Uitlegbaarheid is geen audit trail: waarom AI-transparantie twee lagen nodig heeft

U moet kunnen aantonen dat elke AI-beslissing in gevoelige contexten teruggevoerd kan worden tot vastgelegde invoergegevens, modelversie en menselijke controle — niet alleen tot een plausibel klinkend verklaringstekst.

De aanleiding is een analyse van 17 augustus 2026 van hoe chain-of-thought redeneringen niet noodzakelijk het werkelijke interne besluitvormingsproces van AI-modellen weerspiegelen, die stelt dat modellen correcte antwoorden kunnen bereiken via patroonherkenning en vervolgens plausibele verklaringen genereren die het werkelijke proces niet beschrijven. Het onderzoek, samengevat eind juli 2026, bouwt voort op werk van onder meer Apple, het Santa Fe Institute en Google DeepMind. In onze beoordeling betekent dit dat organisaties die AI inzetten voor gevoelige of gereglementeerde beslissingen hun audit- en verantwoordingspraktijk fundamenteel moeten herbezien: een begrijpelijk klinkend verhaal is geen bewijs dat een beslissing controleerbaar is.

Wat is het verschil tussen uitlegbaarheid en auditbaarheid?

Uitlegbaarheid en auditbaarheid zijn twee verschillende eisen die vaak door elkaar worden gebruikt. Uitlegbaarheid gaat om begrijpelijkheid: welke kenmerken en scores speelden een rol, en klinkt de verklaring logisch? Auditbaarheid gaat om iets anders: kun je achteraf, onafhankelijk en aantoonbaar reconstrueren wat er bij een specifieke beslissing is gebeurd?

De praktische grens wordt scherp in onderzoek naar audit-ready explainable AI voor fraudedetectie. Audit readiness wordt daar gedefinieerd als de meetbare capaciteit om waarschuwingen 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. Een model dat begrijpelijk gedrag vertoont, is dus niet hetzelfde als een systeem waarvan je een waarschuwing volledig kunt reconstrueren en verantwoorden.

Welke gaten zien organisaties in hun huidige praktijk?

De Enterprise Guide to AI Governance 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.

Dit gat ontstaat omdat uitlegbaarheid vaak wordt gelijk gesteld aan het redeneerverhaal dat grote taalmodellen zelf produceren — de zogenaamde chain-of-thought. Een model kan echter 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 dat een beslissing controleerbaar is, is dat een kritiek probleem.

Welke technische eisen stelt auditbaarheid aan logs en records?

Auditbaarheid legt een strengere technische en juridische lat dan gangbare explainable-AI-praktijk. Twee praktijkgidsen destilleren daaruit concrete vereisten:

1. Tamper-evidente opslag — audit trails moeten zodanig zijn opgeslagen dat ongeautoriseerde wijzigingen detecteerbaar zijn.
2. Onafhankelijke verifieerbaarheid — auditors moeten de integriteit kunnen controleren zonder de operator te hoeven vertrouwen.
3. Betrouwbare tijdstempels — records moeten aan een externe tijdsbron zijn gekoppeld.
4. Volledige contextdocumentatie — welke persoon of agent iets initieerde, welke data-scope en policy-versie golden, welke modelconfiguratie draaide en hoe menselijke review ingreep.

Een eenvoudig database-log zonder integriteitscontrole telt volgens deze maatstaf niet als verdedigbare audit trail. Gewone applicatielogs volstaan niet. De audit trail moet onafhankelijk van de toepassing worden geschreven en extern verifieerbaar zijn.

Wat moet u concreet kunnen aantonen?

Wie AI inzet in gevoelige of gereglementeerde contexten, moet kunnen aantonen dat elk systeem aan deze eisen voldoet:

1. Documenteer welk model en welke versie voor welke workflow actief is — vastgelegd op een manier die niet achteraf kan worden gewijzigd.
2. Leg vast welke invoergegevens en welke data-scope voor elke beslissing golden — inclusief de versie van beleid of richtlijnen die van toepassing was.
3. Registreer wie of wat de verwerking initieerde en wanneer — met externe tijdstempel en integriteitscontrole.
4. Bewaar alle modelconfiguraties en parameterwijzigingen — zodat je kunt aantonen welke versie op welk moment draaide.
5. Documenteer hoe en wanneer menselijke review plaatsvond — wie keek ernaar, wat werd opgemerkt, welke correcties werden aangebracht.
6. Zorg dat alle artefacten extern verifieerbaar zijn — een onafhankelijke auditor moet kunnen controleren dat niets is gewijzigd.

Wat kunnen tools doen, en wat blijft uw verantwoordelijkheid?

Verificatielagen kunnen het proces zichtbaar maken en controle ondersteunen, maar ze garanderen geen correctheid. Ze maken controle mogelijk door het proces transparant te maken. Geanonimisering en privacycontroles kunnen gevoelige gegevens beschermen voordat ze door AI-ketens gaan, maar het eindoordeel over wat een uitkomst waard is, blijft bij de mens.

De les uit het onderzoek 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.