Recht op wissing raakt nu ook het modelgeheugen

U moet kunnen aantonen hoe persoonsgegevens door uw AI-systemen stromen en hoe u ze op verzoek uit het getrainde model verwijdert. Dit is niet langer een databasebeheersingskwestie, maar een architectuurvraagstuk.

De aanleiding is een analyse van 4 augustus 2026 van verwijderverzoeken die zich tot het modelgeheugen uitstrekken, welke stelt dat de Europese Autoriteit voor gegevensbescherming in juli 2026 richtlijnen over webscraping en generatieve AI vaststelde die verwijderrechten rechtstreeks op getrainde modellen toepassen. Het onderzoek gebruikt de technische bevinding dat persoonsgegevens eenmaal in een model zijn opgenomen niet eenvoudig kunnen worden verwijderd als concrete casus. In onze inschatting betekent dit dat organisaties die generatieve AI inzetten niet langer kunnen volstaan met retentiebeleid op databaseniveau; zij moeten aantoonbare processen hebben die het gehele traject van dataverzameling tot modeloutput bestrijken.

Wat zegt de regelgeving nu over modelgeheugen?

De EDPB-richtlijnen 03/2026 stellen vast dat webscraping voor generatieve AI onder de GDPR valt zodra persoonsgegevens worden verwerkt. Een kernpassage erkent dat persoonsgegevens eenmaal in een getraind model zijn opgenomen niet gemakkelijk kunnen worden verwijderd. Dit verplaatst de discussie over verwijderverzoeken van de trainingsdatabase naar het model zelf. Het door de EDPB gecommitteerde onderzoek naar effectieve implementatie van rechten van betrokkenen beschrijft dat wissing bij AI-systemen gevolgen kan hebben voor de invloed van trainingsdata op het model en verkent daarvoor hertraining en machine-unlearning als mogelijke aanpakken.

Welke technische benaderingen bestaan voor verwijdering uit modellen?

Volledige hertraining met uitgesloten data wordt in de onderzoeken beschreven als de meest effectieve en volledige bekende manier om de invloed van specifieke data uit een model terug te dringen. Machine-unlearning-technieken worden getypeerd als relatief jonge, benaderende benaderingen in ontwikkeling. Onderzoek naar audittests voor verwijdering toont aan dat recente unlearning-procedures op grote modellen rest-imprints laten bestaan en dat validatie grotendeels op synthetische data en kleinere modellen heeft plaatsgevonden, niet op grote taalmodellen. Dit suggereert dat de huidige unlearning-technieken en audittests nog geen robuuste zekerheid geven dat verwijderde data geen invloed meer heeft op modeloutputs.

Welke risico's ontstaan uit onvoldoende verwijderingscapaciteit?

De volgende foutmodi en risicacategorieën ontstaan wanneer verwijderverzoeken niet tot het modelgeheugen doorwerken:

• Onvolledige wissing — persoonsgegevens blijven in modelgewichten aanwezig ondanks verwijderverzoeken.
• Ongevalideerde unlearning — technieken die rest-imprints achterlaten en niet op grote modellen zijn getest.
• Verborgen trainingsdata — persoonsgegevens waarvan de aanwezigheid in het model niet kan worden aangetoond.
• Modelgeheugen als ongecontroleerde risicofactor — geen aantoonbare workflow voor retentie en verwijdering.
• Toezichthoudersingreep — in ernstige gevallen kunnen autoriteiten modeldeletie als maatregel opleggen.

Welke aantoonbare controles moet u kunnen demonstreren?

U moet kunnen aantonen dat u de volgende stappen hebt genomen en kunt blijven nemen:

1. Documenteer welke modellen welke persoonsgegevens verwerken — leg vast welk model in welke workflow wordt gebruikt en wat de rechtmatige grondslag voor die gegevens is.
2. Voer impactanalyse uit voordat u trainingsdata verzamelt — bepaal welke persoonsgegevens in het model kunnen belanden en welke risico's dat meebrengt.
3. Implementeer verificatie- en anonimeringsstappen voordat inhoud het model bereikt — zorg dat u ziet hoe persoonsgegevens door uw keten stromen en beperk wat extern wordt verwerkt.
4. Onderhoud een auditeerbare beslislog van verwijderverzoeken en reacties — documenteer wanneer verzoeken binnenkomen, welke maatregelen u neemt en met welk resultaat.
5. Plan hertraining of unlearning als onderdeel van uw retentiebeleid — zorg dat u weet wanneer en hoe u gegevens uit het model verwijdert.

Hoe verschuift uw verantwoordelijkheid?

De vraag voor professionals die met vertrouwelijke informatie werken verschuift van 'mag ik AI gebruiken' naar 'kan ik aantonen hoe persoonsgegevens door mijn AI-keten stromen en hoe ik ze desgevraagd terugdring'. De nieuwe richtlijnen onderstrepen dat modelgeheugen als een gecontroleerde, gedocumenteerde risicofactor moet worden benaderd. Dit is niet iets wat u kunt uitbesteden aan een tool; verificatie- en verwerkingsstappen kunnen zichtbaar worden gemaakt, maar het professionele eindoordeel over wat acceptabel is, blijft bij u.

Werktuigen kunnen u helpen om anonimisering toe te passen, workflows zichtbaar te maken en audittracks bij te houden. Zij kunnen niet bepalen welke gegevens in uw organisatie als vertrouwelijk moeten worden behandeld, welke modellen voor welke taken geschikt zijn, of hoe u de spanning tussen bruikbaarheid en verwijderbarheid oplost. Die keuzes zijn uw verantwoordelijkheid en moeten in uw beleid zijn vastgelegd voordat u een verzoek ontvangt.