Op 7 juli 2026 heeft de European Data Protection Board de Guidelines 02/2026 on Anonymisation aangenomen. Daarmee vervalt de oude WP29-opinie en komt er een gedetailleerd raamwerk waarin herleidbaarheidsrisico na anonimisering niet langer een theoretische randopmerking is, maar een expliciet toetsbare norm. De kern: een dataset is pas anoniem als de kans op heridentificatie verwaarloosbaar is en blijft, en die inschatting moet over tijd opnieuw worden gemaakt.
Wat er precies verandert
De richtsnoeren beginnen met een twee-vragentest, zoals de IAPP-analyse toelicht: relateert de data aan een natuurlijke persoon, en is die persoon identificeerbaar? Identificeerbaarheid wordt niet als abstract gemiddelde beoordeeld, maar vanuit het perspectief van verschillende relevante entiteiten met uiteenlopende middelen voor re-identificatie. Dezelfde dataset kan in de ene context anoniem zijn en in de andere niet, afhankelijk van welke koppelbare bronnen en technieken een partij redelijkerwijs ter beschikking staan.
Daarna volgt de kern: drie cumulatieve criteria waar anonimisering aan moet voldoen. No Record Isolation: het mag niet mogelijk zijn een uniek record te isoleren dat naar één persoon herleidt. No Linkage: records mogen niet met andere datasets koppelbaar zijn tot een individu. No Inference: er mogen geen nieuwe eigenschappen over een persoon worden afgeleid. Pas als alle drie voldaan zijn, geldt de data als anoniem. In de praktijk vormen ze samen een herleidbaarheidsstress-test: kun je nog isoleren, koppelen of afleiden, dan is de herleidbaarheid niet verdwenen.
Anonimiteit is een hypothese, geen eindtoestand
Het meest ingrijpende punt is de dynamiek. De EDPB stelt expliciet dat de kans op re-identificatie in de regel toeneemt naarmate inferentiemethoden verbeteren en hulpdata groeien. De analyse "Anonymous" Is Not a Permanent Status vat het treffend samen: anoniem is geen permanente eigenschap. Datasets die vandaag als anoniem worden behandeld, kunnen morgen opnieuw persoonsgegevens worden zodra de heridentificatiekans niet langer insignifiant is. Controllers moeten hun risico-inschatting daarom herijken wanneer de set relevante entiteiten, aanvalsmiddelen of beschikbare hulpsets wijzigt.
Dat anonimisering geen eenmalige technische handeling is, blijkt ook uit onderzoek. Een academische studie over re-identificatierisicoscores in publiek beschikbare gezondheidsdatasets laat zien hoe je het risico kwantitatief kunt uitdrukken op een schaal van 0 tot 1, en dat aan concrete beslissingen over toegangsregimes kunt koppelen. Re-identificatie verloopt via directe en indirecte identifiers; er bestaat geen universeel nutbegrip, dus organisaties moeten pragmatisch afwegen welke indirecte identifiers echt nodig zijn en welke vooral het herleidbaarheidsrisico verhogen. Het reduceren van residueel risico gebeurt via perturbatie, recodering en suppressie.
Van norm naar praktijk in hoog-trust domeinen
Hoe dit operationeel wordt, is te zien in de klinische onderzoekswereld. De praktijkanalyse over de EDPB-guidelines en klinische trialdata beschrijft een concrete werkwijze: eerst een entity mapping van alle directe en indirecte identifiers, dan een expliciete Re-identification Risk Assessment langs de drie criteria, vervolgens het kiezen en documenteren van maatregelen, en tot slot vastgelegde herijkingsmomenten. Sponsors en CRO's moeten per dataset documenteren welke scenario's zijn geanalyseerd. Bij significant nieuwe risico's moet een dataset opnieuw als persoonsgegevens worden behandeld, met alle gevolgen voor DPIA's en datalekmeldplichten.
De rode draad door al deze bronnen: professionals die met gevoelige informatie werken, moeten anonimisering behandelen als een verifieerbare risicohypothese. Per dataset vastleggen welke herleidbaarheidsroutes nog openstaan — koppeling met externe bronnen, nieuwe inferentiemethoden, uitbreiding van demografische hulpdata — welke technische en organisatorische maatregelen die routes daadwerkelijk sluiten, en hoe vaak de inschatting wordt herzien.
Wat dit betekent voor AI-workflows
Voor wie AI inzet op als anoniem geclassificeerde data, verschuift het vraagstuk naar zichtbaarheid en documentatie. Niet alleen: is deze data geanonimiseerd?, maar: welke analyse ligt daaronder, welke maatregelen sluiten welke routes, en wanneer besloten we dat het risico weer gestegen is?
In dat kader is IamVera.ai te positioneren als verificatielaag, niet als partij die zelf anonimiseert. Vera kan per AI-workflow zichtbaar maken welke verificatiestappen, correcties en bronnen zijn doorlopen, zodat die ter inspectie beschikbaar zijn. Dat ondersteunt controle en overzicht; het is geen garantie van correctheid en het elimineert geen hallucinaties. Het Semantic Privacy Shield is ontworpen om gevoelige documentwaarden vóór AI-verwerking op EU-infrastructuur te vervangen door synthetische, sessie-gebonden equivalenten; de AI-keten analyseert de synthetische versie en de originele waarden kunnen lokaal worden hersteld. De architectuur is erop gericht dat alleen geanonimiseerde inhoud wordt doorgestuurd, en de workflow is fail-closed: mislukt de privacycontrole, dan wordt het document niet doorgestuurd.
Dat is nadrukkelijk geen belofte van feilloze anonimisering of afgeronde AVG-compliance. Het is een manier om per workflow inzichtelijk te maken welke datasets als anoniem gelden, welke afwegingen daaraan voorafgingen en wanneer een dataset gezien de dynamiek van herleidbaarheid opnieuw als persoonsgegevens moet worden behandeld in governance, audits en incidentrespons. Het professionele eindoordeel — inclusief de juridische kwalificatie — blijft bij de gebruiker en zijn DPO. De EDPB-Guidelines 02/2026 maken vooral duidelijk dat die beoordeling nooit af is: herleidbaarheid moet je blijven toetsen.