Prompts als persoonsgegevens behandelen nu blijkt dat DeepSeek vragen stilletjes naar Claude stuurde

Behandel elke prompt als een persoonsgegeven en breng per werkproces in kaart welke diensten en achterliggende modellen de prompt zien, hoe lang die wordt bewaard, of hij voor training wordt gebruikt en welke toestemming daarvoor geldt. Aanleiding is Anthropics melding dat DeepSeek en Moonshot klantvragen zonder mededeling naar Claude doorstuurden.

Op 11 september 2026 meldde Anthropic, weergegeven door onder meer CNBC, dat de Chinese labs Moonshot en DeepSeek klantvragen heimelijk naar de Claude-modellen doorstuurden om de antwoorden te gebruiken voor het trainen van hun eigen modellen. Volgens die berichtgeving routeerde Moonshot in tien dagen bijna 300.000 klantverzoeken naar Claude en voerde DeepSeek in veertien dagen meer dan 12 miljoen distillatie-uitwisselingen uit, zonder de eigen gebruikers te informeren. Voor professionals betekent dit dat de vraag "waar gaat mijn prompt heen?" niet meer te beantwoorden is met de naam van de zichtbare chatbot alleen.

Wat gebeurde er precies bij het doorsturen van prompts naar Claude?

Volgens de door CNBC beschreven aanklacht van Anthropic gebruikten de betrokken labs tussenaccounts om vragen van hun klanten door te sturen naar Claude en de antwoorden onder de eigen merknaam terug te geven. De gebruikers van die diensten kregen daarbij geen mededeling dat hun vragen op de servers van een derde model belandden.

Naar onze inschatting is de kern van dit incident niet de concurrentie tussen labs, maar de onzichtbaarheid van de route. Een prompt die een gebruiker aan dienst A stelt, wordt beantwoord door model B, zonder dat de gebruiker dat weet of daarmee heeft ingestemd. Dat maakt de prompt zelf tot een verborgen datastroom in plaats van een privé-uitwisseling met "uw" chatbot.

Waarom botst stil doorsturen met de eigen privacyregels van Claude?

Anthropic beschrijft in zijn privacybeleid voor consumentendiensten dat persoonsgegevens met toestemming worden verwerkt en dat gebruikers kunnen kiezen om hun gegevens voor modeltraining te laten gebruiken. In de toelichting op de gewijzigde gebruiksvoorwaarden staat dat gesprekken en feedback bij opt-in voor training tot vijf jaar worden bewaard, en bij afwijzing ongeveer 30 dagen.

Dat regime gaat ervan uit dat de gebruiker weet dat hij met Claude praat en een echte keuze maakt over bewaartermijn en training. Precies die aanname valt weg wanneer een andere dienst prompts stil doorstuurt: de oorspronkelijke gebruikers zien de voorwaarden van Claude nooit en stemmen niet in met een langlopend trainingsgebruik. De belofte van de ene dienst en de werkelijkheid achter de schermen lopen dan uiteen.

Waarom gelden prompts onder de AVG als persoonsgegevens?

Een privacy- en compliancegids van Regolo.ai uit mei 2026 legt uit dat prompts, gesprekgeschiedenis en uitkomsten doorgaans als persoonsgegevens gelden zodra ze aan een account zijn gekoppeld. De gids stelt dat toezichthouders steeds vaker expliciete, opt-in-toestemming verwachten voor het gebruik van zulke data voor training, en waarschuwt tegen vage of gebundelde toestemming. Ook noemt de gids dat de EDPB prompts, contextvensters en feedback expliciet aanmerkt als LLM-specifieke risicofactoren die in een DPIA thuishoren.

De praktische consequentie: verwerkt u vertrouwelijke informatie via AI, dan is het verwerken van prompts zelf een verwerkingshandeling die u moet kunnen verantwoorden. Meer achtergrond hierover vindt u in ons overzicht van de AVG-verantwoordelijkheden per fase van uw generatieve-AI-workflow en in de themahub over AI-privacy en de AVG.

Hoe breng ik per werkproces in kaart waar mijn prompts heen gaan?

Naar onze inschatting is de bruikbaarste reactie op dit incident om prompts als eerste klas data-object te behandelen en per werkproces vast te leggen wat ermee gebeurt. Een werkbare inventarisatie bevat:

• Welke zichtbare dienst de prompt ontvangt en welke achterliggende modellen die prompt daadwerkelijk verwerken.
• Welke bewaartermijn per stap geldt en of de prompt in een trainingsdataset kan belanden.
• Welke rechtsgrond of toestemming de verwerking dekt, en of die specifiek en intrekbaar is.
• Of servicelogs gescheiden blijven van trainingsdata, en welke doorgifte aan derden mogelijk is.
• Welk bewijs (logs, DPIA, redactiebeleid) beschikbaar is als een toezichthouder, cliënt of interne auditor ernaar vraagt.

Dezelfde logica geldt voor koppelingen tussen AI-diensten en externe systemen; wie daar zicht op wil houden, vindt aanknopingspunten in onze analyse van de risico's van AI-connectoren naar externe diensten.

Welke controles horen bij verantwoord promptbeheer?

Een privacy-engineeringgids van QubitTool uit juni 2026 vertaalt de AVG- en CCPA-eisen naar concrete patronen. De playbook voor AI-privacy-engineering adviseert om ruwe promptlogging standaard uit te zetten, korte bewaartermijnen en redactie te gebruiken als inhoud voor debugging nodig is, en servicelogs strikt gescheiden te houden van trainingsdata. Training op prompts vereist volgens de gids expliciete toestemming of een opt-outregeling met fijnmazige controle.

Het DeepSeek-Claude-incident is in feite de omkering van deze patronen: gebruikers zien niet waar hun prompts heen gaan, welke bewaartermijn geldt of welk model antwoordt. Een verificatielaag zoals Vera kan bij dit soort vragen ondersteunen door per werkproces zichtbaar te maken langs welke onafhankelijke modellen een taak loopt en welke verificatiestappen zijn gezet, zodat controle mogelijk wordt; het is geen chatbot en geen eigen taalmodel. De anonimisering van documentwaarden vóór AI-verwerking is daarbij zo ontworpen dat voorbewerking op EU-infrastructuur plaatsvindt en er bij een mislukte privacycontrole niets wordt doorgestuurd. Dat neemt de verantwoordingsplicht niet weg: het professionele eindoordeel blijft bij u.

Bronnen: Het artikel steunt op de door CNBC beschreven aanklacht van Anthropic, het privacybeleid en de gebruiksvoorwaarden van Anthropic, en op privacygidsen van Regolo.ai en QubitTool.

← Alle artikelen in dit thema ← Alle artikelen