AI-aansprakelijkheid: hoe richt je de keten in?
AI-systemen zijn geen rechtssubject — de publicerende partij draagt de externe verantwoordelijkheid. Voor redacties en compliance-teams betekent dat: de interne keten moet aantoonbaar kloppen. We zetten de praktische governance op een rij.
Het kort: 5 praktijk-takeaways
1. Publicatie = verantwoordelijkheid — Onder art. 6:162 BW geldt geen uitzondering voor AI-output. De uitgever is extern aanspreekbaar; intern verdeel je verantwoordelijkheid expliciet over prompt-engineer, reviewer, eindredacteur en directie. Geen toegewezen reviewer betekent feitelijk: niemand verantwoordelijk.
2. Leverancier vangt je niet op — OpenAI, Anthropic en Microsoft leggen verantwoordelijkheid voor output bij de gebruiker. Microsoft’s Copyright Commitment dekt beperkt auteursrecht, geen feitelijke fouten of reputatieschade. Lees voorwaarden per release opnieuw — ze veranderen vaak.
3. Audit trail per artikel — Leg prompt, model, reviewer en wijzigingen vast. Bij een geschil onderbouwt deze documentatie redactionele zorgvuldigheid. Ontbreken ervan is geen automatisch verlies, maar verzwakt je positie en kan invloed hebben op verzekeringsdekking.
4. Tweepersoonsregel bij risicocontent — Content over geïdentificeerde personen, bedrijven, medische of juridische onderwerpen: minimaal twee reviewers. Routinecontent zoals productteksten mag lichter. Differentieer je proces naar risico, niet naar volume.
5. Snelheid bij herstel — Corrigeer binnen uren na ontdekking, plaats rectificatie zichtbaar op dezelfde pagina en informeer betrokkenen actief. Passief afwachten weegt mee in de juridische beoordeling van zorgvuldigheid.
Waar AI dit goed kan — en waar niet
Bij aansprakelijkheidsvraagstukken is AI nuttig als ondersteunend instrument, niet als beslisser. Modellen kunnen helpen bij het opstellen van interne richtlijnen, het classificeren van content naar risiconiveau, of het samenvatten van leveranciersvoorwaarden. Ook audit-trail-logging laat zich goed automatiseren: prompt, model-versie, parameters en reviewer-acties zijn gestructureerde data.
Waar nuance nodig is: juridische kwalificatie blijft mensenwerk. Of een uitspraak onrechtmatig is onder 6:162 BW, of een transparantieverplichting uit de AI-verordening van toepassing is, of een polis dekking biedt — dat zijn contextuele afwegingen die een model niet betrouwbaar maakt. Een tweede risico is circulariteit: AI gebruiken om AI-output te fact-checken introduceert dezelfde foutbronnen. Verificatie hoort terug te grijpen naar primaire bronnen, niet naar een ander model.
Praktisch: zet AI in voor proces (classificatie, logging, draft-review checklists) en houd mensen in de lus voor inhoudelijk oordeel over feiten, reputatierisico en juridische duiding.
Bron
Dit overzicht is gebaseerd op het volledige artikel van C37: Wie is verantwoordelijk als een AI-artikel een fout bevat?
Het brand-artikel van C37 bevat de volledige juridische uitwerking met wetsartikelen, jurisprudentie (Brian Hood, NYT vs. OpenAI) en specifieke passages uit de AI-verordening en leveranciersvoorwaarden.