Wie een AI-systeem inzet voor gevoelige beslissingen, wil kunnen laten zien hoe het model tot een uitkomst kwam. De meest voor de hand liggende manier daarvoor is het redeneerverhaal dat grote taalmodellen zelf produceren: de zogeheten chain-of-thought (CoT). Nieuw onderzoek dat eind juli 2026 werd samengevat in een analyse op AI Governance zet daar een streep door. Volgens een synthese van werk van onder meer Apple, het Santa Fe Institute en Google DeepMind weerspiegelt zo'n redeneertekst niet noodzakelijk het daadwerkelijke interne besluitvormingsproces van het model.
Een model kan een correct antwoord bereiken via patroonherkenning of shortcuts, en er vervolgens een plausibel klinkende uitleg bij genereren die het proces niet causaal beschrijft. Voor wie die uitleg als bewijs gebruikt, is dat een probleem: een ogenschijnlijk helder verhaal is nog geen reconstructie van wat er werkelijk gebeurde.
Uitlegbaarheid en auditbaarheid zijn niet hetzelfde
De kern van het inzicht is dat uitlegbaarheid en auditbaarheid uit elkaar groeien. Uitlegbaarheid gaat over de vraag of een uitkomst begrijpelijk is: welke kenmerken en scores speelden een rol, en klinkt de verklaring logisch. Auditbaarheid gaat over iets anders: kun je achteraf, onafhankelijk en aantoonbaar reconstrueren wat er bij een specifieke beslissing is gebeurd?
Een academische studie over audit-ready explainable AI voor fraudedetectie maakt dat onderscheid scherp. De auteurs definiëren audit readiness als de meetbare capaciteit om alerts in de tijd te reproduceren, te rechtvaardigen, uit te dagen en te beheren met behulp van opgeslagen artefacten: de gebruikte data, de modelversies en de beslislogs. Begrijpelijk gedrag van een model is dus iets anders dan de mogelijkheid om een waarschuwing volledig te reconstrueren en te verantwoorden.
Dat onderscheid speelt niet alleen in de theorie. De Enterprise Guide to AI Governance van het IBM Institute for Business Value beschrijft een concrete accountability- en auditability gap: veel organisaties hebben wel high-level AI-ethiekprincipes en uitlegbaarheidsdoelen, maar missen de gestructureerde verantwoordelijkheden, traceerbare beslislogs en verifieerbare documentatie om AI-uitkomsten werkelijk te auditen. Uitkomsten klinken uitlegbaar, maar zijn niet aantoonbaar te herleiden.
Wat een verdedigbare audit trail volgens toezichthouders vereist
Wat auditbaarheid concreet vraagt, wordt duidelijk uit twee praktijkgidsen. De gids AI Audit Trail Requirements by Regulation van DeepInspect definieert een AI-audit trail als een record per beslissing dat vastlegt:
- wie of welke agent de aanvraag initieerde;
- welke data met welke classificatie zijn gebruikt;
- welke policy-versie en controletoestand golden;
- welk resultaat is gegenereerd, en wanneer;
- een integriteitsmechanisme tegen latere wijziging.
De gids benadrukt dat zo'n audit trail onafhankelijk van de toepassing moet worden geschreven, tamper-evident en extern verifieerbaar moet zijn, en dat gewone applicatielogs hiervoor niet volstaan.
De analyse van ProvenRail over EU AI Act Article 12 vergelijkt meerdere regimes — de EU AI Act (artikelen 12, 19 en 26), ISO/IEC 42001 en het NIST AI RMF met IR 8596 — en destilleert daaruit drie harde eisen aan AI-logs: tamper-evidente opslag, onafhankelijke verifieerbaarheid (auditors kunnen de integriteit controleren zonder de operator te hoeven vertrouwen) en betrouwbare tijdstempels die aan een externe tijdsbron zijn gekoppeld. Een eenvoudig database-log zonder integriteitscontrole telt volgens die lat niet als verdedigbare audit trail.
De rode draad is duidelijk: auditbaarheid legt een strengere technische en juridische lat dan gangbare explainable-AI-praktijk. Het redeneertekstje van een model, hoe helder ook, voldoet daar niet aan.
Uitlegbaarheid herontwerpen als toetsbare transparantielaag
Voor professionals die met gevoelige of hoog-trust informatie werken, betekent dit dat uitlegbaarheid opnieuw moet worden gedacht: niet als een losse chain-of-thought, maar als onderdeel van een auditarchitectuur. Bij elke AI-beslissing hoort dan vast te liggen welke persoon of agent iets initieerde, welke data-scope en policy-versie golden, welke modelconfiguratie draaide en hoe menselijke review ingreep — bewaard op een manier die extern toetsbaar is.
In dat kader is IamVera.ai geen model dat nieuwe uitleg produceert, maar een verificatielaag. Vera kan een taak door geselecteerde, onafhankelijke AI-modellen leiden en de verificatiestappen, correcties, meningsverschillen en bronnen zichtbaar maken voor inspectie. Dat ondersteunt controle en overzicht, maar het is geen garantie op correctheid; het maakt controle mogelijk door het proces zichtbaar te maken.
Op het gebied van gevoelige data werkt Vera met een Semantic Privacy Shield: gevoelige documentwaarden kunnen op EU-infrastructuur worden vervangen door synthetische, sessiegebonden equivalenten voordat de AI-keten aan de slag gaat. De architectuur is erop ontworpen om alleen geanonimiseerde inhoud door te sturen, en de workflow is fail-closed: mislukt de privacycontrole, dan wordt het document niet doorgestuurd. Voor het werken met documenten binnen die beschermde workflow biedt Vera Office weergave- en bewerkfunctionaliteit op basis van Collabora Online, waarbij het eindoordeel bij de gebruiker blijft.
De les uit de onderzoeken en gidsen van medio 2026 is nuchter. Een AI-systeem dat begrijpelijk klinkt, is niet automatisch toetsbaar. Wie AI inzet in gereguleerde of vertrouwensgevoelige contexten, doet er verstandig aan uitlegbaarheid en auditbaarheid als twee aparte eisen te behandelen — en de zichtbare uitleg te koppelen aan harde, verifieerbare beslis- en contextartefacten. Het professionele eindoordeel over wat de uitkomst waard is, blijft daarbij hoe dan ook bij de mens.