of dat wat zij een verduidelijking vinden overkomt als een lijst grieven. Dan repareren ze het zelf, in hun eigen woorden, en blijft het moeite-signaal intact, blijft het eigenaarschap intact, en blijft de afstand van Glikson en Asscher kort.

Dat is de versie die ik wil dat bestaat, en het is degene die we gebouwd hebben. Subtext neemt het hele gesprek in plaats van de losse zin, benoemt wat je concept waarschijnlijk signaleert aan degene die het zo dadelijk leest, en laat je zien welke woorden die indruk wekken, zodat de oplossing van jou blijft. Op basis van het bewijs hierboven doet dat meer dan het herschrijven: de straf volgt de afstand tot wat je bedoelde, en de kortste afstand is je eigen zin met één woord veranderd. Gratis om te beginnen, op je telefoon of in de browser.

Mijn eigen regel, voor wat hij waard is: ik laat een machine me best vertellen hoe mijn bericht klinkt. Ik laat hem mijn zus niet vertellen dat het me spijt.

Denk je dat ik een studie verkeerd gelezen heb, of ken je een tool die wel eerst diagnosticeert voordat hij herschrijft? Laat het me weten op LinkedIn.

Samet Durgun is medeoprichter van Subtext, een app die de emotionele toon van je berichten oppikt en ze herschrijft in je eigen stem. Hij woont in Berlijn.

Bronnen

Elke link hierboven gaat naar de primaire bron waar die bestaat, genummerd in volgorde van verschijnen. Productfuncties en prijzen gecontroleerd augustus 2026. Waar een cijfer van een bedrijfsblog of persbericht kwam in plaats van een studie, heb ik het weggelaten.

  1. Apple Support. Use Writing Tools with Apple Intelligence on iPhone. https://support.apple.com/guide/iphone/find-the-right-words-with-writing-tools-iph6f08da1d2/ios
  2. Samsung. Use Writing assist on Galaxy phones and tablets. https://www.samsung.com/us/support/answer/ANS10000943/
  3. Google Support. Use writing tools with Gboard. https://support.google.com/gboard/answer/17470061
  4. Google Support. Draft messages with Magic Compose. https://support.google.com/messages/answer/13632636
  5. Apple App Store. Resolve: AI Conflict Coach. https://apps.apple.com/us/app/resolve-ai-conflict-coach/id6759972332
  6. Google Play. Clarity Coach. https://play.google.com/store/apps/details?id=com.zamrudila.claritycoach
  7. Grammarly. Writing Tone Detector and Tone Suggestions. https://www.grammarly.com/tone
  8. TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble. https://techcrunch.com/2019/09/24/grammarly-gets-a-tone-detector-to-keep-you-out-of-email-trouble/
  9. Grammarly Support. How do Grammarly’s tone suggestions work? https://support.grammarly.com/hc/en-us/articles/10674801783309
  10. Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. https://www.pnas.org/doi/10.1073/pnas.2208839120
  11. Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. https://www.nature.com/articles/s41598-023-30938-9
  12. Khadpe, P., Wenzel, K., Loewenstein, G., & Kaufman, G. (2025). Explaining the Reputational Risks of AI-Mediated Communication. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2509.09645
  13. Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092. https://www.cell.com/iscience/fulltext/S2589-0042(25)02353-3
  14. Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121. https://www.pnas.org/doi/10.1073/pnas.2319112121
  15. Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3. https://www.nature.com/articles/s44271-024-00182-6
  16. Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior. https://www.sciencedirect.com/science/article/abs/pii/S1090513815000525
  17. Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2026.1840483/full
  18. AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, University of Amsterdam. https://www.creedexperiment.nl/creed/pdffiles/chatGPT.pdf
  19. Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592. https://www.sciencedirect.com/science/article/abs/pii/S0747563222004125
  20. Lim, J. S., Hong, N., & Schneider, E. (2025). How warm- versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity. Computers in Human Behavior, 172, 108761. https://www.sciencedirect.com/science/article/pii/S0747563225002080
  21. OpenAI (2025). Sycophancy in GPT-4o. https://openai.com/index/sycophancy-in-gpt-4o/
  22. OpenAI (2025). Expanding on what we missed with sycophancy. https://openai.com/index/expanding-on-sycophancy/
  23. Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024. https://arxiv.org/abs/2310.13548
  24. Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2502.08177