Met de vaststelling van Guidelines 03/2026 over webscraping in de context van generatieve AI op 7 en 8 juli 2026 heeft de European Data Protection Board (EDPB) uitvoerig uiteengezet hoe de AVG kan gelden voor het grootschalig scrapen en trainen van AI-modellen. De richtsnoeren zijn vrijgegeven voor publieke consultatie en vormen samen met Opinion 28/2024 en de nieuwe anonimisatie-richtsnoeren (Guidelines 02/2026) een duidelijk signaal: een abstract beroep op 'AI-innovatie' is geen vervanging voor de gewone plichten onder de AVG.
Voor professionals die met vertrouwelijke of hoog-trust informatie werken, is dat relevant. Zodra een AI-model met mogelijk herleidbare persoonsgegevens werkt, blijven rechtmatigheid, doelbinding, transparantie en dataminimalisatie gewoon gelden. Dit artikel zet op een rij wat de nieuwe lijnen betekenen en waar de overlap, de verschillen en de verantwoordelijkheden liggen.
Drie mythes die de EDPB doorprikt
De Guidelines 03/2026 en de eerdere Opinion 28/2024 raken drie hardnekkige aannames.
Mythe 1: AI-modellen vallen door hun aard buiten de AVG. In Opinion 28/2024 legt de EDPB vast dat AI-modellen in de regel zelden echt anoniem zijn. Via modelqueries kunnen betekenisvolle inferences of zelfs heridentificatie optreden. Zolang dat mogelijk is, blijft het model binnen de reikwijdte van de AVG.
Mythe 2: publiek beschikbare data mag onbeperkt worden gescraped. De EDPB stelt in Guidelines 03/2026 expliciet dat 'publiek beschikbaar' geen vrijbrief is en dat webscraping met persoonsgegevens onder de AVG blijft vallen. Webscraping met persoonsgegevens valt altijd onder de AVG. Zoals de analyse van Alston & Bird in EU Regulators Outline GDPR Requirements for AI Web Scraping beschrijft, moeten organisaties die zelf scrapen of vooraf gescrapete datasets inkopen een juridische grondslag en een legitiem belang documenteren, dataminimalisatie toepassen en zich rekenschap geven van de informatieplicht.
Mythe 3: synthetische of 'geanonimiseerde' modellen staan automatisch buiten het privacyrecht. De anonimisatie-richtsnoeren introduceren een driestappentest: No Record Isolation, No Linkage en No Inference. De analyse van Secure Privacy in de nieuwe 2026-anonimisatietest laat zien dat modellen en synthetische data vaak binnen de AVG blijven, juist omdat memorisatie en inference-aanvallen heridentificatie mogelijk maken.
Waar AI en AVG elkaar versterken
De kernbeginselen van de AVG zijn direct toepasbaar op AI-training en -gebruik. Dat betekent per AI-workflow vastleggen wie verwerkingsverantwoordelijke is, welke persoonsgegevens wanneer worden gebruikt (training, finetuning, inference of logging) en op welke rechtsgrond dat gebeurt. Opinion 28/2024 verduidelijkt dat het gebruik van 'gerechtvaardigd belang' als grondslag voor training aanzienlijk strenger moet worden onderbouwd, met een aantoonbare belangenafweging.
De EDPB wijst er bovendien op dat modellen die op onrechtmatig verwerkte persoonsgegevens zijn getraind, downstream-verwerkingen kunnen beïnvloeden en dat organisaties de herkomst van trainingsdata zorgvuldig moeten toetsen. Wie modellen of datasets van derden gebruikt, ontkomt daarmee niet aan due diligence op de herkomst van de trainingsdata.
Waar AI extra lasten oplegt
Het verschil met klassieke databanken zit in het modelgeheugen zelf. Bij traditionele opslag zijn persoonsgegevens vindbaar in records; bij AI verschuift een deel van het risico naar wat het model heeft 'onthouden'. De driestappentest dwingt organisaties om niet alleen datasets, maar ook modelarchitectuur en de uitgifte van modellen te beoordelen voordat zij een model als anoniem bestempelen.
De praktische gevolgen worden concreet in de compliance-gids GDPR for AI Systems van Strac, die AI- en AVG-compliance praktisch uitwerkt in lijn met de EDPB-richtsnoeren en de EU AI Act. Daaruit volgt een governancebeeld: per AI-systeem een inventaris met rechtmatigheidsgrondslag, een gecombineerde DPIA en FRIA, registratie in het verwerkingsregister (ROPA) en auditlogging van AI-interacties in hoog-trust workflows.
Van juridische tekst naar operationele governance
De vertaalslag van richtsnoer naar praktijk vraagt zichtbaarheid: over welke modellen en datasets waar draaien, welke AVG-rollen (verwerkingsverantwoordelijke, verwerker of gezamenlijke verantwoordelijken) bij welke verwerking horen, welke rechtsgrond en belangenafweging zijn vastgelegd, en hoe prompts, outputs en logs bij audits beschikbaar zijn.
Op dat punt kan een verificatielaag ondersteunen. IamVera.ai is geen chatbot en geen eigen taalmodel, maar een privacygerichte verificatielaag voor professionals die met vertrouwelijke informatie werken. Vera kan een taak door geselecteerde onafhankelijke AI-modellen routeren en verificatiestappen, correcties, verschillen en bronnen zichtbaar maken voor inspectie. Dat ondersteunt controle en geeft meer zicht op wat er gebeurt; het is geen garantie op correctheid en het vermindert hallucinaties niet automatisch.
Voor de anonimisatievraag is de Semantic Privacy Shield relevant. Deze kan gevoelige documentwaarden vóór AI-verwerking vervangen door synthetische, sessie-gebonden equivalenten op EU-infrastructuur. De AI-keten analyseert dan de synthetische versie, waarna de originele waarden lokaal kunnen worden hersteld. De architectuur is ontworpen om alleen geanonimiseerde inhoud door te sturen, en de workflow is fail-closed: als de privacyverificatie mislukt, wordt het document niet doorgestuurd. Dat is een architectuurkeuze, geen belofte over de mate van anonimisering of over volledige AVG-compliance.
In de verificatie- en logfunctie worden die stappen inspecteerbaar, wat kan helpen bij audits om te zien welke verificatiestappen en bronnen zijn gebruikt. Het professionele eindoordeel blijft altijd bij de gebruiker.
Wat dit betekent voor uw AI-landschap
De nieuwe EDPB-lijnen dwingen tot drie concrete acties. Ten eerste: leg per AI-workflow rol en rechtsgrond vast voor training, inference en logging. Ten tweede: toets aantoonbaar of modellen en datasets buiten de AVG vallen via de driestappentest, en organiseer anders volledige AVG-compliance. Ten derde: maak de verantwoordelijkheden zichtbaar over modellen, leveranciers en datastromen heen. AI-compliance onder de AVG is daarmee in 2026 geen papieren exercitie meer, maar een verifieerbare laag die aantoonbaar moet kloppen.