AI-voorwaarden als risico-oppervlak per tier

Je moet de contractvoorwaarden van AI-aanbieders per werkstroom toetsen als operationeel risico, niet als eenmalige inkoopcheck. Aansprakelijkheidscaps, trainingsdefaults en opt-out-instellingen verschillen sterk per tier en bepalen welke schade je kunt verhalen en welke data voor modeltraining beschikbaar zijn.

Aanleiding is een analyse van 21 september 2026 van de trainingsdefaults en aansprakelijkheidscaps in AI-servicevoorwaarden per tier, waarin wordt aangetoond dat de risicoverdeling tussen consumentengebruik en zakelijke overeenkomsten materieel afwijkt. Het concrete geval is de structuur van OpenAI's Terms of Use en Services Agreement naast Google's Terms of Service, waar aansprakelijkheid wordt begrensd tot het betaalde bedrag of een vast minimum, en indirecte schade volledig is uitgesloten. In onze beoordeling is dit de kern die organisaties over het hoofd zien: gemak van toegang zegt weinig over de juridische defaults die van toepassing worden zodra je gevoelige inhoud invoert.

Hoe verschillen de aansprakelijkheidscaps per tier?

OpenAI beperkt de gezamenlijke aansprakelijkheid in zijn standaardvoorwaarden tot het hogere van het betaalde bedrag over de voorgaande twaalf maanden of 100 dollar. Indirecte, incidentele, bijzondere, gevolg- en punitieve schade zijn volledig uitgesloten. Onder de Services Agreement voor zakelijke klanten wordt aansprakelijkheid doorgaans begrensd tot de totale vergoedingen van de voorgaande twaalf maanden, maar vrijwaringsverplichting (indemnification) valt buiten deze cap.

Google formuleert vergelijkbare beperkingen in zijn Terms of Service: aansprakelijkheid is beperkt, indirecte en gevolgschade zijn uitgesloten, en gebruikers kunnen verplicht worden Google vrij te stellen voor procedures van derden. Voor pre-GA-aanbiedingen en klantmodellen gelden aanvullende uitzonderingen. Het patroon is dus geen eigenaardigheid van één leverancier. De risicoverdeling tussen tiers is niet symmetrisch: wie via een enterprise-partner als Microsoft afneemt, onderwerpt zich aan andere voorwaarden dan wie rechtstreeks inkoopt, omdat de gekozen tier en overeenkomst bepalen welke defaults gelden, niet het merk van het model zelf.

Welke risicofactoren liggen in de trainingsdefaults verborgen?

De volgende foutmodi en risicocategorieën bepalen je daadwerkelijke blootstelling:

• Standaardtraining op gevoelige data — zonder expliciete opt-out blijven nieuwe invoeren beschikbaar voor modeltraining, ongeacht de producttier.
• Tier-afhankelijke trainingsregels — ChatGPT-, Codex- en enterprise-taken hebben verschillende defaults, wat betekent dat dezelfde data anders wordt behandeld per interface.
• Verspreid privacybeleid — trainingsuitsluitingen hangen af van instellingen in Data Controls of het privacyportaal, niet van de interface zelf.
• Asymmetrische vrijwaringsverplichting — zakelijke overeenkomsten leggen indemnity-verplichtingen op die buiten de aansprakelijkheidscap vallen.
• Onvoldoende audittrail — bewijs van een bewuste keuze voor trainingsuitsluitingen ligt bij de gebruiker, niet bij de aanbieder.

Welke controles moet je per werkstroom documenteren?

Wie gevoelige inhoud verwerkt, moet deze stappen kunnen aantonen:

1. Bepaal welke tier en overeenkomst van toepassing is — controleer of je onder consumentenvoorwaarden, zakelijke voorwaarden of enterprise-overeenkomsten valt, want dit bepaalt de aansprakelijkheidscap en indemnity-verplichtingen.
2. Controleer de trainingsinstelling voor elke werkstroom — zet trainingsuitsluitingen in Data Controls of het privacyportaal in en documenteer deze keuze per workflow, niet eenmalig.
3. Leg vast welke data naar welke tier gaat — bepaal en document welke gevoelige gegevens naar welke producttier (ChatGPT, Codex, enterprise) worden gerouteerd en waarom.
4. Registreer de aansprakelijkheidscap en vrijwaringsverplichting — document welke maximale schadevergoeding voor deze werkstroom geldt en welke indemnity-verplichtingen je draagt.
5. Stel een hertoetsingscyclus in — controleer jaarlijks of de voorwaarden zijn gewijzigd en of je trainingsdefaults nog steeds correct zijn ingesteld.

Wat kunnen tools doen en wat blijft jouw verantwoordelijkheid?

Automatisering kan je helpen de voorwaarden van verschillende aanbieders naast elkaar te leggen en wijzigingen op te sporen. Wat tools niet kunnen doen, is bepalen welke data gevoelig genoeg is om trainingsuitsluitingen in te stellen, of welke aansprakelijkheidscap voor jouw organisatie acceptabel is. Die keuzes vereisen professioneel oordeel over je risicotolerantie, je regelgeving en je bedrijfsgegevens. De splitsing van privacyinformatie over meerdere pagina's en instellingen is zelf een risico: de standaardconfiguratie is niet altijd de veiligste. Wie deze controles verankert in de bredere governance-aanpak, verlegt de aandacht van modelkwaliteit alleen naar de contractuele en datagovernance-defaults die het werkelijke risico bepalen.