In 2026 is het gesprek over beroepsgeheim en AI verschoven van waarschuwingen naar ontwerp. Twee recente documenten zetten die verschuiving scherp neer: de technische gids van de Council of Bars and Law Societies of Europe (CCBE) voor advocaten, en de gezamenlijke verkenningsnota van de CNIL en de Conseil de l'IA et du Numérique (CIANum) over agentische AI. Samen laten ze zien dat vertrouwelijkheid in de AI-context niet langer alleen gaat over hoe je met dossiers omgaat, maar over hoe je systemen technisch en organisatorisch inricht.
Wat de CCBE-gids van advocaten vraagt
De CCBE koppelt het gebruik van AI door advocaten expliciet aan naleving van het beroepsgeheim en andere professionele verplichtingen. Advocaten mogen geen persoonlijke, vertrouwelijke of cliëntgerelateerde data in generatieve AI-interfaces invoeren zonder passende technische en organisatorische waarborgen. Zij moeten per AI-tool de dataflows, contracten, opslag, training en verificatieprocessen analyseren om compatibiliteit met het beroepsgeheim te kunnen aantonen.
Een analyse van Deeplit vat dit samen als een architectuurkeuze: voorkeur voor lokale of beveiligde omgevingen onder controle van het kantoor, strikte scheiding tussen vertrouwelijke gegevens en publieke AI-interfaces, en verificatieprocessen waarin AI-output nooit ongecontroleerd het dossier binnenkomt. Beroepsgeheim wordt hier neergezet als een ontwerpeis: wie AI inzet, moet kunnen aantonen waar cliëntinformatie wel en niet terechtkomt, welke contracten en technische maatregelen die keuze dragen, en hoe AI-output via menselijke controle het dossier binnenkomt.
Agentische AI en de grip op persoonsgegevens
De CNIL/CIANum-nota introduceert voor agentische AI een GDPR-gerichte risicoanalyse. Complexe datastromen en persistente geheugenfuncties zetten de controle van gebruikers over hun persoonsgegevens onder druk. Het kan voor betrokkenen moeilijk zijn te begrijpen welke agent welke data heeft verzameld, waar die worden bewaard en aan wie ze zijn doorgegeven. Daarom worden cloisonnement van geheugen, sandboxing, traceerbaarheid per taak en kill-switch-achtige noodstopmechanismen aanbevolen om verlies van controle en inbreuken op vertrouwelijkheid te beperken.
Een interpretatie door Univers Convergents vertaalt de nota naar concrete ontwerpaanbevelingen: per agent een eigen, beperkte en automatisch expirerende geheugenruimte, sandboxed omgevingen, gedetailleerde traceerbaarheid van welke data zijn gebruikt en welke agenten en diensten hebben ingegrepen, en een risicogebaseerde indeling van acties waarvoor expliciete menselijke validatie vereist is, culminerend in een kill-switch. Zo blijven hoog-risico-handelingen met persoonsgegevens onder controle van de gebruiker en de verwerkingsverantwoordelijke.
Dezelfde logica in andere hoog-trust domeinen
Het vraagstuk is niet beperkt tot de juridische wereld. Een systematische review in BMC Medical Ethics van internationale richtlijnen voor AI in de zorg laat zien dat privacy, beveiliging, patiëntenautonomie en vertrouwelijkheid structureel terugkomen. Gezondheidsdata worden als bijzonder gevoelig aangemerkt, en gebruik van AI voor diagnostiek of besluitvorming is alleen verantwoord wanneer er sterke waarborgen zijn voor dataminimalisatie, beveiligde infrastructuur, transparantie over datagebruik en mechanismen waarmee zorgprofessionals beslissingen kunnen begrijpen en controleren.
Advocaten, notarissen en zorgprofessionals volgen daarmee dezelfde logica: beroepsgeheim en vertrouwelijkheid worden in de AI-context verankerd via een zichtbare architectuur van veilige omgevingen, beperkte en gescheiden geheugenlagen, traceerbare agentacties en menselijke controlepunten. Het gaat niet om beleidsverklaringen alleen, maar om technische en organisatorische maatregelen die aantoonbaar zijn.
Verificatie als zichtbare laag
In die structuur past een verificatieconsole zoals IamVera.ai bescheiden maar concreet. Vera vervangt het beroepsgeheim niet en bepaalt de normen niet; het kan wel zichtbaar maken hoe het beroepsgeheim in elke AI-ondersteunde stap is geborgd. Per hoog-trust workflow ondersteunt zo'n laag het zicht op welke AI-tools en agents zijn gebruikt, welke dataklassen onder beroepsgeheim vallen, waar die data technisch wel of niet naartoe stromen, welke menselijke controles en kill-switch-mechanismen zijn toegepast en hoe log- en bewijsketens inzicht geven in de AI-ondersteunde werkzaamheden en ondersteuning bieden bij het beoordelen of het beroepsgeheim is gerespecteerd.
Die architectuur maakt dat plausibel: voorbewerking en anonimisering vinden plaats op EU-infrastructuur, de workflow is ontworpen om alleen geanonimiseerde inhoud naar de geselecteerde AI-modellen te sturen, en bij een mislukte privacycontrole wordt niets doorgestuurd. Zo kan een verificatielaag meer zicht geven op hoe bestaande beroepsgeheim-normen bij AI-gebruik worden toegepast, terwijl het professionele eindoordeel altijd bij de gebruiker blijft. Beroepsgeheim in de AI-praktijk is daarmee vooral een ontwerpvraag geworden: niet op te lossen met voorzichtige prompts, maar via een vertrouwelijkheid-veilige, auditabele architectuur waarin datastromen, geheugenlagen en controlepunten zichtbaar en controleerbaar zijn.