PrivaSearch

Techniek

Persoonsgegevens automatisch herkennen in documenten: hoe betrouwbaar is dat?

Waarom software die namen, adressen en nummers in dossiers opspoort altijd iets mist of te veel afdekt, en hoe een menselijke controle dat opvangt.

In het kort

  • Automatische herkenning van persoonsgegevens maakt altijd twee soorten fouten: ze dekt woorden af die geen persoonsgegeven zijn, en ze laat persoonsgegevens staan.
  • Gegevens met een vaste vorm, zoals een BSN of een IBAN, zijn goed te vinden; namen, functies en omstandigheden die iemand herkenbaar maken zijn veel lastiger.
  • De AVG noemt pseudonimisering een maatregel die risico's verkleint, niet een manier om buiten de wet te vallen: wat je pseudonimiseert, blijft voor jou een persoonsgegeven.
  • Een menselijke controle is geen formaliteit, maar het onderdeel dat opvangt wat de software mist, zeker bij indirecte gegevens en bij gezondheid of strafzaken in een bijzin.
  • Leg vast wie controleert, waarop en wanneer een document pas verder mag, en meet wat er gemist wordt in plaats van uit te gaan van een percentage op een website.

Hoe betrouwbaar is automatische herkenning van persoonsgegevens?

Goed genoeg om veel werk te besparen, nooit goed genoeg om blind op te vertrouwen. Software vindt nummers met een vaste vorm vrij zeker, maar mist namen die op gewone woorden lijken en ziet zelden dat een functie of een plaats iemand herkenbaar maakt. Omgekeerd dekt ze woorden af die geen persoon zijn. Daarom hoort er een mens bij.

Dit artikel gaat over de techniek achter die herkenning en over wat de AVG ervan verwacht. Het verschil tussen pseudonimiseren en anonimiseren staat in Pseudonimiseren of anonimiseren: het verschil, en waarom het voor AI uitmaakt. Welke gegevens je in een chatbot mag zetten, lees je in Mag je klantgegevens in ChatGPT, Claude of Mistral Vibe zetten?.

Wat moet de software eigenlijk vinden?

Meer dan namen. De AVG noemt in artikel 4, punt 1 elk gegeven over een natuurlijke persoon die direct of indirect te identificeren is, bijvoorbeeld aan de hand van een naam, een identificatienummer, locatiegegevens of een of meer kenmerken van iemands fysieke, economische, culturele of sociale identiteit. Overweging 26 voegt toe dat je rekening houdt met alle middelen waarvan redelijkerwijs te verwachten is dat iemand ze gebruikt om een persoon te herkennen.

Voor een document betekent dat drie lagen.

Software is het sterkst in de eerste laag. De tweede en de derde vragen begrip van de tekst en van de wereld eromheen.

Welke twee fouten maakt elke herkenning?

Elke herkenning, met de hand of met software, maakt twee soorten fouten. In de taal van de statistiek heten ze vals-positief en vals-negatief. In een dossier betekent het: te veel afgedekt of te weinig afgedekt.

Te veel afgedekt

Een woord dat op een naam lijkt, wordt vervangen terwijl het geen persoon is. "De bakker" in een huurcontract, de maand mei, de kleur groen, de naam van een gemeente of de Belastingdienst als instantie, of een label als "Naam:" boven een leeg veld. Het gevolg is een tekst die slechter leest en antwoorden die minder bruikbaar zijn. Een zoekvraag naar de opzegtermijn bij de bakker vindt niets meer als "bakker" een code is geworden.

Dit is vooral een kwaliteitsprobleem. Wie er te veel van krijgt, gaat de herkenning wantrouwen of omzeilen, en dat is op den duur ook een privacyprobleem.

Te weinig afgedekt

Een persoonsgegeven blijft staan. Een achternaam die ook een gewoon woord is, een naam in een e-mailhandtekening onderaan, een naam die verkeerd gespeld is, of een naam in een scan waarvan de tekst slecht is uitgelezen. Daarnaast de indirecte gegevens: "de enige vrouwelijke vennoot van het kantoor in het oosten van het land" bevat geen naam en wijst toch één persoon aan.

Dit is het privacyprobleem. Wat blijft staan, gaat mee naar wie de tekst daarna leest, ook naar een AI-model.

Waarom je niet allebei naar nul krijgt

De twee fouten trekken aan elkaar. Stel je de herkenning strenger af, dan mist ze minder en dekt ze meer onterecht af. Stel je haar ruimer af, dan leest de tekst beter en glipt er meer door. Een leverancier die een hoog percentage noemt, zegt daarom weinig zolang niet duidelijk is welke fout er is geteld, op welke documenten en in welke taal. Meet het op je eigen soort dossiers.

Waarom zijn sommige gegevens lastiger dan andere?

Het verschil zit in de vorm. Een BSN, een IBAN, een postcode en een kenteken hebben een vaste opbouw. Een patroon vindt ze betrouwbaar, en een fout is meestal een getal dat toevallig dezelfde vorm heeft. Een naam heeft geen vaste vorm. Daarvoor is een taalmodel nodig dat uit de zin opmaakt of een woord een persoon is.

Drie dingen maken het moeilijker.

Daarom is het verstandig om per soort gegeven anders te denken. Nummers met een vaste vorm laat je aan de software over en controleer je steekproefsgewijs. Namen controleer je per document. Indirecte en gevoelige gegevens vragen iemand die weet waar het dossier over gaat.

Wat vraagt de AVG van automatische herkenning?

De AVG schrijft geen techniek voor, wel een houding. Artikel 25 vraagt om gegevensbescherming door ontwerp en noemt pseudonimisering als voorbeeld van een passende maatregel. Artikel 32 noemt pseudonimisering en versleuteling bij de beveiliging van de verwerking. Overweging 28 zegt dat pseudonimisering de risico's voor betrokkenen kan verminderen, en dat ze andere maatregelen niet uitsluit.

Een maatregel, geen uitweg

Dat laatste is de kern. Pseudonimiseren verkleint het risico, maar het haalt een document niet buiten de AVG. Overweging 26 zegt het uitdrukkelijk: gepseudonimiseerde gegevens die met aanvullende gegevens aan een persoon te koppelen zijn, gelden als gegevens over een identificeerbare persoon. Voor de organisatie die de sleutel bewaart, blijven het dus persoonsgegevens, met een grondslag, een registerregel en waar nodig een DPIA.

Wat de toezichthouders zeggen

De Europese toezichthouders publiceerden in januari 2025 richtsnoeren over pseudonimisering, met een juridisch en een technisch deel. Op die pagina staat de consultatieversie; een definitieve versie is er niet te vinden (stand november 2026). De Autoriteit Persoonsgegevens (AP) vatte de richtsnoeren in haar bericht erover samen: pseudonimiseren is een beveiligingsmaatregel die gegevens moeilijker herleidbaar maakt en de impact van een datalek kan verkleinen.

Een herkenning die stelselmatig iets mist, is dus een zwakke maatregel. Wat er dan alsnog bij een AI-dienst belandt, kan een datalek zijn. De AP waarschuwde daar al voor na meldingen over persoonsgegevens die medewerkers in een AI-chatbot hadden ingevoerd. Hoe je beoordeelt of je moet melden, staat in Datalek via een AI-chatbot: wanneer moet je melden bij de AP?.

Hoe richt je de menselijke controle in?

Een controle helpt alleen als ze echt gebeurt en als de controleur ziet wat de software deed. Vijf afspraken maken het verschil.

  1. Laat het origineel naast de bewerkte tekst zien. Wie alleen de bewerkte tekst ziet, kan niet zien wat er gemist is.
  2. Maak goedkeuren een bewuste stap. Een document gaat pas verder als iemand het uitdrukkelijk heeft goedgekeurd, niet omdat er een termijn verstreek.
  3. Wijs de controle toe aan wie het dossier kent. De dossierbehandelaar herkent de zeldzame functie of de kleine plaats; een willekeurige collega niet.
  4. Geef extra aandacht aan gevoelige dossiers. Verzuim, medische stukken, strafzaken en schuldhulp krijgen een strengere blik dan een leveringscontract.
  5. Houd bij wat er gemist werd. Wie noteert welke soorten gegevens de controleur aanvult, weet na een paar weken waar de herkenning zwak is en kan de afspraken bijstellen.

Neem die afspraken op in je AI-beleid. Zie AI-beleid opstellen voor je organisatie: stappenplan met voorbeeld.

Wat PrivaSearch hierin doet

PrivaSearch zit tussen je documenten en het AI-model. Een taalmodel binnen PrivaSearch en Nederlandse patronen vinden namen, adressen, BSN's, IBAN's, kentekens en geboortedata. Bij deze stap komt geen AI-aanbieder van buiten kijken. De gevonden gegevens worden vervangen door pseudoniemen, die binnen een project voor dezelfde naam steeds hetzelfde zijn.

Omdat automatische herkenning nooit volledig is, is de menselijke review verplicht. Een collega ziet het origineel en de gepseudonimiseerde tekst naast elkaar, corrigeert wat het model miste en keurt expliciet goed. Pas daarna wordt een document doorzoekbaar, in PrivaSearch zelf of via een gekoppelde AI-assistent. De stappen staan op Hoe PrivaSearch werkt.

Een AI-assistent die via de koppeling zoekt, krijgt alleen vrijgegeven, gepseudonimiseerde passages, geen originele bestanden, bestandsnamen of links. Wat je zelf in de assistent typt, gaat rechtstreeks naar de aanbieder, buiten de pseudonimisering om. Zet daar dus geen namen in. Het bredere verhaal staat op ChatGPT, Claude, Mistral Vibe en de AVG.

Wil je zien hoe de review eruitziet met een eigen soort dossier? Vraag een demo aan.

Veelgestelde vragen

Kan software alle persoonsgegevens in een document vinden?

Nee. Software vindt gegevens met een vaste vorm, zoals een BSN of een IBAN, vrij betrouwbaar, maar mist namen die op gewone woorden lijken, namen in een slechte scan en gegevens die iemand alleen in combinatie herkenbaar maken. Daarom hoort er bij automatische herkenning altijd een menselijke controle.

Wat is een vals-positief bij het herkennen van persoonsgegevens?

Een vals-positief is een woord dat als persoonsgegeven wordt afgedekt terwijl het dat niet is, zoals "bakker" als beroep, de maand mei of de naam van een instantie. Het lekt niets, maar de tekst leest slechter en zoeken levert minder op. Te veel van zulke fouten maakt dat mensen de herkenning gaan omzeilen.

Is een document na automatisch pseudonimiseren anoniem?

Nee. Gepseudonimiseerde gegevens blijven voor de organisatie die de koppeling bewaart persoonsgegevens, zegt overweging 26 van de AVG. Daarnaast kan een tekst zonder namen iemand nog herkenbaar maken door een functie, een plaats of een gebeurtenis. Anoniem is een document pas als niemand redelijkerwijs nog kan herleiden over wie het gaat.

Is een menselijke controle verplicht onder de AVG?

De AVG noemt geen menselijke controle bij pseudonimiseren. Ze vraagt wel om passende maatregelen en om gegevensbescherming door ontwerp. Een herkenning waarvan bekend is dat ze dingen mist, zonder controle erachter, is moeilijk als passend te verdedigen. In de praktijk is de controle daarom het onderdeel dat de maatregel laat werken.

Hoe weet je hoe goed een herkenning werkt?

Door het te meten op je eigen documenten. Laat een collega een reeks dossiers controleren en noteer wat er werd aangevuld en wat er onterecht was afgedekt. Een percentage van een leverancier zegt weinig zolang niet bekend is welke fout er is geteld, op welke documenten en in welke taal.

Mag een AI-model de herkenning doen?

Ja, mits je weet waar dat model draait. Gaat het hele document eerst naar een externe AI-dienst om er persoonsgegevens in te vinden, dan heeft die dienst de persoonsgegevens al gezien, en geldt alles wat bij delen met een aanbieder hoort. Herkenning die binnen je eigen omgeving gebeurt, voorkomt dat.

Verder lezen

  1. Power BI Q&A stopt in december 2026: hoe stel je dan nog vragen over je eigen data?

    Microsoft schrapt Q&A in Power BI en verwijst naar Copilot, dat Fabric-capaciteit vraagt. Wat verdwijnt er, wat vraagt het alternatief en wat met je documenten?

  2. Nieuw in PrivaSearch: zie in je werkruimte wat je AI-assistent doet

    Een klein venster in de werkruimte laat zien in welk project je assistent zocht en welke documenten hij vond. De assistent zelf krijgt de namen niet.

  3. GreenPT koppelen aan je eigen dossiers: wat MCP en PrivaSearch kunnen betekenen

    GreenPT werkt aan MCP met aanmelding. Wat een koppeling met PrivaSearch dan oplevert: zoeken in je dossiers met gepseudonimiseerde passages.

Zie in twintig minuten wat er met jouw documenten gebeurt.

We laten het zien met fictieve dossiers uit jouw branche: upload, herkenning, review, zoeken en de koppeling met je AI-assistent. Daarna weet je precies wat je team veilig kan gebruiken.

Plan een demo →