Lange tijd gold een simpele vuistregel: AI die lokaal op je apparaat draait is veilig, en cloudmodellen zijn risicovol. Een reeks aankondigingen en publicaties uit de zomer van 2026 maakt duidelijk dat die tegenstelling achterhaald is. Wie met vertrouwelijke informatie werkt, staat niet langer voor een binaire vertrouwensvraag, maar voor een ontwerpbeslissing: welke taken draaien waar, welke data mag het apparaat verlaten, en welke controlelaag ligt daar aantoonbaar bovenop?
Apple zet een expliciet hybride stack neer
Het concrete vertrekpunt is Apples presentatie tijdens WWDC 2026. In de sessie What's new in the Foundation Models framework beschrijft Apple een architectuur waarin een relatief klein model standaard op het apparaat draait, en waarin complexere taken worden geëscaleerd naar Private Cloud Compute. De belofte daarbij: prompts worden niet opgeslagen, er is geen account- of sleutelbeheer nodig, en onafhankelijke onderzoekers kunnen de privacyclaims verifiëren.
In de latere sessie Build with the new Apple Foundation Model on Private Cloud Compute werkt Apple uit hoe ontwikkelaars dit model via de vertrouwelijke cloudlaag kunnen gebruiken, met de toezegging dat gebruikersdata alleen voor de aanvraag worden gebruikt en niet worden bewaard. De verslaggeving van MacRumors beschrijft hoe deze stack in de praktijk werkt: queries worden gerouteerd tussen on-device inference, Private Cloud Compute en, voor zware taken, een GPU-intensieve serverlaag op Google Cloud. Het interessante is niet dat Apple een cloudlaag heeft, maar dat die laag nadrukkelijk als privacy-architectuur wordt gepositioneerd, met verifieerbaarheid als kern.
Lokaal is niet vanzelf een privacygrens
Tegelijk verschijnt een academisch tegengewicht dat de andere kant van de discussie scherp maakt. De preprint Local Is Not a Sufficient Privacy Boundary: Governing OS-Integrated On-Device AI betoogt dat 'alles blijft op het apparaat' geen automatische garantie is. Privacy rond on-device AI wordt daar neergezet als een governanceprobleem dat draait om het besturingssysteem: welke informatie-stromen zijn er, welke apps en agents hebben welke bevoegdheden, hoeveel controle heeft de gebruiker, en is het geheel auditeerbaar?
Dat is een belangrijke nuancering. Een lokaal draaiend model betekent niet dat data het apparaat nooit verlaat. Permissies, telemetrie en extensies bepalen mee wat er alsnog uitgaat. Voor organisaties met gevoelige documenten roept dat concrete vragen op: welke agents hebben toegang tot welke bestanden, welke logs worden lokaal bewaard, en hoe worden die keuzes aangestuurd onder de AVG en de EU AI Act?
De praktijkgids Local LLM Security Best Practices for Enterprise in 2026 van SitePoint werkt dit verder uit. Serieuze lokale LLM-deployments kennen hun eigen risico's: modelgewichtbestanden, RAG-databases en lokale logging. De gids beschrijft maatregelen als netwerkisolatie, verificatie van modelbestanden, encrypted logging en air-gapped omgevingen, en koppelt die expliciet aan raamwerken als de EU AI Act en het NIST AI RMF. De boodschap: ook lokale AI vraagt om een expliciete beveiligings- en compliancearchitectuur en is geen risicoloos alternatief.
De echte keuze: een verifieerbare hybride architectuur
Als beide kanten worden genuanceerd, blijft er een helderder beeld over. Lokale verwerking biedt reële voordelen op het gebied van latency en autonomie, maar is niet per definitie veiliger dan moderne vertrouwelijke cloudinference. En vertrouwelijke cloud, mits stateless, niet-doelbaar en auditeerbaar ontworpen, is niet per definitie onverenigbaar met hoge privacy-eisen.
De praktische conclusie voor professionals is taak-gebaseerde routing: eenvoudige, contextarme taken kunnen lokaal, terwijl complexe, contextrijke beslissingen via een vertrouwelijke cloudlaag met sterke verificatie en logging kunnen lopen. Wie zulke inference inkoopt of bouwt, doet er goed aan concreet uit te vragen: is de omgeving stateless, welke opslagbeperkingen gelden er, welke verificatiemogelijkheden zijn er, en is er een onafhankelijke security-audit?
Het gemeenschappelijke element in al deze bronnen is verifieerbaarheid. Zowel Apple als de academische en praktijkgerichte bronnen komen uit bij dezelfde vraag: niet of iets lokaal of cloud draait, maar of aantoonbaar is welke data waarheen gaat en welke controles daar bovenop liggen.
Waar een verificatielaag bij past
Precies op dat punt sluit de rol van een verificatieconsole aan. I am Vera is geen taalmodel en geen chatbot, maar een verificatielaag voor professionals die met vertrouwelijke informatie werken. De Semantic Privacy Shield is ontworpen om documenten op EU-infrastructuur te anonimiseren voordat inhoud aan de geselecteerde AI-modellen wordt aangeboden; als die privacycontrole mislukt, wordt niets doorgestuurd. Dat maakt geen perfecte anonimisering, maar het geeft meer zicht op de vraag welke inhoud het apparaat of de omgeving mag verlaten.
Daarnaast maakt multi-model verificatie de controlestappen op AI-antwoorden zichtbaar, en kunnen documenten binnen Vera Office in dezelfde beveiligde omgeving worden bekeken en bewerkt. Zo ondersteunt een console de governance-vragen die de bronnen oproepen: waar draait een taak, welke privacy-claims horen bij die laag, en hoe staan prompts, outputs en auditlogs rond gevoelige workflows aantoonbaar onder controle. Vera garandeert geen correctheid en elimineert geen fouten; het maakt controle mogelijk en houdt de verificatiestappen inzichtelijk.
De ontwikkelingen van 2026 verschuiven de discussie dus van ideologie naar ontwerp. De vraag is niet meer of je lokaal of cloud vertrouwt, maar of je architectuur laat zien wat er met vertrouwelijke informatie gebeurt. Het professionele eindoordeel blijft daarbij altijd bij de gebruiker.