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

U moet per werkproces vastleggen welke diensten en modellen uw prompts zien, hoe lang zij worden bewaard, of zij voor training worden gebruikt, en welke toestemming daarvoor geldt. Dit is niet langer een vraag die u kunt beantwoorden door naar de naam van de chatbot te kijken.

Op 11 september 2026 meldde Anthropic dat Chinese labs prompts van hun gebruikers heimelijk naar Claude doorstuurden om de antwoorden voor eigen modeltraining te gebruiken. Moonshot routeerde in tien dagen bijna 300.000 klantverzoeken door; DeepSeek voerde in veertien dagen meer dan 12 miljoen distillatie-uitwisselingen uit. De gebruikers van die diensten kregen geen mededeling dat hun vragen op servers van een ander model belandden. In onze inschatting is het centrale probleem niet de concurrentie tussen labs, maar dat de route van een prompt onzichtbaar is geworden. Een gebruiker stelt een vraag aan dienst A, model B antwoordt, zonder dat de gebruiker dat weet of daarmee heeft ingestemd. Dit maakt de prompt zelf tot een verborgen datastroom in plaats van een privé-uitwisseling.

Waarom is dit een verwerkingshandeling die u moet verantwoorden?

Prompts, gesprekgeschiedenis en uitkomsten gelden doorgaans als persoonsgegevens zodra zij aan een account zijn gekoppeld. Toezichthouders verwachten steeds vaker expliciete, opt-in-toestemming voor het gebruik van zulke data voor training. Het incident toont aan dat de belofte van de ene dienst en de werkelijkheid achter de schermen kunnen uiteen lopen. Een gebruiker ziet de voorwaarden van Claude nooit en stemt niet in met een langlopend trainingsgebruik wanneer een ander platform prompts stil doorstuurt.

Welke risico's ontstaan door onzichtbare prompt-routes?

De kern van het incident is dat gebruikers niet zien waar hun prompts heen gaan, welke bewaartermijn geldt of welk model antwoordt. Het doorsturen van prompts naar onbekende modellen schept minstens deze foutmogelijkheden:

• Ongeautoriseerde doorgifte — prompts bereiken modellen waarvoor geen toestemming is gegeven.
• Verborgen trainingsgebruik — data wordt voor modeltraining gebruikt zonder dat de gebruiker daarvan weet.
• Verlengde bewaartermijn — prompts worden langer bewaard dan de gebruiker verwacht of accepteert.
• Incoherentie tussen beleid en praktijk — de privacyvoorwaarden van dienst A gelden niet voor de verwerking door model B.
• Verlies van controle over context — vertrouwelijke informatie verlaat het systeem waarvoor de gebruiker toestemming gaf.

Welke controles moet u per werkproces kunnen aantonen?

Een werkbare inventarisatie bevat:

1. Documenteer welk model elke prompt verwerkt — leg vast welk taalmodel op welke vraag antwoordt en onder welke voorwaarden.
2. Stel expliciete toestemming vast voor training — verzamel opt-in-toestemming voor elk trainingsgebruik, niet gebundeld of vaag.
3. Definieer bewaartermijnen per werkproces — bepaal hoe lang prompts en antwoorden worden opgeslagen en wanneer zij worden verwijderd.
4. Controleer doorgifte naar externe modellen — maak zichtbaar wanneer en waarom een prompt naar een derde dienst gaat.
5. Scheidt debuglogs van trainingsdata — zet promptlogging standaard uit en gebruik redactie wanneer inhoud voor debugging nodig is.

Hoe brengt u zicht op uw prompt-routes aan?

De bruikbaarste reactie is om prompts als eerste klas data-object te behandelen. Een verificatielaag kan per werkproces zichtbaar maken langs welke modellen een taak loopt en welke verificatiestappen zijn gezet. Dit neemt echter de verantwoordingsplicht niet weg: het professionele eindoordeel blijft bij u. Anonimisering van documentwaarden vóór AI-verwerking kan zo ontworpen worden dat voorbewerking op EU-infrastructuur plaatsvindt en er bij een mislukte privacycontrole niets wordt doorgestuurd. Tooling kan u helpen zicht te krijgen; de keuze wat u met die zichtbaarheid doet, en hoe u toestemming inricht, blijft uw eigen verantwoordelijkheid.