“Je data blijft van jou” staat op steeds meer AI-producten. Maar wat betekent die belofte concreet? Waar draait het model? Wie kan je prompts inzien? Wordt je input gebruikt voor training? Zonder controleerbare antwoorden op die vragen is de belofte vooral marketing.
Dit artikel maakt privacy-first AI toetsbaar. Je leest waar de data van een AI-werkplek heen kan gaan, welke documentatie je van elke leverancier moet opvragen — Cortex37 incluis — en hoe je een werkplek inricht waarin controle een ontwerpprincipe is dat je kunt verifiëren.
Waarom ‘privacy-first’ meer is dan een vinkje
Elke AI-interactie is een datastroom. Je prompt, je documenten, je context — alles verlaat je scherm en gaat ergens naartoe. Bij veel AI-tools is dat “ergens” een cloudserver waarvan je de locatie, jurisdictie en het bewaarbeleid niet kent.
Privacy-first AI draait die logica om. Niet: “we beschermen je data goed op onze servers.” Maar: “je data verlaat jouw omgeving niet, tenzij jij daar expliciet voor kiest.” Dat verschil zit in de architectuur — en moet aantoonbaar zijn, niet alleen beloofd in een privacyverklaring.
Voor een werkplek waar contracten, klantdossiers en interne strategie doorheen gaan, is dat geen detail. Het bepaalt of je AI kunt inzetten op gevoelig werk, of alleen op wat je toch al openbaar zou durven maken.
De drie lagen van ‘je data blijft van jou’
De belofte valt uiteen in drie vragen. Een leverancier die privacy-first claimt, moet ze alle drie met documentatie kunnen beantwoorden.
1. Waar wordt je data verwerkt?
Dit is dataresidentie: waar je data wordt opgeslagen en verwerkt — op je eigen machine, in een EU-datacenter, of daarbuiten. Vraag naar concrete datacenterlocaties en de lijst van subverwerkers.
Houd dataresidentie daarbij gescheiden van drie verwante, maar aparte vragen. Welk recht is van toepassing op de verwerking? Wie heeft feitelijk zeggenschap over de systemen — de leverancier zelf, of een moederbedrijf of subverwerker elders? En kunnen partijen of autoriteiten buiten de EU toegang tot de data afdwingen? EU-opslag beantwoordt de residentievraag, maar niet automatisch die andere drie. Een serverlocatie is het begin van het antwoord, niet het einde.
2. Wat gebeurt er met je data na verwerking?
Wordt je input opgeslagen? Hoe lang? Wordt hij gebruikt om modellen te trainen? Kan een medewerker van de leverancier je gesprekken inzien voor “kwaliteitsdoeleinden”?
Neem hier geen genoegen met een claim op een website. Vraag om het bewaarbeleid, de verwerkersovereenkomst (DPA) en een expliciete, contractuele toezegging dat je data niet voor training wordt gebruikt.
3. Wie beslist — jij of het systeem?
De derde laag is controle per beslissing. Misschien wil je voor één taak wél een Amerikaans model inzetten. Dat moet een bewuste keuze zijn, geen stille standaardinstelling.
Maak dit toetsbaar — bij Cortex37 net zo goed als bij elk ander product. Vraag de leverancier: wat is de standaardroute van een prompt, en is die standaard lokaal of EU-gehost? Kan er data naar een Amerikaanse provider gaan zonder dat ik daar per gesprek expliciet voor kies? En waar is dat vastgelegd — in de productdocumentatie, de subverwerkerslijst, een datastroomdiagram? Een ontwerpprincipe dat nergens gedocumenteerd staat, kun je niet controleren — en dus ook niet op vertrouwen.
Lokale modellen: minder datastroom, mits echt lokaal
De meest directe vorm van privacy-first AI is een model dat op je eigen hardware draait. Geen externe verwerker, geen jurisdictievraag over je prompts — in principe.
Dat “in principe” verdient aandacht. Lokale verwerking garandeert alleen dat er geen data vertrekt als álles lokaal blijft: het model zelf, de RAG-index, de embeddings, maar ook telemetrie, updates en logging. Een simpele test: monitor het netwerkverkeer of draai de werkplek tijdelijk offline en kijk wat er stopt met werken. Vraag de leverancier vooraf of het product zo’n offline-test doorstaat, en wat er in dat geval precies niet meer werkt.
Lokale modellen zijn de afgelopen jaren sterk verbeterd en volstaan voor veel werkplektaken: samenvatten, herschrijven, structureren, code reviewen. Dat past bij een breder principe: efficiëntie boven brute kracht. Een werkplek die slim routeert — lokaal waar het kan, EU-gehost waar meer capaciteit nodig is — houdt data dichtbij zonder in te leveren op bruikbaarheid.
RAG: je documenten benutten zonder ze weg te geven
De echte waarde van een AI-werkplek zit in werken met jouw context: contracten, notities, rapporten, kennisbank. De techniek daarvoor heet RAG (retrieval-augmented generation): het systeem zoekt relevante fragmenten in je documenten en geeft die als context mee aan het model.
Hier wordt de privacy-vraag scherp — en subtieler dan hij lijkt. Een RAG-opzet bestaat uit meerdere schakels die elk op een andere plek kunnen draaien: de bronbestanden, de embeddings die ervan worden gemaakt, de index waarin die worden opgeslagen, de fragmenten die per vraag worden opgehaald, de prompt waarin die fragmenten belanden, de logs, en de modelinferentie die het antwoord genereert.
Trap daarbij niet in een veelgemaakte denkfout: een lokale index betekent níet dat je documenten lokaal blijven. Draait het taalmodel bij een externe provider, dan worden de opgehaalde fragmenten — vaak juist de gevoeligste passages uit je dossiers — bij elke vraag als context naar die provider gestuurd. Vraag de leverancier daarom per schakel waar de verwerking plaatsvindt: draait de indexering lokaal of in een EU-regio, waar staat de index, wie kan erbij, en naar welk model gaan de opgehaalde fragmenten? Alleen als álle schakels lokaal of in jouw eigen omgeving draaien, blijft het dossier daar ook. En dat “aantoonbaar” is de kern: laat het je demonstreren.
Wat de AI Act en de AVG van je vragen
Privacy-first sluit aan op wat de wet inmiddels vraagt — maar vervangt je juridische huiswerk niet. De Europese AI-verordening (Verordening (EU) 2024/1689) is op 1 augustus 2024 in werking getreden: de eerste brede, horizontale AI-wet van dit type, met één kader dat AI-systemen reguleert op basis van hun risico.
Twee punten zijn nu al relevant. AI-praktijken met een onaanvaardbaar risico, zoals bepaalde vormen van sociale scoring, zijn sinds 2 februari 2025 verboden. En sinds diezelfde datum geldt de AI-geletterdheidsplicht (artikel 4): aanbieders en gebruiksverantwoordelijken moeten zorgen dat wie namens hen met AI-systemen werkt, over voldoende AI-geletterdheid beschikt — kennis en vaardigheden om AI geïnformeerd en verantwoord in te zetten, inclusief begrip van kansen en risico’s. Welke verdere documentatie- en risicoplichten gelden, hangt af van je rol en de risicoklasse van de toepassing; de Europese Commissie publiceert daarover uitleg en richtsnoeren.
Belangrijk om te onthouden: de EU heeft AI niet verboden. De AI Act vraagt dat je risico’s kent, documenteert en beheerst — geen stopknop, maar organisatie. Een privacy-first architectuur helpt bij dat huiswerk, omdat je datastromen korter en beter uitlegbaar zijn. Maar architectuur alleen is geen AVG-conformiteit: doel en grondslag van de verwerking, transparantie, beveiliging, betrokkenenrechten, bewaartermijnen en waar nodig een DPIA blijven jouw verantwoordelijkheid. De Autoriteit Persoonsgegevens houdt toezicht op de AVG en publiceert richtsnoeren over AI en algoritmes.
De juiste toets is daarmee: is jouw gebruik van AI aantoonbaar AVG-conform, of alleen op papier? Een controleerbare architectuur maakt het beantwoorden makkelijker — het antwoord zelf moet je nog steeds onderbouwen.
Zeven vragen om elke AI-werkplek langs te leggen
Of je nu Cortex37 overweegt of een ander product: leg elke AI-werkplek langs deze checklist en vraag om documenten, niet om beloftes.
1. Waar draaien de modellen? Lokaal, EU-gehost, of daarbuiten? Vraag naar concrete datacenterlocaties en de subverwerkerslijst, niet naar “veilige cloud.”
2. Is er een verwerkersovereenkomst (DPA)? Met daarin expliciet: geen training op jouw data, geen inzage voor “kwaliteitsdoeleinden” zonder jouw toestemming.
3. Hoe zijn doorgiftes buiten de EU geregeld? Vraag naar de doorgiftegrondslag, zoals standaardcontractbepalingen (SCC’s), en een doorgiftebeoordeling. Zelf kiezen voor een Amerikaans model maakt de doorgifte niet vanzelf rechtmatig — die keuze moet ook juridisch geregeld zijn.
4. Hoe zit encryptie en sleutelbeheer? Wie beheert de sleutels van je documentindex en opslag — jij of de leverancier?
5. Wat wordt bewaard, hoe lang, en kun je verwijderen? Vraag naar instelbare bewaartermijnen en een aantoonbaar verwijderproces.
6. Zijn er auditlogs? Kun je achteraf zien welk model welke data heeft verwerkt, en waarheen? Vraag ook of automatiseringen en achtergrondtaken in diezelfde logging meelopen.
7. Doorstaat de lokale modus een offline-test? Zet het netwerk uit of monitor het verkeer. Blijft de lokale werkplek functioneren zonder verbindingen naar buiten?
Kan een leverancier deze vragen niet meteen beantwoorden, dan hoeft dat geen slechte wil te zijn. Maar “onbekend” is wel een openstaand punt: vraag door, laat het aantonen in een demo, of zoek het na in de documentatie voordat je er gevoelig werk aan toevertrouwt.
Privacy-first in de praktijk: hoe een werkdag eruitziet
Stel dat een werkplek deze checklist doorstaat. Hoe voelt dat in gebruik? Nauwelijks anders dan nu — en dat is de bedoeling.
Je opent een chat en stelt een vraag over een intern contract. Het antwoord komt van een lokaal model, met RAG over je eigen documentenmap, in een opzet waarvan je zelf hebt geverifieerd dat hij offline werkt.
Voor een uitgebreide onderzoekstaak schakel je naar een EU-gehost model met meer capaciteit, waarvan je de verwerkersketen kent uit de DPA. Voor één specifieke taak kies je expliciet een Amerikaans model — een keuze die je bewust maakt én waarvan je weet hoe de doorgifte juridisch is geregeld.
Automatiseringen — terugkerende samenvattingen, gestructureerde extractie uit documenten — horen in dezelfde omgeving te draaien, met dezelfde regels en dezelfde auditlogs. Controleer dat expliciet: automatiseringen die buiten de gewone logging om draaien, zijn een blinde vlek.
Begin klein: je eerste stap naar een privacy-first AI-werkplek
Je hoeft niet alles in één keer om te gooien. De meest effectieve eerste stap is een inventarisatie van één uur:
- Lijst je huidige AI-gebruik op. Welke tools gebruiken jij en je team, ook informeel?
- Noteer per tool waar de data heen gaat. Weet je het niet? Noteer dan “onbekend” — geen diskwalificatie, maar een onderzoekspunt: zoek het na in de documentatie of vraag het de leverancier.
- Markeer één gevoelige workflow — bijvoorbeeld contracten of klantdata — die je nu níet aan AI toevertrouwt omdat je de datastroom niet kent.
Die ene workflow is je proefcase. Zet er een kandidaat-werkplek naast — Cortex37 of een ander product dat local-first werken belooft — en toets de opzet met de zeven vragen hierboven, inclusief de offline-test en de vraag waar de indexering van je documenten draait.
Dat is wat “je data blijft van jou” hoort te betekenen: geen slogan, maar een claim die je zelf kunt controleren.