AI |

Het hek, niet de brandstapel

Sun, 06 Sep 2026 00:00:00 +0000

In een magazijn in North Las Vegas laat Amazon een machine draaien die de ruggen van tweedehandsboeken afsnijdt. De losse bladen gaan door een scanner, en daarna wordt het papier tot pulp vermalen. Boeken vernietigen om AI te voeden: het verhaal had alles in huis om een cultureel schandaal te worden. De vergeleek de praktijk met moderne boekverbranding en spaarde daarbij geen enkel cliché: toespelingen op Savonarola, stockfoto’s van ogenschijnlijk zeldzame boeken en, uiteraard, de Berlijnse brandstapel. De kwaliteitskranten bleven, zoals te verwachten, koeler, maar lieten dezelfde vergelijking in de lucht hangen. Hoe verontwaardigd ook, deze artikelen lieten de AI-industrie er opvallend genadig van afkomen. Het lot van het papier staat in de schijnwerpers; wie de eigenaar wordt van de digitale bibliotheken die eruit voortkomen, komt nauwelijks ter sprake. Wie krijgt de zeggenschap over de kennis die wordt gescand? Die vraag moet even wachten tot we de onzin over boekverbranding hebben opgeruimd.

Een scanner is geen brandstapel

De analogie met de brandstapels van Savonarola of de nazistische boekverbrandingen is te gek voor woorden: een exemplaar vernietigen is iets anders dan een tekst onderdrukken. De brandstapels waren openbare daden van verwerping. Die arme monnik Savonarola, van stal gehaald bij elke rel over boekverbranding, riep de mensen op om een deel van hun bezittingen te offeren als publieke boetedoening. De nazibrandstapels ensceneerden een ander soort verwerping: door de boeken in het openbaar te verbranden, verklaarde men dat hun auteurs geen plaats hadden in het Duitse culturele leven. In beide gevallen, hoe onverkwikkelijk ook, was de vernietiging een opvoering. Destructief scannen, een gangbare methode bij digitalisering, dient een ander doel: het exemplaar gaat onder de guillotine om de inhoud te bewaren. Het boek wordt vernietigd; de tekst wordt gedematerialiseerd. Wie naar Fahrenheit 451 grijpt, mag zich de centrale les van dat boek herinneren: een tekst is niet het papier waarop hij gedrukt staat.

Scherper dan de Daily Mail maar niet minder onbeholpen gooide olie op het vuur door “zeldzame boeken” in zijn kop te zetten. Toch zei een boekhandelaar die in datzelfde onderzoek wordt aangehaald dat deze bulkbestellingen , wat grotendeels wijst op edities die zijn verschenen na de invoering van het ISBN rond 1970. Dit is het spul van rommelmarkten en kringloopwinkels, vaak maar één zolderopruiming verwijderd van de papiercontainer. Alvorens een culturele catastrofe af te kondigen, zou men de bibliotheekcatalogus kunnen raadplegen. Dit zijn precies de publicaties waarvoor bibliotheken met wettelijk depot bestaan. Toegegeven, een ISBN garandeert niet dat er een depotexemplaar bewaard is gebleven, maar schaarste op de tweedehandsmarkt bewijst evenmin dat een tekst verdwenen is.

Boeken hebben natuurlijk wel een materiële geschiedenis. Exemplaren die door hun aantekeningen, opdrachten of herkomst historische betekenis hebben, verdienen het om te worden opgespoord en bewaard. Tweedehandsboekhandelaren hebben daar een rol in: wie zo’n exemplaar herkent, heeft een reden om het buiten een partij te houden die voor de pulpmolen bestemd is. We mogen ons ook zorgen blijven maken over de slinkende voorraad fysieke exemplaren van uitverkochte titels. Maar dan moeten we ook vragen waarom hun rechthebbenden ze niet herdrukken en evenmin toegang geven tot de bestaande digitale facsimile’s. Onderzoekers kennen de frustratie: Google Books vindt de passage die je nodig hebt en biedt je dan een snipper aan van een boek dat je nieuw kunt kopen noch online kunt lezen. Er valt hier dus wel degelijk over verliezen te discussiëren, maar die maken van een scanner nog geen nazibrandstapel.

De boekhandel zelf vermaalt intussen al lang routineus onverkochte boeken tot pulp. Alleen al in Frankrijk werden in 2023 naar schatting , ruwweg 60 procent van het tonnage dat onverkocht naar de distributeurs terugging. Dat heet voorraadbeheer. Overtollige exemplaren en schaarse tweedehandstitels roepen elk hun eigen vragen over toegang op, maar papier vernietigen komt op zichzelf niet neer op censuur of tirannie.

Meer boeken, betere AI?

Dat AI-bedrijven boeken kopen en scannen is eigenlijk goed nieuws. Een technologie die voortdurend wordt verweten dat ze de menselijke cultuur maar oppervlakkig begrijpt, neemt er meer van in zich op, en men had mogen verwachten dat wetenschappers die inspanning zouden toejuichen.

Het web is een armzalig surrogaat voor het opgebouwde archief van een taal. Veel van het opgetekende leven van een taal, van romans en memoires tot populaire liedjes en getranscribeerde gesprekken, heeft de sprong van druk naar web nooit gemaakt. Veel van die boeken hebben hun uitgevers overleefd. Ze in de trainingsdata opnemen is het belangrijkst waar weinig anders voorhanden is. Een paar Engelse boeken extra leveren misschien een marginale verbetering op. In een slecht vertegenwoordigde taal kunnen diezelfde boeken echter het verschil betekenen tussen een bruikbaar en een onbruikbaar systeem. Of deze instrumenten thuishoren in onze publieke diensten of in ons dagelijks leven, is een zaak voor het publieke debat. Maar waar we ze ook besluiten te gebruiken, we moeten dat in onze eigen taal kunnen doen.

De bestellingen waarover in Spanje en Nederland is bericht, maken het taalkundige belang tastbaar. In mei beschreef een boekhandelaar in Badalona die herhaaldelijk bestellingen kreeg, vooral voor Catalaanse non-fictie: geschiedenisboeken, technische handleidingen en oude congresbundels. In augustus berichtte de Nederlandse pers over een verzoek aan De Slegte om . De taal van de boeken verdient minstens zoveel aandacht als het lot van hun banden. Van de Daily Mail is dat misschien te veel gevraagd. Maar ook de bezadigdere kranten hebben weinig gezegd over de talen die in het spel zijn.

Licentieovereenkomsten met grote uitgevers kunnen eveneens waardevol materiaal opleveren, maar hun digitale catalogi dekken maar een fractie van wat ooit in druk is verschenen. Boeken die nooit zijn gedigitaliseerd, of waarvan de uitgever de rechten niet meer bezit, vallen buiten het aanbod. Zelfs een royale licentiedeal kan niet in de plaats treden van de geschiedenis van het uitgeversbedrijf, laat staan van de geschiedenis van een cultuur. Tweedehandsexemplaren opkopen is een manier om voorbij die commerciële grenzen te reiken.

“Diefstal” is geen argument

Het “diefstal” noemen helpt evenmin. In juni 2025 oordeelden twee Amerikaanse districtsrechtbanken dat het gebruik van boeken om taalmodellen te trainen in de voorliggende zaken onder fair use viel. In benadrukte de rechtbank het transformatieve karakter van de training: de boeken werden gebruikt om een systeem te bouwen dat nieuwe uitdrukkingsvormen kan voortbrengen. Modellen kunnen passages memoriseren, maar een boek voor training gebruiken maakt de hele tekst nog niet op afroep opvraagbaar. Evenmin veegt de afwezigheid van letterlijke reproductie elk bezwaar van tafel. In waarschuwde de rechter dat door AI gegenereerde werken de markt zouden kunnen overspoelen en dat bewijs van zulke schade een beroep op fair use kan doen stranden. Deze eisers hadden echter geen noemenswaardig bewijs geleverd van zulke schade aan hun eigen werk. Geen van beide uitspraken geeft AI-bedrijven vrij spel of beslecht het ethische geschil. Ze verplichten ons onderscheid te maken tussen hoe boeken worden verworven, hoe kopieën worden bewaard en wat de training ermee doet. Dat alles “diefstal” noemen laat die vragen onbeantwoord.

Terzijde: de uitspraak in de zaak Anthropic levert een rechtvaardiging voor de guillotine. De rechtbank keurde de digitalisering van gekochte exemplaren goed en verwierp het aanleggen van een permanente bibliotheek van illegaal gekopieerde boeken, waarvoor het bedrijf later . De digitalisering werd mede goedgekeurd omdat elk gedrukt exemplaar bij de omzetting werd vernietigd: de digitale kopie kwam ervoor in de plaats en werd niet buiten het bedrijf gedeeld. De vernietiging waar sommigen zich zo over opwinden, hielp Anthropic aantonen dat zijn digitaliseringsprogramma fair use was. Kopen, scannen en weggooien bood in dat geval een wettige route. De guillotine is hier een instrument om binnen de wet te blijven.

Er zijn goede redenen om te willen dat AI put uit meer talen, meer wetenschap en meer van de wereld die vóór het internet bestond. Die redenen verdwijnen niet omdat een bedrijf dat we niet mogen er een commerciële kans in heeft gezien.

Geleende verontwaardiging

Terug dan naar de Daily Mail. Haar artikel maakt deel uit van , een campagne van kranteneigenaren en uitgevers die streven naar voor AI. Twee handige substituties doen het werk: Big Tech staat voor AI, en de rechthebbenden staan voor “Britse creativiteit”. De lezer wordt uitgenodigd de cultuur te verdedigen terwijl uitgevers over de voorwaarden van de verkoop onderhandelen. Wetenschappers die het verhaal delen, mogen zich afvragen wiens zaak hun verontwaardiging dient.

Big Tech en de kibbelen over de pacht, maar geen van beide heeft iets tegen het hek. Het verhaal van de eenzame auteur die door een techreus wordt beroofd, verhult wat dure licentiedeals beide bedrijfskampen te bieden hebben: de uitgevers worden betaald, en Big Tech krijgt een markt waarin zijn kleinere concurrenten het zich niet kunnen veroorloven mee te dingen. Peter Thiel verwoordde de voorkeur van Silicon Valley botter: .

Licenties hoeven niet tot die uitkomst te leiden. Betaalbare, niet-exclusieve toegang zou kleinere ontwikkelaars kunnen helpen. Maar een systeem dat elke nieuwkomer dwingt dure deals te sluiten met de grote rechthebbenden, maakt koopkracht tot toegangsvoorwaarde. Een betaling die wordt voorgesteld als tegemoetkoming aan de cultuurindustrie, koopt uiteindelijk bescherming tegen toekomstige concurrenten.

AI is niet van Big Tech

Er speelt een dieper probleem. Te veel kritiek op AI houdt de grootste commerciële leveranciers voor het hele veld. De producten domineren de krantenkoppen; het onderzoek en de ontwikkeling buiten die bedrijven verdwijnen uit beeld. Big Tech kon zich nauwelijks een nuttiger misverstand wensen. Zijn ambitie om het veld in bezit te nemen wordt het uitgangspunt van de kritiek die tegen hem wordt gericht. Het monopolie is nog niet binnen. Wie het als een voldongen feit behandelt, bewijst die bedrijven een enorme dienst. Het leidt bovendien de aandacht af van open source: van wat het nodig heeft, van zijn kansen om te bestaan, van zijn belangen, van zijn legitimiteit als alternatief.

Opensource-AI stelt mensen in staat systemen te bouwen en aan te passen die een grotere verscheidenheid aan talen, culturen en uitdrukkingsvormen weerspiegelen. Voor landen in Europa, Afrika, Latijns-Amerika en Azië is dat een praktische basis voor technologische en culturele soevereiniteit: het vermogen om zelf te bepalen hoe systemen werken, welke talen ze bedienen en waar ze worden ingezet. Of we AI gebruiken, en waarvoor, moet een publieke keuze blijven, geen beslissing die wordt gedicteerd door afhankelijkheid van een buitenlands oligopolie.

Maar de vrijheid om een systeem aan te passen stelt weinig voor zonder de middelen om dat te doen. Onafhankelijk werk vereist expertise, rekeninfrastructuur en toegang tot trainingsmateriaal. En zo zijn we terug bij de boeken. Als elk onderzoeksteam of elke publieke instelling zijn eigen uitgeversdeals moet sluiten of zijn eigen privébibliotheek moet aanleggen, wordt onafhankelijkheid onbetaalbaar, zelfs voor sommige rijke landen.

De boeken zijn er al

Bibliotheken en archieven hebben generaties lang het materiaal verzameld dat deze systemen nodig hebben. Hun collecties bestaan omdat de toegang tot kennis het commerciële belang om haar te verkopen moet overleven. Veel is al gescand: bezit zo’n negentien miljoen gedigitaliseerde delen uit onderzoeksbibliotheken, waarvan vele nog auteursrechtelijk beschermd zijn. Een bibliotheek scant een boek en bewaart het. Niemand heeft daar een guillotine nodig. HathiTrust , maar heeft ook aangekondigd, een project om corpustoegang te bieden voor niet-commercieel AI-onderzoek en niet-commerciële ontwikkeling. Toegang op die voorwaarden zou sommige onafhankelijke ontwikkelaars nog altijd buiten de deur houden.

Het bezit van de boeken geeft een bibliotheek echter niet het recht om hun auteursrechtelijk beschermde inhoud als trainingscorpus te verspreiden. Het staat onderzoeksinstellingen en bibliotheken toe om rechtmatig toegankelijke werken te minen voor wetenschappelijk onderzoek, en staat ruimer minen toe waar rechthebbenden hun rechten niet hebben voorbehouden. : zijn uitzondering voor tekst- en datamining geldt voor niet-commercieel onderzoek en beperkt de overdracht van kopieën. Geen van beide kaders geeft bibliotheken een algemeen recht om hun auteursrechtelijk beschermde collecties te delen zodat anderen erop kunnen voortbouwen.

We zouden ook kunnen heroverwegen hoe lang rechthebbenden zeggenschap moeten houden over computationeel gebruik van boeken. Farmaceutische octrooien belichamen een ruil: tijdelijke exclusiviteit beloont innovatie, daarna komt de uitvinding beschikbaar voor anderen. Hun gebruikelijke termijn van twintig jaar is veel korter dan de bescherming van het auteursrecht, die het hele leven van de auteur duurt en nog zeventig jaar daarna. Waarom zou een vergelijkbaar beginsel niet gelden voor computationeel gebruik van boeken? Zeg twintig jaar na de eerste publicatie zou een boek beschikbaar kunnen komen voor tekst- en datamining zonder licentiekosten, terwijl de rechten op heruitgave en verkoop beschermd blijven. Auteurs zouden aan hun boeken kunnen blijven verdienen zonder dat generaties onderzoekers om toestemming moeten onderhandelen om ze te analyseren.

Twee jaar geleden betoogde ik in dat erfgoeddata als publiek goed moeten worden behandeld. Overheden zouden bibliotheken en archieven moeten financieren om hun collecties te digitaliseren, te transcriberen en te documenteren, en hun de wettelijke bevoegdheid moeten geven om de resulterende corpora beschikbaar te stellen zodat anderen erop kunnen voortbouwen. Big Tech zou via een speciale heffing kunnen meebetalen.

Publieke financiering moet gepaard gaan met gepubliceerde collectie- en toegangsregels, die zowel academisch als commercieel werk bestrijken, zonder exclusieve deals of voorkeurstoegang voor donateurs. Toegang voor training hoeft niet te betekenen dat auteursrechtelijk beschermde boeken onbeperkt mogen worden herverspreid. Auteurs moeten meedenken over het publieke stelsel, ook over hoe het omgaat met toestemming, vergoeding en concurrentie met hun werk. Gratis toegang voor gebruikers sluit een publiek gefinancierde vergoeding voor auteurs niet uit. Het , dat auteurs uit publieke middelen betaalt wanneer hun boeken worden uitgeleend, biedt daarvoor een precedent. Om de brandstapel ging het nooit. Om het hek wel.

Beste redacteuren: als u mijn stem wilt, geef me dan mijn taal terug

Thu, 27 Aug 2026 00:00:00 +0000

Weer een dag, weer een tijdschrift dat met zijn AI-beleid te koop loopt. Ditmaal is het Progress in Human Geography, waarvan de redactie heeft gepubliceerd die waarschuwt dat AI gebruiken als vervanging voor het eigen lezen, denken en schrijven “een schending van de academische ethiek is, vergelijkbaar met plagiaat”. Artikelen die de regels overtreden, “kunnen worden ingetrokken”; in het beste geval worden ze gecorrigeerd, met een rectificatie in het tijdschrift. Auteurs, voegen de redacteuren eraan toe, doen er goed aan “zorgvuldig te overwegen of zij hun naam met intrekkingen en rectificaties in verband gebracht willen zien”.

Bij die zin mogen we even stilstaan. Intrekking is de zwaarste sanctie die het wetenschappelijk publiceren kent, de straf die normaal is voorbehouden aan vervalsing en fraude. Hier wordt ze gekoppeld aan een vergrijp dat hetzelfde redactioneel niet weet te definiëren. Er zijn, geven de redacteuren toe, “echte grijze zones” en “geen duidelijke lijnen die de zone van ‘onverantwoordelijkheid’ afbakenen”. De handhaving zal berusten op “oordelen die sommige auteurs tegen de borst kunnen stuiten, die dan zullen beweren geen onbehoorlijk gebruik van AI te hebben gemaakt”: iemands eigen verklaring kan met andere woorden terzijde worden geschoven. Het advies dat volgt, luidt: blijf “veilig in de zone van ‘verantwoordelijkheid’”, en men raadt alleen tot veiligheid waar gevaar dreigt. Mensen straffen omdat ze een lijn overschrijden waarvan je zelf toegeeft dat je haar niet kunt trekken, heeft alleen zin als je met angst wilt regeren. Onthoud dat even.

Het voorwendsel van de stem

Hoe ziet verantwoord gebruik eruit? Auteurs krijgen te horen: “er moet grote zorg aan worden besteed … de eigen stem te behouden”. Misbruik is AI inzetten “om te schrijven in een taal die auteurs zelf normaal nooit zouden gebruiken”. Voor een moedertaalspreker is dat zinnig: doe je niet anders voor dan je bent. Maar voor buitenlanders die in een vreemde taal moeten schrijven, spreekt het gebod zichzelf tegen. De stem die het beleid beschermt, is precies wat de regels van het tijdschrift ons ontzeggen.

Neem mij als proefpersoon. Engels is mijn vierde taal, precies het soort taal dat ik “normaal” nooit zou gebruiken. Engelstalige universiteiten hebben me geleerd het kort, met wegwijzers en bijna mechanisch te schrijven: de kernzin vooraan, de voorbehouden op de voorgeschreven plaatsen, de overgangen uit de goedgekeurde lijst. De training heeft gewerkt: in mijn Engels heeft nooit een stem gezeten die beschermd moest worden; het was het eerste wat eruit moest. Volgens de definitie van de redactie zelf zou alles wat ik ooit in het Engels heb geschreven onbehoorlijk gebruik zijn, met of zonder machine.

Tussen twee vuren

De redacteuren zeggen dat ze aan ons hebben gedacht: het beleid erkent dat niet-moedertaalsprekers er baat bij hebben dat AI hun Engels nakijkt, en zelfs bij zijn “vertaal-, schrijf- en redactiediensten”. Toch mag de rol van AI bij het schrijven “hoogstens neerkomen op hulp bij het redigeren en corrigeren”, en moet ze ophouden vóór “grote brokken door AI geschreven tekst”. Een machinevertaald artikel is van het eerste tot het laatste woord door AI geschreven; het bestaat uit niets anders dan zulke brokken. De concessie houdt dus alleen stand als vertalen geen schrijven is. Waar loopt die grens? Dat hebben ze ons al verteld: “geen duidelijke lijnen”.

Het wordt nog erger, want de verdenking is niet alleen niet-falsifieerbaar. Er wordt ook nog eens met valse dobbelstenen gespeeld. In 2023 testte een team van Stanford zeven veelgebruikte AI-detectoren op essays van menselijke hand: de detectoren merkten gemiddeld 61% van de TOEFL-essays van niet-moedertaalsprekers aan als machinaal gegenereerd, terwijl ze essays van moedertaalsprekers vrijwel feilloos classificeerden; één detector betrapte 97,8% van de TOEFL-reeks ( ). De reden is leerzaam. Detectoren meten voorspelbaarheid, en Engels als tweede taal, getraind naar het gemiddelde toe, is per definitie voorspelbaar: het meest waarschijnlijke woord in de meest waarschijnlijke volgorde. Dezelfde studie vond dat signaal terug in echt wetenschappelijk werk: minder taalkundige variatie in conferentiebijdragen waarvan de eerste auteur geen moedertaalspreker is. De stilistische kenmerken die als “AI” worden gelezen, zijn de kenmerken van bekwaam Engels als tweede taal, en een menselijk oordeel leest dezelfde kenmerken als de machine. Zo zit ik tussen twee vuren: schrijf ik mijn eigen Engels, dan lijk ik een machine; gebruik ik de machine, dan overtreed ik hun regel.

De taaltaks

De paradox zou onschuldig zijn als er geen dreigementen bij kwamen. Maar die dreigementen leggen een dieper en ouder probleem bloot dat het beleid nooit bij naam noemt: eentaligheid. De vragen om “een zo breed mogelijke internationale dekking”, terwijl op dezelfde pagina staat: “de taal van het tijdschrift is Engels”.

De kosten van die regeling zijn niet hypothetisch. Amano en collega’s ondervroegen 908 milieuwetenschappers en stelden vast dat niet-moedertaalsprekers van het Engels tot 51% meer tijd besteden aan het schrijven van een artikel, het 2,5 keer zo vaak afgewezen zien en 12,5 keer zo vaak gevraagd worden het te herzien, en dat alleen om taalredenen ( ). Die taks wordt geheven nog vóór er enig AI-beleid aan te pas komt; het verklaringsformulier en zijn dreigementen zijn een audit die daar nog bovenop komt.

Fin d’empire

Eentaligheid is het axioma waarover niemand het heeft. Het is een imperiale erfenis die met de tijd een praktische rechtvaardiging kreeg: vertalen was traag en duur, en geen redactie kon beoordelen wat ze niet kon lezen. Niets daarvan overleeft echter de vooruitgang van de machinevertaling. Machinevertaling van het hoogste niveau kan dienen als betrouwbare tussenlaag tussen auteurs en redacties.

De ideale uitweg is menselijk: wetenschappers zouden meer dan één taal moeten lezen. In plaats daarvan sluiten Engelstalige universiteiten liever hun talenopleidingen. Merk op dat die sluitingen een Anglo-Amerikaans verschijnsel zijn: wetenschappers elders hebben zich de luxe van eentaligheid nooit kunnen veroorloven. En let op het moment. Een talenopleiding sluiten is een gok: de gok dat het Engels voorgoed heeft gewonnen en dat er nooit meer iets lezenswaardigs in een andere taal zal worden geschreven. Die gok wordt op precies het verkeerde moment gewaagd, en dat om twee redenen. Ten eerste omdat machinevertaling het voor het eerst mogelijk maakt om het helemaal zonder lingua franca te stellen; ten tweede omdat de orde die het Engels tot de norm maakte, terugwijkt: de Engelstalige wereld keert zich naar binnen, de globalisering ebt weg, de vrijhandel wordt betwist tot in zijn eigen bakermat, en er tekent zich een multipolaire wereld af waarin de talen die het lezen waard zijn zich zullen vermenigvuldigen. Universiteiten leveren wetenschappers af die alleen Engels lezen, voor een wereld waarin Engels niet meer zal volstaan. Redacties zullen dat verlies als eerste erven.

Een test voor de redactie

Wanneer een redactie klaagt dat ze de eigen stem van haar auteurs niet kan lezen, ligt een deel van het probleem misschien bij de redactie zelf.

Dat is een zware beschuldiging, en er hoort een serieuze test bij. Zou Progress in Human Geography een inzending in het Frans, Italiaans of Japans laten beoordelen, vergezeld van een machinevertaalde Engelse versie? De eigen richtlijnen van het tijdschrift erkennen de “vertaaldiensten” die dat mogelijk maken. Een ja maakt een einde aan het probleem. Een nee zou ons vertellen wat het beleid werkelijk beschermt.

Hoe dan ook is de keuze aan de redactie. Als de stem er, zoals zij beweert, toe doet, dan moet het tijdschrift artikelen aannemen in de talen waarin auteurs denken. Zo niet, dan kan het verklaringsformulier de prullenmand in, en de dreigementen erbij.

tei-mcp v0.3: TEI coderen zonder de bron te herschrijven

Tue, 05 May 2026 00:00:00 +0000

Toen ik , was het doel te voorkomen dat AI-assistenten TEI-markup hallucineren. Schemaverankering loste een deel van het probleem op: met rechtstreekse, op tools gebaseerde toegang tot de P5-specificatie hoeft het model niet langer te raden wat een element betekent of welke attributen het aanvaardt. De uitvoer valideert.

Maar hallucinatie heeft bij TEI-codering twee gezichten, en het schema vangt er maar één van op. Validatie tegen de specificatie vertelt je dat de markup welgevormd is. Ze zegt niets over de tekst die de markup omsluit. En juist daar – in de tekst zelf – schuilen de schadelijkste hallucinaties. Span-locked composition, het paradepaardje van v0.3, is speciaal ontworpen om die te voorkomen.

Inhoudsopgave

De hallucinatie die het schema niet kan vangen

Vraag een model een zestiende-eeuwse Franse brief te coderen en je krijgt vaak een TEI-document terug dat er onberispelijk uitziet. De header is ingevuld, de <persName>-tags staan op de juiste plaats, de <dateline> is welgevormd. Haal het door validate_document en het slaagt.

Vergelijk dan de lopende tekst met de bron.

mesme is même geworden. Een komma is verhuisd. luy is stilzwijgend gemoderniseerd tot lui. Een zinsdeel dat in het handschrift moeilijk leesbaar was, is “verbeterd” tot iets netters. Om geen van die wijzigingen is gevraagd. Geen ervan wordt gemeld. Het document is schemageldig en in alle stilte fout.

Voor een archivistische workflow – waarin de gecodeerde tekst de blijvende versie wordt waarop latere lezers, zoekindexen en citaties vertrouwen – is dit de faalwijze die er het meest toe doet. Een misvormde tag is vervelend. Een gemoderniseerde spelling die vijf jaar lang niemand opmerkt, is een corruptie.

Span-locked composition

De nieuwe versie (v0.3) bevat een mechanisme tegen hallucinaties dat precies op deze faalwijze mikt. Het ontwerpdoel is hallucinaties in de lopende tekst per constructie onmogelijk te maken, niet alleen onwaarschijnlijk.

Het idee is eenvoudig: het model typt nooit lopende tekst.

De workflow ziet er in plaats daarvan zo uit:

Het model roept get_source("letter_001") aan en ontvangt de platte brontekst als onveranderlijke string.
Voor elke tag die het wil aanbrengen, roept het tag_span("letter_001", start, end, element_path, attrs) aan – het registreert daarmee een TEI-element op een tekenbereik in de bron.
Is het klaar, dan roept het compose("letter_001") aan. De server vlecht de geregistreerde tags door de oorspronkelijke platte tekst, rendert de definitieve TEI en controleert vervolgens byte voor byte of de platte tekstinhoud van het gerenderde document gelijk is aan de bron.

Komen de bytes overeen, dan komt het document terug. Zo niet – als de tags van het model op een of andere manier een lopende tekst impliceren die ook maar één teken van de bron afwijkt – dan werpt compose() een fout op in plaats van een corrupt document terug te geven.

Er is geen route door deze workflow waarlangs het model een TEI-document produceert waarvan de lopende tekst van de bron afwijkt. De invariant is mechanisch, niet gedragsmatig. Je hoeft er niet op te vertrouwen dat het model niet hallucineert; je hoeft alleen te vertrouwen op een ==-vergelijking tussen twee bytestrings.

Wat dit is, en wat het niet is

Span-locked composition is een aanvulling op schemaverankering, geen vervanging ervan. De tools voor schemaverankering (validate_document, lookup_element, valid_children en de rest van de oorspronkelijke zestien) helpen het model geldige TEI te produceren. Span-locked composition garandeert dat de lopende tekst binnen die TEI trouw is aan de bron. Een inzetbare codeerworkflow moet aan beide eisen voldoen, en nu dekt één server ze allebei.

Het is ook geen wondermiddel voor alles. compose() controleert nog niet of de geregistreerde tags toelaatbaar zijn volgens een geladen ODD-customisatie – dat komt later. Geregistreerde tags leven in het procesgeheugen en overleven een herstart niet. En de bronbestanden moeten leesbaar zijn vanaf de plek waar de server draait. Dat valt allemaal op te lossen; niets ervan ondergraaft de kerninvariant.

Waarom dit verder reikt dan TEI

Het patroon laat zich veralgemenen. Telkens wanneer een model wordt gevraagd een stuk tekst te annoteren, te transformeren of te omsluiten – en telkens wanneer de integriteit van de onderliggende tekst zwaarder weegt dan het vermogen van het model om die te “verbeteren” – past dezelfde vorm van oplossing. Vraag het model niet de tekst over te typen. Vraag het instructies over de tekst te produceren, en laat een deterministische composer die toepassen onder een gelijkheidsinvariant.

Voor digitale edities in het bijzonder verandert dit wat je een model verantwoord kunt vragen. Coderen wordt ineens een taak die je kunt delegeren zonder elke uitvoer handmatig met de bron te hoeven vergelijken. De machine neemt de saaie weg; de editeur beoordeelt de markup, niet de spelling.

De update ophalen

Heb je tei-mcp al geïnstalleerd:

uvx tei-mcp@latest

Of bij een nieuwe installatie:

pip install tei-mcp

Om span-locked composition te gebruiken, wijs je de server naar een map met platte bronbestanden:

export TEI_MCP_SPAN_SOURCE_ROOT=/path/to/sources
uvx tei-mcp

De naam van elk bestand (zonder extensie) wordt zijn document-ID (letter_001.txt → letter_001).

Broncode, volledige documentatie en de ontwerpnotities bij de invariant:

tei-mcp

Sun, 15 Mar 2026 00:00:00 +0000

tei-mcp: TEI P5 voor AI-agents

tei-mcp is een opensource-server voor die AI-codeerassistenten rechtstreeks toegang geeft tot de -specificatie. In plaats van te vertrouwen op uit het hoofd geleerde trainingsdata – wat vaak plausibele maar foute markup oplevert – kan de AI de specificatie in realtime bevragen.

Functies

De server parseert de ODD van TEI P5 en biedt 16 tools aan:

Opzoeken van elk element, elke klasse, macro of module op naam, hoofdletterongevoelig en met suggesties bij tikfouten
Attributen oplossen over de volledige TEI-klassenhiërarchie (lokaal + geërfd)
Inhoudsmodellen uitklappen tot gestructureerde bomen, met resolutie van klassen en macro’s
Nesting valideren – directe ouder-kindrelatie of recursieve bereikbaarheid, met padregistratie
Documenten valideren tegen TEI P5: inhoudsmodellen, attributen, gesloten waardelijsten, referentie-integriteit en waarschuwingen bij verouderde elementen
Afzonderlijke elementen valideren voor incrementele bewerkingsworkflows
ODD-customisaties laden om het schema te beperken tot een projectspecifieke deelverzameling
Zoeken in alle entiteitstypen met reguliere expressies

Installatie

pip install tei-mcp

Of rechtstreeks uitvoeren met:

uvx tei-mcp

Gebruik

Voeg toe aan elke MCP-compatibele client (Claude, Cursor, Windsurf enz.):

{
 "mcpServers": {
 "tei": {
 "command": "uvx",
 "args": ["tei-mcp"]
 }
 }
}

De broncode en documentatie vind je in de .

tei-mcp: TEI P5 voor AI-agents

Sun, 15 Mar 2026 00:00:00 +0000

Wie ooit een AI-codeerassistent TEI-XML heeft laten schrijven, heeft het vast gemerkt: het gaat mis. Elementen duiken op waar ze niet horen. Attributen worden verzonnen. Nestingregels worden genegeerd. Het model heeft een ruw idee van hoe TEI eruitziet, maar geen betrouwbare kennis van de specificatie.

tei-mcp lost dat op door AI-agents rechtstreeks, via tools, toegang te geven tot de TEI P5 Guidelines.

Inhoudsopgave

Wat is MCP?

Het (MCP) is een open standaard waarmee AI-toepassingen verbinding kunnen maken met externe gegevensbronnen en tools. Zie het als een USB-poort voor AI: één protocol waarmee elke compatibele client – Claude, Cursor, Windsurf en andere – op gespecialiseerde diensten kan aansluiten.

Een MCP-server stelt tools beschikbaar die de AI tijdens een gesprek kan aanroepen. In plaats van te vertrouwen op uit het hoofd geleerde trainingsdata kan het model een actuele, gezaghebbende bron bevragen.

Wat tei-mcp doet

tei-mcp parseert de ODD-specificatie van TEI P5 en biedt 16 tools aan die de meest voorkomende vragen van een editeur of encoder beantwoorden:

Wat is dit element? Zoek elk element, elke klasse, macro of module op naam op, hoofdletterongevoelig en met suggesties bij tikfouten.
Welke attributen neemt het? Los attributen op over de hele klassenhiërarchie – eerst de lokale, dan de geërfde, in volgorde.
Wat mag erin? Klap inhoudsmodellen uit tot gestructureerde bomen, of vraag een platte lijst van geldige kinderen op.
Mag dit element hier staan? Controleer de nesting van ouder en kind, of volg de bereikbaarheid door de volledige elementenhiërarchie.
Is mijn document geldig? Valideer een TEI-XML-bestand tegen de specificatie: inhoudsmodellen, attribuutwaarden, gesloten waardelijsten, referentie-integriteit en waarschuwingen bij verouderde elementen.
En mijn projectschema? Laad een ODD-customisatiebestand om dit alles te beperken tot de specifieke TEI-deelverzameling van je project.

Waarom het ertoe doet

TEI-codering vereist dat je voortdurend de Guidelines raadpleegt. Ervaren encoders kennen de gangbaarste patronen uit het hoofd, maar zelfs zij moeten de specificatie erbij nemen voor minder vertrouwde elementen of ingewikkelde inhoudsmodellen. Voor AI-assistenten, die zulke verinnerlijkte kennis niet hebben, is het probleem erger: ze hallucineren markup die er plausibel uitziet maar niet klopt.

Met tei-mcp hoeft de AI niet te gokken. Het kan het antwoord in de specificatie opzoeken voordat het één punthaak schrijft. Het resultaat is markup die voldoet aan TEI P5 – of aan de ODD-customisatie van je project.

Aan de slag

Installeer vanaf PyPI:

pip install tei-mcp

Voeg de server daarna toe aan de configuratie van je MCP-client:

{
 "mcpServers": {
 "tei": {
 "command": "uvx",
 "args": ["tei-mcp"]
 }
 }
}

De server downloadt de TEI-specificatie bij de eerste start en werkt met elke MCP-compatibele client.

Broncode en volledige documentatie: