Blog

AI third-party risicomanagement: een gids voor leiders

Hoe leiders AI third-party risico beoordelen: de leveranciersketen, EU AI Act-deadlines, vereist bewijs, verborgen fourth parties en monitoring.

· Door

Een glazen wand met vijf rijen gekleurde plaknotities verbonden door touwtjes tot een afdalende keten, met vooraan een geprint afhankelijkheidsdiagram en contracten.
Een AI-leverancier is een keten van modelaanbieder, cloudhost en onderaannemers, niet één partij met één contract.Beeld: IamVera.ai — originele redactionele illustratie

Iemand in uw team heeft al een AI-functie ingeschakeld binnen een tool waarvoor u betaalt. Het stelt sneller concepten op, niemand maakte bezwaar, en niemand controleerde waar de documenten heen gaan zodra ze het browsertabblad verlaten. Dan stelt een bestuursstuk een simpele vraag: welke leverancier keurden we goed, wanneer, en wat hebben we in dossier om dat te bewijzen? Het antwoord is lastiger dan vroeger, omdat de leverancier niet één partij is. De assistent draait op een model van het ene bedrijf, in een cloudomgeving van een ander, roept een door vrijwilligers onderhouden plug-in aan, en stuurt mogelijk materiaal naar een beoordelingsteam dat u nooit ontmoette. Een goedkeuring van negen maanden geleden kan een model beschrijven dat in die vorm niet meer bestaat. Behandel een AI-leverancier als een bewegende afhankelijkheidsketen, en de praktische vragen veranderen.

Behandel een AI-leverancier als een bewegende afhankelijkheidsketen in plaats van een eenmalige aankoop en de praktische vragen veranderen. Welk bewijs heeft u in handen, wie is eigenaar van elke schakel, en hoe zou u weten of er iets onderliggend is verschoven?

Wat maakt AI-risico van derden anders dan leveranciersrisico?

Risicobeheer voor AI van derden is het proces van het identificeren, beoordelen, monitoren en documenteren van de risico's die een organisatie op zich neemt wanneer zij vertrouwt op externe AI-modellen, aanbieders, datasets, plug-ins en hosting. Twee zaken onderscheiden dit van gewone beoordeling van softwareleveranciers. Ten eerste kan de output van de leverancier veranderen zonder enige wijziging in uw eigen code, omdat gewichten, trainingsdata, API-gedrag en hosting allemaal buiten uw versiebeheer vallen. Ten tweede kunnen uw prompts en documenten partijen bereiken waarmee u nooit een contract heeft gesloten en die u niet kunt auditen. Een contract met de leverancier bovenaan de keten bindt alleen die leverancier, niet de modelaanbieder, de cloudhost of het labelingteam daaronder.

De afhankelijkheid is een keten, geen enkele leverancier.

Waar de keten daadwerkelijk loopt

Eén enkele assistent kan op vijf lagen rusten, en elke laag faalt anders. De onderstaande tabel is de referentielijst voor de rest van deze gids.

  • Modelaanbieder — Wat het levert: model- of API-output; Blootstelling bij falen of wijziging: gedrag verschuift na een versie- of gewichtswijziging
  • Cloud- of hostingaanbieder — Wat het levert: rekenkracht en opslag voor prompts, documenten en logs; Blootstelling bij falen of wijziging: datalocatie, storingen en onduidelijke bewaring
  • Subverwerker — Wat het levert: verwerking van prompts, documenten of embeddings; Blootstelling bij falen of wijziging: onbekende doorgiften en bewaartermijnen
  • Plug-in of open-source-component — Wat het levert: tools, bibliotheken en connectoren; Blootstelling bij falen of wijziging: gecompromitteerde of niet-onderhouden afhankelijkheden
  • Leverancier van menselijke beoordeling — Wat het levert: labeling of beoordeling van output; Blootstelling bij falen of wijziging: vertrouwelijkheid van materiaal dat voor beoordeling wordt gedeeld

De financiële onderbouwing voor het in kaart brengen van die keten is ouder dan de huidige modelcyclus, dus die moet met de bijbehorende datum worden geciteerd. Uit IBM's Cost of a Data Breach-onderzoek uit 2024 bleek dat de gemiddelde kosten van een datalek USD 4,88 miljoen bedroegen, een stijging ten opzichte van USD 4,45 miljoen in 2023, een toename van 10% en de sterkste stijging sinds de pandemie.

Uit datzelfde onderzoek bleek dat 40% van de datalekken gegevens betrof die over meerdere omgevingen waren verspreid, wat precies de situatie is die externe API's, managed services en onderling verbonden leveranciers standaard creëren. Lees het voor wat het is: een algemene basiswaarde voor de kosten van datalekken, gedateerd 2024, geen meting van AI-leveranciers. Het verklaart waarom de controlevraag breder is dan een beveiligingscertificaat. U moet weten waar prompts, documenten, embeddings, logs en output worden verwerkt, welke subverwerkers ze ontvangen, hoe lang ze worden bewaard, of uw gegevens een model trainen, en of toegang kan worden ingetrokken en gegevens kunnen worden verwijderd.

De toets die hierna volgt kost ongeveer tien minuten met uw eigen team. Noteer elke laag waarvan uw AI-gebruik afhankelijk is, inclusief de lagen waarmee niemand een contract heeft getekend, en schrijf een naam bij elke laag. Waar een laag geen naam heeft en geen onderliggend bewijs, heeft u de eerste leemte gevonden.

Wat verandert de EU AI Act voor kopers?

De Act zet leveranciersonderzoek om van een inkoopvragenlijst in een bewijsvereiste, en doet dat volgens een gefaseerd tijdschema. Voor een koper is het tijdschema net zo belangrijk als de verplichtingen, omdat twee leveranciers op dezelfde dag aan verschillende deadlines onderworpen kunnen zijn. De onderstaande data zijn afkomstig van de EDPS-tijdlijn van de EU AI Act, die bijhoudt wanneer elke groep verplichtingen van toepassing is.

  • 1 augustus 2024 — Wat van toepassing is: AI Act treedt in werking; Wat kopers moeten vastleggen: bevestig de EU-blootstelling van de leverancier en de toepasselijke verplichtingen
  • 2 februari 2025 — Wat van toepassing is: verboden praktijken en verplichtingen inzake AI-geletterdheid zijn van toepassing; Wat kopers moeten vastleggen: bevestig dat de use case niet verboden is
  • 2 augustus 2025 — Wat van toepassing is: verplichtingen voor general-purpose AI-modellen zijn van toepassing; Wat kopers moeten vastleggen: classificatie van het model door de aanbieder
  • 2 augustus 2026 — Wat van toepassing is: handhavingsbevoegdheden van de Commissie voor GPAI-verplichtingen gaan in; Wat kopers moeten vastleggen: technische documentatie en informatie over mogelijkheden en beperkingen
  • 2 augustus 2027 — Wat van toepassing is: GPAI-modellen die vóór 2 augustus 2025 op de markt zijn gebracht, moeten voldoen; Wat kopers moeten vastleggen: toepasselijke overgangsdeadline voor elk model

Wat elke datum van een koper vraagt

De Act trad op 1 augustus 2024 in werking met een risicogebaseerde structuur die zich uitstrekt over de waardeketen, van aanbieders tot gebruiksverantwoordelijken, downstream-integratoren en gebruikers van general-purpose-modellen. De eerste ingangsdatum was 2 februari 2025, toen verboden praktijken en verplichtingen inzake AI-geletterdheid van kracht werden. Bevestig vóór enige diepere beoordeling dat het beoogde gebruik niet een van de verboden praktijken is, want geen hoeveelheid leveranciersbewijs herstelt een use case die de wet niet toestaat.

2 augustus 2025 is de datum die het leveranciersgesprek heeft veranderd. Verplichtingen voor AI-modellen voor algemene doeleinden werden toen van toepassing, en de pagina van de Europese Commissie over het regelgevingskader voor AI schetst de overgang: aanbieders van GPAI-modellen die vóór die datum op de EU-markt zijn gebracht, moeten vóór 2 augustus 2027 voldoen. De handhavingsbevoegdheden van de Commissie voor GPAI-verplichtingen gaan in op 2 augustus 2026 en omvatten transparantie, auteursrecht en beveiligings- en veiligheidseisen voor de meest geavanceerde modellen. De categorie met hoog risico komt daarna, wat kopers een venster biedt in plaats van vrijstelling.

Het gevolg is documentair. Een vragenlijst die vraagt of een leverancier "voldoet aan de AI Act" levert niets op dat u aan een bestuur of een toezichthouder kunt voorleggen. De structuur van de Act impliceert specifieke artefacten: modeldocumentatie, tests, traceerbaarheid, menselijk toezicht, cyberbeveiliging, monitoring en incidentescalatie over de levenscyclus van de leverancier. Als uw team uitzoekt wat een goedgekeurd model wel en niet afdekt, volgt de analyse in wat het kopen van een compliant AI-model niet dekt dezelfde logica naar de implementatiekant.

De vraag over systeemrisico die de meeste vragenlijsten missen

Aanbieders van de meest geavanceerde modellen dragen aanvullende plichten. Richtsnoeren van de Commissie voor aanbieders van AI voor algemene doeleinden bepalen dat aanbieders die weten dat zij een model met systeemrisico ontwikkelen, het AI Office moeten informeren, die systeemrisico's moeten beoordelen en beperken, en moeten voldoen aan beveiligings- en veiligheidseisen die grootschalige schade adresseren. De gegeven voorbeelden omvatten chemische, biologische, radiologische en nucleaire risico's, verlies van controle, cyberaanvallen en schadelijke manipulatie.

Een vragenlijst die stopt bij nauwkeurigheid en beschikbaarheid brengt daarvan niets aan het licht. Vraag of het geleverde model een systeemrisicoclassificatie draagt, welke beoordeling en beperking de aanbieder heeft uitgevoerd, welk beveiligingsbewijs bestaat, en hoe materiële wijzigingen of nieuw geïdentificeerde risico's klanten bereiken.

Houd vier gegevens per leverancier bij: datum van markttoetreding, aanbiederclassificatie, toepasselijke overgangstermijn en systeemrisicostatus. Dit is allemaal EU-recht, andere jurisdicties stellen andere plichten, en of een bepaalde verplichting u bereikt, hangt af van uw rol en gebruikssituatie. Die vier gegevens zijn nog steeds het bijhouden waard, omdat ze het eerste zijn waar een toezichthouder om vraagt.

Welke AI-toepassingen hebben de strengste beoordeling nodig?

De diepgang van de beoordeling volgt de gebruikssituatie en de classificatie van het model, niet één bedrijfsdrempel die gelijkmatig op elke leverancier wordt toegepast. Een opstelhulp die aan openbaar materiaal werkt en een systeem dat medische dossiers bevat, zouden niet dezelfde test moeten ondergaan, en ze identiek behandelen besteedt de strengste toetsing aan het gebruik dat het het minst nodig heeft.

  • Intern opstellen van niet-gevoelig materiaal. Een standaardvragenlijst, een actuele lijst van subverwerkers en een gedateerde versieregistratie zijn evenredig. Houd de vragenlijst kort genoeg dat leveranciers deze volledig beantwoorden.
  • Content gericht op klanten, waar fouten het publiek bereiken. Voeg uitgebreide adversariële tests en een benoemde beoordelaar toe voor alles wat wordt gepubliceerd, naast het standaardpakket.
  • Vertrouwelijke juridische, medische of personeelsdossiers. Voeg analyse van gegevensstromen met contractuele auditrechten toe, zodat u weet waar het materiaal wordt verwerkt, welke subverwerkers het ontvangen en hoe lang het wordt bewaard.
  • Beslissingen die de rechten, het geld of de toegang van een persoon beïnvloeden. Eis onafhankelijke menselijke beoordeling voordat iemand op de output vertrouwt, plus het bewijs van de leverancier achter elke risicoclassificatie die deze claimt.

Wie draagt de plicht om te beoordelen

De meeste leveranciersvoorwaarden verschuiven beoordelingsplichten naar de klant, en de formulering is het waard om zorgvuldig te lezen voordat u tekent. Onze eigen voorwaarden stellen de positie duidelijk: klanten moeten Output beoordelen voordat zij erop vertrouwen, ernaar handelen, deze archiveren of naar een derde partij sturen. Dat is een goed voorbeeld van de clausule waarnaar u moet zoeken. Als de voorwaarden van een leverancier een beoordelingsplicht bij u leggen, moet uw interne proces benoemen wie die beoordeling uitvoert en hoe deze wordt vastgelegd.

Scheid de drie lagen van dit argument duidelijk. Het wettelijke tijdschema komt voort uit EU-wetgeving. Het oordeel dat een gebruik met grote impact een schriftelijke, benoemde beoordelingsplicht zou moeten dragen, is onze lezing van hoe verantwoordingsplicht een audit overleeft. Hoe ver dergelijke plichten afdwingbaar zijn, en op wie, varieert per jurisdictie en per de rol die u in de keten inneemt.

Wat dit betekent voor goedkeuring: hoe meer een output de rechten, het geld of de toegang van een persoon beïnvloedt, hoe meer bewijs de beoordeling nodig heeft voordat iemand erop vertrouwt.

Welk bewijs moet u eisen voordat u tekent?

Vraag om een benoemd document, een testresultaat of een contractclausule voor elk risicogebied, gekoppeld aan de specifieke gebruikssituatie, en leg vast wat is binnengekomen en wat niet. Waar een leverancier antwoordt met een verhaal over zijn toewijding aan veiligheid, markeer de rij dan als open in plaats van als voldaan.

  • Gegevenslocatie en bewaring — Op te vragen bewijs: Verwerkingslocaties, bewaartermijnen en verwijderingsproces; Waarom het ertoe doet: Toont waar vertrouwelijke invoer zich bevindt en voor hoe lang
  • Gebruik voor training — Op te vragen bewijs: Schriftelijke verklaring over of klantgegevens worden gebruikt om modellen te trainen; Waarom het ertoe doet: Voorkomt stil hergebruik van gevoelig materiaal
  • Subverwerkers — Op te vragen bewijs: Benoemde lijst van subverwerkers met kennisgeving van wijzigingen; Waarom het ertoe doet: Onthult het verborgen deel van de keten
  • Beveiligingstests — Op te vragen bewijs: Dependency-scans, ondertekende releases en adversariële testresultaten; Waarom het ertoe doet: Test prompt-injectie, manipulatie en onveilig toolgebruik
  • Beschikbaarheid — Op te vragen bewijs: Serviceniveaudoelstellingen, fallback-opties en testresultaten voor rate-limieten; Waarom het ertoe doet: Meet blootstelling aan storingen en misbruik
  • Incidentafhandeling — Op te vragen bewijs: Kennisgevingstermijn en benoemde contactroute; Waarom het ertoe doet: Zet de klok aan voor uw eigen reactie
  • Exit — Op te vragen bewijs: Toezeggingen voor gegevensteruggave en -verwijdering bij beëindiging; Waarom het ertoe doet: Stelt de organisatie in staat veilig te vertrekken

Waarom elke rij bestaat

De bedreigingen zijn geen gewone softwarefouten. NIST's AI-risicorichtlijnen identificeren poisoning, schadelijke invoer of uitvoer, denial of service door adversariële prompts, ongeoorloofde informatieopenbaring, diefstal van modelgewichten, gecompromitteerde afhankelijkheden en verkeerd geconfigureerde datapijplijnen als relevant voor AI-systemen. Elk hiervan hoort bij een specifiek verzoek in plaats van een algemene toezegging. Scannen van afhankelijkheden en artefacten dekt gecompromitteerde componenten. Ondertekende releases en herkomstregistraties maken ongeoorloofde wijzigingen detecteerbaar. Adversarieel testen legt prompt-injectie en onveilige paden voor tool-gebruik bloot. Dataflow-analyse laat zien of vertrouwelijke invoer wordt bewaard, overgedragen of gebruikt voor training. Rate-limit- en fallback-tests meten de beschikbaarheid bij misbruik of een storing bij de aanbieder.

Het contract draagt de rest. Vraag om deadlines voor incidentmelding, audit- en bewijsrechten, eisen voor datalocatie en -verwijdering, een lijst met subverwerkers, beperkingen op gebruik voor training, kennisgeving van versiewijzigingen en uittredingshulp. Stel de diepgang af op de categorie waarin de use case valt, aangezien een openbare marketingassistent en een systeem met medische dossiers niet dezelfde tests zouden moeten ondergaan.

In onze analyse worden openbaarmaking en zekerheid voortdurend verward. Een leverancier die zijn modelaanbieder noemt, heeft u transparantie gegeven. Daarmee is niet aangetoond dat uitvoer juist is, dat datagebruik veilig is, of dat incidenten op tijd worden gemeld.

Wat een auditrapport bewijst

Een audit tegen een internationale standaard is nuttig bewijs en geen bewijs van correctheid. De reikwijdte van de audit, de datum, de geauditeerde versie en de uitzonderingen zijn allemaal van belang. Als u wilt weten hoe u de inspectieclausule formuleert waarmee dergelijk bewijs verkregen kan worden, behandelt de structuur van auditrechten in AI-contracten de formulering.

Een regel zonder bewijs blijft een open vraag. Die wordt nooit een groen vinkje omdat er een verlengingsdatum aanbrak.

Hoe veranderen verborgen vierde partijen uw risico?

Een vertrouwde directe leverancier kan materieel risico overnemen van partijen die u niet kunt auditen of contracteren. Aanbieders van foundation-modellen, cloudinfrastructuur, databrokers, externe beoordelaars, plug-ins en leveranciers van menselijke beoordeling bevinden zich allemaal achter de leverancier wiens naam op uw factuur staat, en de lagentabel uit het eerste onderdeel is de lijst om mee te werken.

De kloof tussen bewustzijn en actie is meetbaar. Uit Venminders onderzoek van 2025 bleek dat 58% van de organisaties de risicobeheerprogramma's van derden beoordeelt voor toezicht op vierde partijen, terwijl 25% zich uitsluitend richt op kritieke of risicovolle vierde partijen. Behoud het cijfer van 16% alleen als de geciteerde onderzoekspagina dit expliciet aanduidt als het aandeel dat tools gebruikt om de externe situatie te monitoren. De meeste programma's hebben het beleid en niet de praktijk.

Een draaiboek voor ketens die u niet kunt auditen

  1. Benoem elke bovenliggende partij. Vraag de directe leverancier om elk model, elke host en elke subverwerker in de keten te identificeren, schriftelijk en per rol.
  2. Rangschik concentratie. Als vier leveranciers op hetzelfde model en dezelfde cloudregio draaien, heeft u één afhankelijkheid met vier facturen, en een storing is een gecorreleerde gebeurtenis in plaats van een geïsoleerde.
  3. Stel meldingsclausules op die de hele keten dekken. Een meldplicht die stopt bij de eigen wijzigingen van de directe leverancier, laat het grootste risico onbewaakt.
  4. Eis een noodoptie. Een tweede aanbieder, een gecachet lokaal model, of een gedocumenteerde handmatige procedure voor werk met grote impact.
  5. Houd menselijke beoordeling als terugvaloptie. Waar de keten niet geverifieerd kan worden, moet een persoon eigenaar zijn van de beslissing voordat die van kracht wordt.

https://www.youtube.com/embed/Up27fcrhc1E

Wanneer openbaarmaking botweg wordt geweigerd, is de beslissing nog steeds aan u, en die zou geregistreerd moeten worden. Een bedrijf kan een use case verbieden omdat de keten niet auditeerbaar is, en de redenering hoort thuis in het risicodossier met een datum en een eigenaar. De werkwijze voor het benoemen en volgen van die partijen staat beschreven in hoe subverwerkers de AI-keten verlengen, wat de set clausules is om te eisen voordat u tekent.

Hoe monitort u een AI-leverancier na goedkeuring?

Goedkeuring is waar monitoring begint, niet waar het stopt. Een leverancier kan modelgewichten, trainingsdata, API-gedrag, afhankelijkheden of hosting wijzigen na goedkeuring, en uw applicatiecode verschuift geen millimeter. Zonder een routine die die wijzigingen detecteert, beschrijft de beoordeling die u ondertekende een systeem dat niet meer bestaat.

De onderstaande levenscyclus toont de routine in één overzicht.

De routine, stap voor stap

  1. Houd een geversioneerde AI-stuklijst bij. Vermeld elk model, elke aanbiedersversie, databron, plug-in en hostinglocatie. NIST's werk over AI-risico's van derden beveelt een inventaris aan van materialen van derden, waaronder foundation-modellen, open-sourcesoftware, eigen data en hardware. Zonder de inventaris is niets anders in deze routine mogelijk, omdat er geen uitgangssituatie is om mee te vergelijken.
  2. Voeg bewijs toe aan elk item. Modelkaart, contractvoorwaarden, testresultaten en implementatieconfiguratie staan naast de afhankelijkheid, niet in een inbox. Wanneer iemand vraagt waarom een tool is goedgekeurd, ligt het antwoord één regel verderop.
  3. Stel wijzigingstriggers in. Een kennisgeving van een versiewijziging, een nieuwe subverwerker, een nieuwe hostingregio of herziene voorwaarden activeren elk een herbeoordeling. Behandel deze als signalen, niet als huishoudelijk werk.
  4. Voer na elke trigger regressietests opnieuw uit. Dek nauwkeurigheid, schadelijke uitvoer, prompt-injectie, datalekken, beschikbaarheid en beleidsnaleving. Elke keer dezelfde zes dimensies testen is wat een wijziging in een vergelijking verandert.
  5. Leg de uitvoering zelf vast. Modelversie, aanbieder, opgehaalde bronnen, beoordelaarsuitvoer en kosten horen in de registratie. Een vastgelegde uitvoering maakt wijzigingen gemakkelijker te detecteren, te onderzoeken en, waar een rollback of fallback bestaat, terug te draaien, en onderscheidt drift van ruis wanneer het gedrag verandert.
  6. Beoordeel volgens een vast schema en stel het uittredingspunt vast. NIST wijst ook op herkomstmechanismen, gedocumenteerde terugvalopties en buitengebruikstelling wanneer het risico de organisatorische tolerantie overschrijdt. Leg van tevoren vast wat u zou doen besluiten te vertrekken.

Praktische regel: als een wijziging niet zichtbaar is in de inventaris, kan die niet worden beoordeeld, en als die niet kan worden beoordeeld, beschrijft de goedkeuring niet langer het systeem dat u gebruikt.

Hier is een vraag die u voor het einde van de week kunt beantwoorden. Welk item in uw inventaris is gewijzigd sinds de laatste beoordeling, en wie is daarover geïnformeerd? Als niemand dat kan beantwoorden, heeft u een document in plaats van een beheersmaatregel.

Wie is eigenaar van het risico van AI van derden en wat gaat er in het risicodossier?

Eén aangewezen bestuurder is eigenaar van elke materiële leverancier. Benoem daarnaast wie uitzonderingen goedkeurt, wie let op veranderingen en wie aan de raad rapporteert. Gedeeld eigenaarschap levert een dossier op dat niemand bijhoudt, en het falen komt op het slechtst denkbare moment aan het licht, wanneer een toezichthouder of een klant een specifieke vraag stelt en het antwoord in het geheugen van drie mensen zit.

Het AI Risk Management Framework van NIST behandelt het risico van AI van derden als een expliciete governanceverantwoordelijkheid in plaats van een taak bij het onboarden van leveranciers. Govern 6.1 vereist beleid en procedures die ingaan op AI-risico's die samenhangen met entiteiten van derden, waaronder inbreuk op intellectueel eigendom of andere rechten van derden. Manage 3.1 vereist dat organisaties regelmatig de risico's en voordelen van middelen van derden monitoren en dat zij risicobeheersmaatregelen toepassen en documenteren.

Het dossier in vier delen

  • Afhankelijkheden geïdentificeerd. De externe software, modellen, gegevens en andere relaties in de toeleveringsketen waarop u vertrouwt, op elke laag.
  • Beheersmaatregelen gedefinieerd. Wat van elke afhankelijkheid werd vereist, en op wiens gezag.
  • Monitoringschema. Wanneer elk item wordt beoordeeld, en wat een tussentijdse beoordeling in gang zet.
  • Bewijs bewaard. De documenten en testresultaten die aantonen dat de beheersmaatregelen werkten, niet alleen dat ze ontworpen waren.

Onder Manage 3.1 moet het dossier actueel blijven in plaats van bij goedkeuring te worden gearchiveerd, wat betekent dat het een werkdocument is dat door mensen wordt bijgehouden. Dat is van belang voor hoe u het opbouwt. Crowe's 2025 TPRM Benchmark Study meldde dat ongeveer 63% van de respondenten derden beoordeelde op risico's in verband met AI of machine learning. Behoud het cijfer van 71% en de beperking tot financiële dienstverlening alleen als de aangehaalde studie beide details expliciet ondersteunt. Een dossier dat alleen werkt bij nieuwe software is een dossier dat de meeste organisaties niet kunnen bijhouden.

De toets voor de raad is eenvoudig. Kan het dossier voor elke leverancier laten zien wie eigenaar is van het risico, wat als laatste is gewijzigd, en welk bewijs de huidige positie ondersteunt? Als een van de drie meer dan een minuut kost om te produceren, doet het dossier zijn werk niet.

Wat moet u beslissen voordat u een AI-leverancier goedkeurt?

Drie uitkomsten dekken de meeste beslissingen, en elk daarvan moet worden vastgelegd. Goedkeuren met voorwaarden wanneer de bewijstabel compleet is behalve voor zaken die de leverancier nog kan verhelpen, zoals een lijst van subverwerkers of een melding van versiewijzigingen, en stel voor elk openstaand punt een gedateerde deadline. Kies een terugvaloptie wanneer de leverancier solide is maar zou kunnen falen, zoals een tweede aanbieder of een handmatige procedure voor werk met grote impact. Weigeren wanneer de keten niet controleerbaar is en het gebruik vertrouwelijke gegevens of gegevens met grote impact betreft, en leg de redenering vast zodat de beslissing kan worden herzien in plaats van opnieuw bediscussieerd.

Vijf vragen om deze week aan de leverancier te stellen:

  • Waar worden prompts, documenten en output verwerkt, en voor hoe lang? Vraag om locaties en bewaartermijnen, niet om geruststelling.
  • Worden klantgegevens gebruikt om modellen te trainen? Zet het op papier, en toets het aan het contract.
  • Welke subverwerkers en modellen zitten achter de dienst? Een benoemde lijst met een plicht tot wijzigingsmelding.
  • Hoe en wanneer worden versiewijzigingen gemeld? Een melding voordat de wijziging ingaat is meer waard dan een changelog achteraf.
  • Ontvangen externe aanbieders alleen context die is vrijgegeven na pseudonimisering en uitgaande verificatie? Hier wordt een privacyarchitectuur inspecteerbaar in plaats van wenselijk.

Bij de laatste vraag is ons ontwerp een maatstaf waaraan u andere leveranciers kunt afmeten. Dat is een beschrijving van een beheersmaatregel, geen juridische garantie van naleving van de AVG, en het oordeel plus de uiteindelijke beslissing blijven bij de gebruiker.

Vergelijk de antwoorden van de leverancier met de bewijstabel vóór de volgende verlenging. Waar een rij nog leeg is, weet u precies wat u moet opvragen, en bij wie.

U kunt echte uitvoeringen, configuraties en vastgelegde modelgebeurtenissen beoordelen in plaats van een vragenlijst op zijn woord te geloven.

Meer artikelen over dit onderwerp zijn verzameld in het overzicht AI-governance.

Verder lezen op dit blog: GPT-6.2 Astra haalt OpenAI's High-drempel voor AI-self-improvement: valideer opvolgers onafhankelijk.

Bronnen en referenties

  1. EDPS timeline of the EU AI ActEuropese Unie
  2. European Commission's AI regulatory framework pageShaping Europe’s digital future · 2026-11-15
  3. Guidelines for providers of general-purpose AI modelsShaping Europe’s digital future
  4. Venminder's 2025 State of Third Party Risk Management surveyVenminder
  5. Crowe's 2025 TPRM Benchmark StudyCrowe
  6. AI RMF Core - AIRCNIST SI Resource Center
  7. NIST's work on third-party AI riskNIST
  8. NIST's AI Risk Management FrameworkNIST

Bronnen: EU AI Act-data worden toegeschreven aan de EDPS timeline of the EU AI Act en de European Commission's AI regulatory framework page met de Guidelines for providers of general-purpose AI models; cijfers over datalekkosten aan IBM's 2024 Cost of a Data Breach-onderzoek; TPRM-praktijk aan Venminder's 2025 State of Third Party Risk Management survey, Crowe's 2025 TPRM Benchmark Study en NIST's AI Risk Management Framework en NIST's work on third-party AI risk.

← Alle artikelen in dit thema ← Alle artikelen