Privacy by design voor AI: zo bouw je AVG-principes in je AI-oplossingen

Privacy by design betekent dat je gegevensbescherming vanaf het eerste ontwerp in je AI-systeem inbouwt in plaats van er achteraf iets op te plakken. In de kern: verwerk zo min mogelijk persoonsgegevens, kies vooraf een geldige grondslag, beperk de bewaartermijn en zet standaardinstellingen op de meest privacyvriendelijke stand. Voor AI is dit extra belangrijk, omdat modellen data kunnen onthouden en onbedoeld reproduceren. De plicht staat in artikel 25 AVG en geldt voor elk AI-systeem dat persoonsgegevens raakt.

Wat is privacy by design (artikel 25 AVG)?

Privacy by design en privacy by default zijn vastgelegd in artikel 25 AVG (2016). Design betekent dat je passende technische en organisatorische maatregelen al in de ontwerpfase treft, zoals dataminimalisatie en pseudonimisering. Default betekent dat de standaardinstellingen automatisch de meest privacyvriendelijke zijn, zodat een gebruiker niet eerst een vinkje hoeft uit te zetten om beschermd te zijn. Het is geen eenmalige check maar een houding die je door het hele ontwerp- en gebruiksproces volhoudt.

Hoe pas je het toe op AI?

AI stelt eigen eisen aan privacy by design, omdat een model tijdens training grote hoeveelheden data verwerkt en die deels kan vasthouden. De belangrijkste principes vertaald naar AI:

• Dataminimalisatie: gebruik alleen de gegevens die je echt nodig hebt, en verwijder identificerende velden die niets toevoegen.
• Pseudonimisering en anonimisering: haal waar mogelijk persoonsgegevens uit de trainings- en invoerdata.
• Doelbinding: gebruik data alleen voor het doel waarvoor je ze hebt verzameld, en train niet zomaar een model op klantdata die voor iets anders is verzameld.
• Bewaarbeperking: bepaal vooraf hoe lang je invoer, uitvoer en logs bewaart.
• Beveiliging by default: zet toegang, logging en instellingen standaard op de veiligste stand.

Welke keuzes maak je bij het trainen en gebruiken?

De scherpste keuzes zitten rond trainingsdata. Wil je een model trainen of finetunen op eigen data, stel dan eerst vast of daar persoonsgegevens in zitten, welke grondslag je hebt en of de betrokkenen dit redelijkerwijs konden verwachten. Gebruik je een externe AI-tool, let dan op of jouw invoer wordt gebruikt om het model van de leverancier verder te trainen, en zet dat waar mogelijk uit. Zie ook GDPR en AI-modellen voor de grondslagen bij het trainen en gebruiken van modellen.

Hoe pak je het in stappen aan?

1. Breng in kaart welke persoonsgegevens je AI-systeem verwerkt, in de training en in het gebruik.
2. Bepaal per verwerking de grondslag en het doel, en leg die vast.
3. Minimaliseer: verwijder of pseudonimiseer gegevens die je niet nodig hebt.
4. Stel bewaartermijnen in voor invoer, uitvoer en logs, en zet standaardinstellingen op privacyvriendelijk.
5. Voer bij hoog risico een DPIA uit en leg de maatregelen vast, zodat je aantoonbaar in control bent.

Een praktijkvoorbeeld: een organisatie wil klantvragen laten samenvatten door een AI-tool. In plaats van complete klantdossiers aan te leveren, verwijdert ze eerst namen, adressen en klantnummers, zodat het model alleen met de inhoud van de vraag werkt. Zo blijft de dienst bruikbaar terwijl de blootstelling van persoonsgegevens minimaal is.

De urgentie groeit met de adoptie. In 2024 gebruikte 22,7 procent van de Nederlandse bedrijven met tien of meer werknemers AI, meldt het CBS (2025). Hoe meer AI-toepassingen persoonsgegevens raken, hoe belangrijker het is om privacy vooraf in te bouwen in plaats van achteraf te repareren.

Wil je privacy goed borgen in je AI? Lees over de samenloop van EU AI Act en AVG en leveranciersrisico bij AI, verdiep je via de EU AI Act-pillar, volg een training of vraag een gesprek aan.

Veelgestelde vragen

Mag ik klantdata gebruiken om een AI te trainen?

Alleen als je daarvoor een geldige grondslag hebt en het past binnen het doel waarvoor je de data hebt verzameld. Vaak is dat niet automatisch het geval. Minimaliseer en pseudonimiseer de data, en voer bij hoog risico een DPIA uit voordat je begint.

Wat is het verschil tussen privacy by design en een DPIA?

Privacy by design is de doorlopende houding om bescherming in te bouwen in je ontwerp. Een DPIA is een concrete beoordeling die je uitvoert bij verwerkingen met een hoog risico. Ze versterken elkaar: privacy by design levert de maatregelen die je in de DPIA beschrijft.

Geldt dit ook als ik alleen een externe AI-tool gebruik?

Ja. Ook dan blijf je verantwoordelijk voor de persoonsgegevens die je erin stopt. Kies een privacyvriendelijke configuratie, zet training op jouw invoer waar mogelijk uit, en leg vast welke gegevens de tool verwerkt en hoe lang.