Blog

Token-ID's uit LLM-inputs zijn volgens nieuw onderzoek gepseudonimiseerde persoonsgegevens, geen anonieme data

Nieuw peer-reviewed onderzoek stelt dat token-ID-sequenties uit taalmodellen standaard gepseudonimiseerde persoonsgegevens zijn. Wat dat betekent voor AVG-plichten.

· Door

Een leesbare brief en een versie met neutrale labels liggen naast elkaar op een houten bureau, verbonden door een gespannen touwtje, met een messing sleutel ernaast.
Token-ID's uit LLM-inputs met persoonsgegevens blijven volgens nieuw onderzoek gepseudonimiseerd en vallen standaard onder de AVG.Beeld: IamVera.ai — originele redactionele illustratie

Nee. Een peer-reviewed juridische analyse concludeert dat token-ID-sequenties uit taalmodelinputs met persoonsgegevens onder de AVG standaard gepseudonimiseerde persoonsgegevens zijn, niet anonieme data. Tokenisering, hashing of versleuteling verminderen risico maar maken data niet automatisch anoniem, dus blijven alle AVG-plichten gelden totdat onomkeerbaarheid bewezen is.

Op 4 oktober 2026 verscheen in het International Review of Law, Computers & Technology de studie Qualifying LLM tokenisation under the GDPR: pseudonymisation by default. De kern: Wanneer een taalmodel tekst met persoonsgegevens omzet in token-ID's, kan die reeks getallen onder een vaste versie van de tokenizer een herleidbare relatie met de oorspronkelijke tekst behouden. Juridisch is dat pseudonimisering, niet anonimisering. Dat betekent dat de gegevens binnen het toepassingsbereik van de AVG blijven.

Dit raakt een wijdverbreid misverstand. Veel organisaties behandelen een getokeniseerde, gehashte of versleutelde tekst alsof die daarmee buiten de privacyregels valt. De studie laat zien waarom dat in typische taalmodelprojecten onjuist is.

Wat stelt het nieuwe onderzoek precies over tokenisering en de AVG?

De studie kwalificeert tokenisering in gangbare taalmodelprojecten standaard als pseudonimisering. Tokenisering is de techniek waarbij tekst wordt opgeknipt in kleine eenheden en vertaald naar numerieke identificatoren die het model verwerkt. Omdat diezelfde tokenizer-versie de vertaling deterministisch terug kan maken, blijft er een koppeling tussen de token-ID's en de brontekst bestaan.

De auteurs sluiten aan bij het bestaande juridische onderscheid: pseudonimisering houdt identificatie mogelijk via aanvullende informatie, anonimisering vereist dat identificatie redelijkerwijs niet meer mogelijk is. Een anonimiseringsclaim noemen zij uitzonderlijk, en alleen houdbaar met een ontvanger- en contextspecifiek bewijs dat de koppeling naar de bron redelijkerwijs onomkeerbaar is.

Waarom maken versleuteling, hashing of labels data niet automatisch anoniem?

Omdat elk van deze technieken risico vermindert zonder de koppeling naar de persoon weg te nemen. Een sleutel, een tokenizer-versie, een bronbestand of het gedrag van het model zelf kan de relatie met de oorspronkelijke tekst herstellen. Wanneer een relevante partij die aanvullende informatie redelijkerwijs kan gebruiken om personen te identificeren, blijft het om gepseudonimiseerde persoonsgegevens gaan.

Het Europees Comité voor gegevensbescherming (EDPB) hanteert hetzelfde toetsingskader in zijn uitleg over anonimisering en pseudonimisering: gepseudonimiseerde gegevens vallen onder de gegevensbeschermingsregels, anonieme gegevens pas als identificatie redelijkerwijs is uitgesloten. De Europese Commissie werkte dit in november 2026 uit met een praktijkvoorbeeld waarin namen, adressen en referentienummers lokaal door labels worden vervangen voordat tekst naar een AI-assistent gaat. Ook dat is volgens de Commissie pseudonimisering, geen anonimisering, en context, taal en resterende unieke kenmerken blijven meewegen.

Hetzelfde geldt breder in de keten. Een eerdere analyse in de Computer Law & Security Review over synthetische data onder de AVG waarschuwde al dat juridische risico's niet verdwijnen door transformatie alleen. Naar onze inschatting trekt het tokeniseringsonderzoek diezelfde lijn door naar prompts, training en fine-tuning: de transformatie zelf is geen bewijs van anonimiteit.

  • Tokenisering: omkeerbaar onder een vaste tokenizer-versie.
  • Hashing: koppeling herstelbaar via lookup of brute force bij beperkte waardebereiken.
  • Versleuteling: omkeerbaar zodra de sleutel beschikbaar is.
  • Labels in plaats van namen: resterende vrije tekst en zeldzame combinaties kunnen een persoon alsnog isoleren.

Wanneer mag ik een token-ID-sequentie dan wél als anoniem beschouwen?

Pas na een afzonderlijke, context- en ontvangerspecifieke toets waaruit blijkt dat herleiding naar de bron redelijkerwijs onomkeerbaar is onder de concrete toegangssituatie. Onze analyse is dat de bronnen geen algemene drempel of sjabloon geven en dat een partij die anonimiteit claimt die claim onder de concrete toegangssituatie met bewijs moet onderbouwen; de bronnen behandelen anonimisering bovendien als uitzonderlijk.

De vraag die de bronnen openlaten, is precies welk concreet bewijs in de praktijk voldoende is. Zolang dat onzeker is, is naar onze inschatting een anonimiteitsclaim op een token-ID-sequentie zonder onderbouwing een juridisch kwetsbare positie. Een werkbaar controleprotocol:

  1. Classificeer de invoer als persoonsgegevens totdat het tegendeel bewezen is.
  2. Scheid sleutels, tokenizer-versies en identiteitsinformatie van de getransformeerde data.
  3. Documenteer welke partijen welke aanvullende informatie bezitten.
  4. Test de getransformeerde tekst op unieke vrije tekst, zeldzame combinaties en contextuele identificatoren.
  5. Beoordeel tokenisatie en modeluitvoer afzonderlijk, want ook een antwoord kan herleidbaar zijn.
  6. Leg vast waarom anonimisering onder de concrete toegangssituatie onomkeerbaar zou zijn.

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

Onze analyse: omdat token-ID-sequenties met persoonsgegevens standaard gepseudonimiseerde persoonsgegevens zijn, blijven verwerkersovereenkomsten, grondslag, bewaartermijnen en betrokkenenrechten onverminderd gelden voor organisaties die prompts naar een taalmodel sturen; daarom moet de verwerkingsverantwoordelijke tokenisering nu in het verwerkingsregister opnemen als pseudonimisering en niet als anonimisering. Omdat een anonimiteitsclaim een zware, contextspecifieke bewijslast draagt, loopt een organisatie die zo'n claim onbewezen in een DPIA of contract opneemt een aansprakelijkheidsrisico bij een datalek of toezichtsvraag; daarom moet de jurist elke bestaande anonimiteitsbewering over AI-data toetsen en bij twijfel terugbrengen tot pseudonimisering voordat het beleid wordt vastgesteld. Omdat de koppeling via sleutel, tokenizer-versie of bronbestand blijft bestaan, moet de CISO deze aanvullende informatie organisatorisch en technisch scheiden van de getransformeerde data en vastleggen wie toegang heeft; zonder die scheiding is het verschil tussen pseudoniem en herleidbaar in de praktijk weg. Omdat ook modeluitvoer een persoon kan isoleren, moet wie de inkoop of architectuur bepaalt een herleidingstest op zowel invoer als uitvoer eisen voordat een vertrouwelijke werkstroom live gaat, anders verschuift het risico ongezien naar de productiefase.

Deze analyse is onze duiding, geen uitspraak van een Nederlandse toezichthouder. De aangehaalde bronnen bieden geen garantie dat tokenisering of synthetische data nooit herleidbaar zijn, en vormen geen handhavingsbesluit. Voor de bredere wettelijke plichten die bij gepseudonimiseerde data blijven gelden verwijzen wij naar de regels en plichten bij pseudonimisering onder de AVG en naar de EDPB-toets voor anonimisering van AI-trainingsdata. Wie gevoelige prompts lokaal verwerkt, vindt in onze uitleg over waarom lokaal draaien gevoelige prompts niet vanzelf beschermt aanvullende aandachtspunten. Meer achtergrond staat in de themahub over AI-privacy en AVG-verplichtingen.

Bronnen en referenties

  1. Qualifying LLM tokenisation under the GDPR: pseudonymisation by defaultInternational Review of Law, Computers & Technology (Taylor & Francis) · 2026-10-04
  2. When does synthetic data qualify as personal data under the GDPR?Computer Law & Security Review · 2024-06-12
  3. Anonymisation / pseudonymisationEuropean Data Protection Board · 2026-11-17
  4. Pseudonymising text before it reaches an AI assistant: what the rules ask, and what we learned building for itEuropean Commission, Apply AI Alliance (Futurium) · 2026-11-03

Bronnen: Het artikel steunt op de peer-reviewed studie in het International Review of Law, Computers & Technology, de EDPB-uitleg over anonimisering en pseudonimisering, een praktijkbijdrage van de Europese Commissie en een analyse in de Computer Law & Security Review.

← Alle artikelen in dit thema ← Alle artikelen