Kennis, afweging en toepassing
AI, privacy en ethiek.
Maak keuzes die u kunt uitleggen.
Een AI-antwoord, een nieuwe gegevenskoppeling of een lastig professioneel dilemma: de gevolgen voor mensen verdienen aandacht. Verbind juridische eisen, de dagelijkse praktijk en een zorgvuldige ethische afweging.
Waarom deze onderwerpen samenkomen
Een technische mogelijkheid is het begin van een gesprek.
Een team wil klantvragen sneller afhandelen met AI. Een gemeente wil gegevens combineren om ondersteuning gerichter aan te bieden. Een manager zoekt een eerlijke manier om beperkt beschikbare tijd te verdelen. In alle drie de situaties zijn doelen, mensen en gevolgen met elkaar verbonden. De techniek of het proces kan helpen, maar bepaalt niet zelfstandig wat een zorgvuldige keuze is.
Privacy, data-ethiek en AI-ethiek bieden verschillende invalshoeken. Onder de AVG moet een organisatie die persoonsgegevens verwerkt onder meer doel, grondslag, noodzakelijkheid, transparantie en bescherming kunnen onderbouwen. Een bredere ethische afweging brengt daarnaast de belangen en waarden achter een besluit in beeld. Daarbij kunnen ook groepen geraakt worden zonder dat hun persoonsgegevens in het systeem staan.
Die invalshoeken ondersteunen elkaar. Een ethisch wenselijk doel maakt een onrechtmatige verwerking niet rechtmatig. Omgekeerd beantwoordt een juridische toets niet automatisch alle vragen over menselijke waardigheid, afhankelijkheid of de verdeling van kansen. De AVG-beginselen van de EDPB en het Algoritmekader over grondrechten bieden hiervoor inhoudelijke vertrekpunten.
| Invalshoek | Centrale vraag | Praktisch resultaat |
|---|---|---|
| Privacy en AVG | Welke persoonsgegevens gebruiken we, waarom mag dat en hoe beschermen we mensen? | Onderbouwde keuzes over gegevens, toegang, bewaartermijnen, informatie en rechten. |
| Data-ethiek | Welke aannames en belangen zitten in het verzamelen, combineren en gebruiken van gegevens? | Een afweging van doelen, betrokken groepen, alternatieven en grenzen aan datagebruik. |
| AI-ethiek | Hoe beïnvloedt AI kansen, gedrag en beslissingen, en kunnen mensen daarop ingrijpen? | Keuzes over eerlijkheid, uitleg, menselijke controle en het volgen van gevolgen. |
| Algemene ethiek | Wat is zorgvuldig als waarden of verantwoordelijkheden met elkaar botsen? | Een navolgbare afweging, ook bij een dilemma zonder data of AI. |
Een fictief voorbeeld: sneller helpen met een AI-samenvatting
Stel dat een ondersteuningsteam AI wil gebruiken om lange cliëntberichten samen te vatten. Het beoogde voordeel is tijd voor persoonlijk contact. De privacyvraag is welke gegevens naar welke leverancier gaan en welke afspraken en grondslag nodig zijn. De kwaliteitsvraag is of de samenvatting essentiële omstandigheden weglaat. De ethische vraag is of iemand met complexe problemen daardoor minder aandacht krijgt, terwijl snelheid voor het team juist toeneemt.
Een mogelijke vervolgroute is eerst het proces afbakenen en met zorgvuldig gemaakte fictieve voorbeelden onderzoeken welke informatie verloren gaat. Het team vergelijkt daarbij ook een werkwijze zonder AI. Zo’n oefening geeft nog geen toestemming voor gebruik van echte dossiers. Daarvoor blijven een passende beoordeling, concrete maatregelen en een verantwoordelijk besluit nodig. Het voorbeeld laat zien waarom één vinkje bij ‘privacy’ of ‘menselijke controle’ onvoldoende informatie geeft.
Van abstract naar bespreekbaar
Werk toe naar een besluit dat opnieuw beoordeeld kan worden.
Een bruikbare afweging bevat meer dan een oordeel achteraf. Ze maakt duidelijk welke informatie beschikbaar was, wie gehoord is en onder welke voorwaarden een keuze verantwoord lijkt. Deze vijf stappen helpen het gesprek te ordenen:
- Omschrijf de toepassing. Benoem het concrete probleem, het doel, de gebruikers en het moment waarop een uitkomst gevolgen heeft. ‘We willen iets met AI’ is te breed om goed te beoordelen.
- Breng mensen en belangen in beeld. Wie profiteert, wie loopt risico en wie ontbreekt aan tafel? Denk ook aan mensen die niet kunnen uitwijken naar een ander kanaal of hun ervaring moeilijk kunnen verwoorden.
- Onderzoek regels én alternatieven. Controleer juridische voorwaarden en vergelijk het voorstel met minder ingrijpende mogelijkheden. Kijk naar minder gegevens, een beperktere doelgroep, een andere werkverdeling of afzien van de toepassing.
- Maak voorwaarden concreet. Leg vast wie een fout kan corrigeren, hoe een signaal wordt opgepakt en welke uitkomst aanleiding is om het proces stil te leggen. Geef de verantwoordelijke daarvoor tijd, informatie en bevoegdheid.
- Plan de herbeoordeling. Benoem open vragen, een eigenaar en een evaluatiemoment. Een nieuwe gegevensbron, andere doelgroep of gewijzigde AI-functie kan een eerdere afweging veranderen.
Houd juridische conclusies, ethische argumenten en organisatorische acties herkenbaar in dezelfde besluitvorming. Een DPIA, IAMA en ethische afweging hebben elk een eigen doel. Bepaal welke beoordeling uw concrete situatie nodig heeft en voorkom dat hetzelfde formulier voor alles wordt gebruikt.
Verdieping per praktijkvraag
Acht artikelen om mee te werken.
Elk artikel behandelt een afgebakende vraag met een uitgewerkt voorbeeld, praktische stappen, een checklist en bronnen. Kies waar uw team nu tegenaan loopt.
Hoe beoordeelt u een concrete AI-toepassing onder de AVG?
Een goedgekeurde AI-leverancier is nog geen goedgekeurde toepassing. Dezelfde tekstassistent kan worden gebruikt voor een openbare uitnodiging, een cliëntverslag of het rangschikken van sollicitanten. Dat zijn verschillende verwerkingen met andere gevolgen. Deze aanpak helpt een proceseigenaar, privacyprofessional en IT-collega samen tot een controleerbaar besluit te komen. De werktafel en het voorbeeld zijn praktische hulpmiddelen; zij vervangen geen DPIA of sectorspecifieke beoordeling.
Welke persoonsgegevens mogen in een AI-prompt?
Een medewerker wil een e-mail vriendelijker maken en plakt de hele correspondentie in een tekstassistent. Daarmee gaan vaak meer gegevens mee dan voor de taaltaak nodig zijn. De belangrijkste controle vindt daarom vóór het verzenden plaats. Dit artikel helpt teams afspraken maken voor tekst, bijlagen en gekoppelde bronnen. De werkwijze is een praktische vertaling naar dagelijks werk, geen universele toestemming voor bepaalde soorten gegevens.
Hoe legt u AI-gebruik duidelijk uit aan werknemers en klanten?
‘Wij gebruiken AI’ geeft een klant weinig houvast. Wordt een tekst vertaald of beoordeelt een systeem de aanvraag? Worden opgenomen vergaderingen ook gebruikt voor personeelsbeoordeling? Goede transparantie sluit aan op wat iemand moet kunnen begrijpen. Dit artikel helpt communicatie, HR, privacy en proceseigenaren die uitleg samen ontwerpen en toetsen.
Wanneer is menselijke controle bij AI-besluiten betekenisvol?
‘Er kijkt altijd iemand naar’ stelt vaak gerust bij AI. Toch kan een beoordelaar nauwelijks invloed hebben wanneer de uitkomst al vaststaat, informatie ontbreekt of afwijkingen moeten worden verdedigd. Dit artikel helpt controle als werkproces ontwerpen, met onderscheid tussen juridische grenzen en praktische kwaliteitsmaatregelen. De voorbeelden zijn fictief en geen oordeel over een echte werkgever of leverancier.
Hoe maakt u een praktisch afwegingskader voor data-ethiek?
Een overzicht kan feitelijk kloppen en toch tot een slecht verdedigbare beslissing leiden. Denk aan het sluiten van een spreekuur omdat weinig bezoekers geregistreerd staan, terwijl juist de moeilijkst bereikbare inwoners ontbreken. Data-ethiek vraagt daarom niet alleen of gegevens correct zijn, maar ook welk beeld zij oproepen en wie daarvan de gevolgen draagt. Onderstaand werkmodel is een praktische aanpak van Datajuristen, geen officiële certificering of vervanging van een juridische beoordeling.
Hoe bespreekt u een ethisch dilemma zonder te blijven hangen in meningen?
Ethiek is niet beperkt tot technologie. Een team dat schaarse ondersteuning verdeelt, vertrouwelijke informatie bespreekt of grenzen stelt aan bereikbaarheid, maakt al morele keuzes. ‘De regels verbieden het niet’ helpt daarbij soms onvoldoende. Onderstaande werkvorm is bedoeld voor een concrete casusbespreking. Het is een eigen praktische gespreksopzet, geen claim dat één bijeenkomst alle juridische of professionele afwegingen vervangt.
Hoe beoordeelt u bias en discriminatierisico’s bij AI?
Een model kan technisch consequent werken en toch een ongeschikte maatstaf toepassen. Wie ‘geschikte kandidaat’ afleidt uit eerder aangenomen medewerkers, meet mogelijk vooral historische voorkeuren. Bias is een verzamelterm voor systematische vertekening; discriminatie is daarnaast een juridische beoordeling van onderscheid in een concrete context. Niet iedere statistische afwijking is verboden onderscheid, en niet ieder discriminatieprobleem wordt zichtbaar in één statistiek.
Wat is het verschil tussen een DPIA, IAMA en ethische afweging?
Een projectteam vraagt soms om ‘één assessment waarmee alles geregeld is’. Dat klinkt efficiënt, maar verbergt verschillen in doel, juridische status en verantwoordelijkheid. Een gedeeld feitenonderzoek kan veel dubbel werk voorkomen; de afzonderlijke conclusies moeten wel herkenbaar blijven. Hieronder staat een praktische manier om de beoordelingen te combineren zonder van een ingevuld formulier een algemene toestemming te maken.
Workshops voor uw eigen team
Welke vraag wilt u samen onderzoeken?
Van professionele dilemma’s tot gegevensgebruik en AI. Kies de inhoud die bij uw team past; programma, werkvorm en kosten spreken we vooraf af.
Workshop data en ethiek: van dashboard naar verantwoorde keuze
Een dashboard kan technisch kloppen en toch een verkeerd beeld geven. Een dataset kan bruikbaar zijn voor onderzoek, maar ongeschikt om individuele mensen op aan te spreken. In deze workshop onderzoekt uw team welke keuzes achter cijfers schuilgaan en wie de gevolgen daarvan ondervindt.
Workshop ethiek: zorgvuldig kiezen bij lastige dilemma’s
Een uitzondering helpt één persoon, maar roept vragen op over gelijke behandeling. Loyaliteit aan een collega kan botsen met openheid tegenover een klant. Deze workshop helpt uw team zulke situaties zorgvuldig te onderzoeken.
Workshop AI en privacy: beoordeel toepassingen en prompts
Dossiers samenvatten, vacatureteksten voorbereiden of klantantwoorden laten voorstellen: de privacyvraag verschilt per toepassing. In deze workshop brengt u het gegevensgebruik in kaart en vertaalt u dat naar toetsbare voorwaarden.
Workshop AI-ethiek: bias, autonomie en menselijke controle
AI kan gemiddeld goed presteren terwijl een specifieke groep slechter wordt geholpen. Een medewerker kan formeel beslissen en toch nauwelijks ruimte hebben om af te wijken. Deze workshop onderzoekt wat verantwoorde AI in het dagelijkse werk vraagt.
Uw volgende stap
Welke verdieping past bij uw vraag?
De inhoudelijke vraag bepaalt of een workshop, nadere beoordeling of begeleiding de beste vervolgstap is.
Wat is het verschil tussen privacy en data-ethiek?+
Privacy gaat onder meer over de bescherming van mensen bij het gebruik van persoonsgegevens. Data-ethiek onderzoekt daarnaast welke gevolgen gegevensgebruik heeft voor bijvoorbeeld rechtvaardigheid, autonomie en de verdeling van kansen. Een ethische afweging kan een ontbrekende juridische grondslag niet vervangen.
Is een workshop ethiek alleen relevant als we AI gebruiken?+
Nee. Ook bij werkdruk, zorgvuldige dienstverlening, de verdeling van schaarse middelen of botsende professionele verantwoordelijkheden ontstaan ethische dilemma’s. De algemene workshop ethiek richt zich op het bespreken en onderbouwen van zulke keuzes, zonder dat data of AI centraal hoeven te staan.
Welke workshop past bij een nieuw dataproject?+
De workshop data en ethiek past bij vragen over verzamelen, combineren, analyseren en delen van gegevens. Staat vooral een AI-toepassing met persoonsgegevens centraal, dan sluit AI en privacy beter aan. Bij vragen over bias, autonomie en de invloed van AI op beslissingen is AI-ethiek de meest gerichte verdieping.
Vervangt een workshop een DPIA of juridische beoordeling?+
Nee. Een workshop helpt vraagstukken herkennen, opties afwegen en vervolgacties bepalen. Een DPIA, grondrechtenbeoordeling of juridische toets vraagt een eigen scope, relevante feiten, deskundigheid en vastlegging. Of zo’n beoordeling verplicht is, hangt af van de toepassing en de toepasselijke regels.
Kunnen verschillende disciplines samen deelnemen?+
Ja. Juist de combinatie van inhoudelijke medewerkers, management, privacy, IT en beleid kan blinde vlekken zichtbaar maken. In de voorbereiding bepalen we welke deelnemers, perspectieven en eventueel vertegenwoordigers van betrokken groepen nodig zijn.
Ook de uitvoering regelen
Verbind leren met beleid en verantwoordelijkheid.
Na een afweging moeten afspraken werkbaar worden. Wie beoordeelt een nieuwe tool? Wie houdt toepassingen bij? En waar kunnen medewerkers met twijfel terecht?
Bekijk onze aanpak voor AI-beleid, een DPIA of vaste AI-begeleiding. Voor algemene privacyvragen vindt u de mogelijkheden op de privacypagina.