Blog

Recht op wissing bij AI-modellen: wat de Ierse DPC van verwerkingsverantwoordelijken verwacht

De Ierse DPC stelt dat persoonsgegevens na AI-training moeilijk uit modelparameters zijn te verwijderen. Wat betekent dat voor wissingsverzoeken en hertraining?

· Door

Een dunne open map met losse bladen naast een dikke, stevig ingebonden gesloten map op een houten bureau in daglicht.
De Ierse DPC wijst erop dat persoonsgegevens na training moeilijk uit een AI-model te verwijderen zijn, anders dan uit de brondataset.Beeld: IamVera.ai — originele redactionele illustratie

Niet automatisch. De Ierse Data Protection Commission stelt dat persoonsgegevens na training moeilijk uit een AI-model zijn te verwijderen, maar hertraining is pas verplicht als artikel 17 AVG geldt én zwakkere maatregelen zoals bronverwijdering, outputfiltering of blokkering het risico niet wegnemen. U moet vooraf aantoonbaar maken welke maatregel effectief is.

De Ierse Data Protection Commission (DPC) beschrijft in haar guidance over AI, grote taalmodellen en gegevensbescherming een praktisch probleem: na verwerking in een model kunnen persoonsgegevens moeilijk uit het model worden verwijderd. Daardoor komt de uitoefening van AVG-rechten, waaronder het recht op gegevenswissing, onder druk te staan.

Voor verwerkingsverantwoordelijken verschuift daarmee de kernvraag. Die gaat niet langer alleen over of u een record uit een databestand kunt verwijderen, maar over of u kunt aantonen dat de betrokken informatie ook niet meer uit het getrainde model of de modeluitvoer terugkomt. Zie ons bredere overzicht van AI-privacy en AVG-vraagstukken voor de context waarin dit speelt.

Wat stelt de Ierse Data Protection Commission precies over wissing bij getrainde AI-modellen?

De DPC waarschuwt dat persoonsgegevens na modeltraining moeilijk uit het model te verwijderen zijn, en dat organisaties daarom procedures moeten hebben om inzage- en verwijderingsverzoeken te behandelen. In haar guidance benadrukt de toezichthouder dat ontwikkelaars al in de ontwerpfase moeten nadenken over transparantie, gegevenswissing en opslagbeperking, in plaats van pas na training een verwijderingsmechanisme te zoeken.

De DPC verwelkomde daarnaast het EDPB-advies over persoonsgegevens bij ontwikkeling en inzet van AI-modellen, waarin de verschillende verwerkingsfasen apart worden beoordeeld. Dat betekent dat training, inzet en de afhandeling van rechten van betrokkenen als afzonderlijke verwerkingsfasen moeten worden beoordeeld, met passende aandacht voor rechtsgrond en waarborgen per fase.

Waarom is verwijderen uit de trainingsdata niet hetzelfde als verwijderen uit het model?

Omdat er drie verschillende handelingen in het spel zijn die vaak door elkaar worden gehaald. Verwijderen uit een brondataset is iets anders dan voorkomen dat die gegevens opnieuw worden gebruikt, en dat is weer iets anders dan het aantoonbaar verwijderen of onbruikbaar maken van informatie die al in het getrainde model zit.

Het onderscheid dat de DPC maakt tussen de bronset en het getrainde model heeft een directe consequentie. Naar onze inschatting ontstaat hierdoor voor verwerkingsverantwoordelijken een bewijsplicht die verder gaat dan een schoongemaakte database: u moet kunnen laten zien dat persoonsgegevens niet via memorisatie of modeluitvoer blijven voortbestaan. De drie handelingen laten zich als volgt scheiden:

  • Bronverwijdering — het schrappen van gegevens uit de dataset die voor training wordt gebruikt.
  • Hergebruik voorkomen — vastleggen dat verwijderde gegevens niet opnieuw in een volgende trainingsronde belanden.
  • Verwijdering uit het model — aantonen dat de informatie niet meer uit parameters of uitvoer reproduceerbaar is, al dan niet via filtering, blokkering, modelaanpassing of hertraining.

Dat laatste punt raakt aan de vraag of token-ID's in een taalmodel persoonsgegevens kunnen zijn en wanneer trainingsdata na de EDPB-toets of trainingsdata echt anoniem is buiten de AVG valt.

Wanneer wordt hertraining van een AI-model juridisch noodzakelijk?

Hertraining is geen automatisme. Het recht op wissing uit artikel 17 van de AVG is geen absoluut recht: het geldt alleen onder voorwaarden, zoals wanneer de gegevens niet langer nodig zijn, toestemming is ingetrokken zonder andere rechtsgrond, de verwerking onrechtmatig was of een bezwaar prevaleert. Eerst moet dus vaststaan dat wissing verschuldigd is.

Onze lezing van de bronnen: pas als die drempel is gehaald én de persoonsgegevens aantoonbaar nog in parameters of uitvoer kunnen voortbestaan, en pas als minder ingrijpende maatregelen het risico niet redelijkerwijs wegnemen, komt hertraining of modelaanpassing in beeld. Een verdedigbaar besluit vraagt om een gedocumenteerde afweging van onder meer:

  • het modeltype en de categorie persoonsgegevens;
  • het memorisatie- en extractierisico, oftewel de kans dat het model de gegevens letterlijk teruggeeft;
  • wat er nog in de modeluitvoer zichtbaar is;
  • welke technische verwijderingsopties bestaan en hoe effectief die zijn;
  • de proportionaliteit van hertraining tegenover alternatieven zoals outputfiltering of blokkering.

Wat betekent dit voor bestuurders, juristen en CISO's die AI inzetten?

Onze analyse: omdat persoonsgegevens na training in modelparameters kunnen voortbestaan en de DPC bronverwijdering onderscheidt van verwijdering uit het model, kan een verwerkingsverantwoordelijke een wissingsverzoek niet meer afdoen met een schoongemaakte database alleen; daarom verdient het aanbeveling om per AI-systeem vast te leggen welke technische maatregel een verzoek daadwerkelijk uitvoert en hoe dat wordt gevalideerd. Omdat de DPC benadrukt dat ontwikkelaars al in de ontwerpfase over het rechtenproces moeten nadenken, loopt een organisatie die dit proces pas na training inricht het risico dat zij een verschuldigde wissing feitelijk niet kan uitvoeren. Onze analyse is daarom dat het bestuur bij inkoop of ontwikkeling van een model als voorwaarde kan opnemen dat de leverancier de verwijderingsroute en een validatietest contractueel beschrijft of aantoont. Omdat training, inzet en de afhandeling van rechten als afzonderlijke verwerkingsfasen moeten worden beoordeeld, is onze analyse dat organisaties de modelidentiteit, de versie van de trainingsdataset en de scope van elk verzoek afzonderlijk traceerbaar zouden moeten maken, voor zover dat nodig is om de besluitvorming en rechtenuitoefening te kunnen verantwoorden. Omdat artikel 17 geen absoluut recht is, loopt een jurist die elk verzoek automatisch als hertrainingsplicht behandelt onnodig vast in kosten en proportionaliteitsdiscussies; daarom moet de jurist per verzoek eerst de rechtsgrond toetsen en dat oordeel schriftelijk motiveren voordat een technische maatregel wordt gekozen.

Kort samengevat doet een verstandige organisatie nu het volgende:

  1. Leg per model vast welke persoonsgegevens zijn gebruikt en hoe een verzoek wordt opgespoord.
  2. Toets elk wissingsverzoek eerst aan de voorwaarden van artikel 17 voordat u een maatregel kiest.
  3. Beoordeel of bronverwijdering, outputfiltering of blokkering volstaat, en motiveer waarom wel of niet.
  4. Reserveer hertraining of modelaanpassing voor de gevallen waarin lichtere maatregelen het risico aantoonbaar niet wegnemen.
  5. Documenteer het besluit, de uitgevoerde maatregel, de validatietest en de menselijke goedkeuring.

Bronnen en referenties

  1. AI, Large Language Models and Data ProtectionData Protection Commission · 2026-05-23
  2. Irish Data Protection Commission welcomes EDPB opinion on the use of personal data in the development and deployment of AI modelsData Protection Commission · 2026-05-23
  3. Regulation (EU) 2016/679 (General Data Protection Regulation) - Article 17EUR-Lex · 2016-04-27

Bronnen: Het artikel steunt op de guidance van de Ierse Data Protection Commission over AI en gegevensbescherming, haar reactie op het EDPB-advies en artikel 17 van de AVG via EUR-Lex.

← Alle artikelen in dit thema ← Alle artikelen