Informatie- en vertrouwelijkheid

Een snelle Copilot-vraag kan al “te veel” zijn

Je werkt aan een DNB-interne notitie met input uit toezichtsignalen, een concept-standpunt, en een paar zinnen die je “even netjes” wilt maken. Als Offloader plak je een alinea in Copilot: “Kun je dit samenvatten en de kernboodschap aanscherpen?” Als AI-Assisted Editor vraag je: “Maak het consistenter en overtuigender.” Het resultaat klinkt professioneel — maar nu is de echte vraag: heb je zojuist informatie gedeeld die niet gedeeld mág worden, of context gecreëerd die je later niet kunt uitleggen?

In het tijdperk van AI is vertrouwelijkheid geen aparte compliance-laag; het is een onderdeel van kritisch denken. Je moet tegelijk nadenken over wat je aan AI voert (input), wat je eruit haalt (output), en wat er kan gebeuren als die output rondgaat (downstream-impact). De DNB-kernwaarden waar je in de vorige les al mee werkte — zorgvuldigheid, betrouwbaarheid, uitlegbaarheid en professioneel handelen — vragen hier om een heel concrete vaardigheid: informatie hygiënisch behandelen, zodat AI je werk versnelt zonder dat je de grenzen van vertrouwelijkheid of integriteit overschrijdt.

Deze les maakt dat praktisch: je krijgt taal om risico’s te herkennen, vuistregels om prompts veilig te formuleren, en een manier om per archetype de juiste “vertrouwelijkheidslens” aan te zetten.

Wat “informatie” en “vertrouwelijkheid” betekenen als je met AI werkt

Informatie is in deze context alles wat je in Copilot stopt of wat Copilot teruggeeft: tekstfragmenten, cijfers, casuïstiek, namen, beleidslijnen, interne standpunten, én de combinatie daarvan. Een belangrijk detail: ook ogenschijnlijk onschuldige stukjes kunnen samen gevoelige context onthullen. Een losse zin met een sectornaam plus een datum plus een interne projectterm kan al herleidbaar worden, zelfs zonder namen.

Vertrouwelijkheid betekent: alleen delen met wie het nodig heeft en mag, in een vorm die passend is bij het doel. In AI-werk is dat breder dan “geen staatsgeheimen plakken.” Het gaat ook over minimale gegevensverwerking: geef alleen wat nodig is voor de taak. Dat sluit aan op de Responsible-AI-ankers uit de vorige les: menselijke eindverantwoordelijkheid, controleerbaarheid, proportionaliteit en transparantie. Vertrouwelijkheid is dan geen rem, maar een manier om professioneel te blijven werken onder tijdsdruk.

Een nuttige analogie: behandel Copilot als een zeer capabele collega die snel tekst kan verbeteren, maar die je niet automatisch alle ruwe bronnen laat zien. Je zou in een overleg ook niet zomaar een dataset met herleidbare details op tafel leggen “voor het gemak”. Je vat samen, anonimiseert, en regisseert wat nodig is voor het gesprek. Met AI doe je hetzelfde: je stuurt op noodzakelijkheid, niet op volledigheid.

Tot slot: vertrouwelijkheid gaat niet alleen om input. Output kan ook vertrouwelijk worden, bijvoorbeeld wanneer Copilot interne argumentatielijnen mooier formuleert. Als die tekst later wordt doorgestuurd of hergebruikt, kan hij buiten de bedoelde context belanden. Kritisch denken betekent hier: je beoordeelt niet alleen of iets “goed geschreven” is, maar ook of het passend deelbaar is.

De kern: informatie-risico’s herkennen vóórdat je prompt verstuurt

1) Input-minimalisatie: “zo weinig mogelijk, zo effectief mogelijk”

Het grootste vertrouwelijkheidsrisico ontstaat vaak niet door een kwaadwillende actie, maar door gemak: je plakt een volledige mailthread, een paragraaf met casusdetails, of een tabel met cijfers “zodat Copilot het snapt.” Vanuit kritisch denken is de betere vraag: welk kleinste stukje informatie levert nog steeds een bruikbare uitkomst op? Dat is input-minimalisatie: je reduceert detail, verwijdert identificerende elementen en geeft alleen de context die strikt nodig is voor de taak.

Input-minimalisatie is ook een kwaliteitstechniek. Hoe meer ruwe, gemengde of context-rijke tekst je geeft, hoe groter de kans dat Copilot nuance verkeerd oppakt, iets te zeker formuleert, of onbedoeld nieuwe verbanden suggereert. Door te werken met geabstraheerde input (bijvoorbeeld “toezichtsignaal over liquiditeitsstress bij middelgrote instelling” in plaats van specifieke details) dwing je jezelf om eerst te begrijpen wat je eigenlijk nodig hebt. Dat ondersteunt uitlegbaarheid: je kunt later uitleggen welke informatie je gebruikte en waarom.

Veelvoorkomende misvatting: “Als ik niets klassificeer als geheim, kan ik het wel gebruiken.” In praktijk gaat het vaak om gradaties: intern, gevoelig, herleidbaar, reputatierisico, marktgevoelig, of simpelweg niet bedoeld voor brede verspreiding. Als je twijfelt, gedraag je dan alsof het later in een groter gezelschap kan belanden. Proportionaliteit helpt: hoe hoger de potentiële impact (besluitvorming, toezicht, reputatie), hoe strenger je minimaliseert.

2) Context-lekkage en herleidbaarheid: de puzzelstukjes zijn óók data

Een subtiel risico bij generatieve AI is context-lekkage: niet één detail is problematisch, maar de combinatie. Een prompt met “Q3”, “herstelplan”, “specifieke sector”, en “intern overleg” kan al genoeg zijn om een gevoelige situatie te reconstrueren. Ook een prompt als “herschrijf dit, maar behoud de toon van ons recente besluit” kan impliciet interne afwegingen blootleggen, zelfs als je geen namen noemt.

Daarom is herleidbaarheid een cruciaal begrip. Vraag jezelf af: zou een lezer die deze tekst ziet (of een fragment) kunnen raden over welke partij, gebeurtenis of interne lijn dit gaat? Herleidbaarheid gaat ook over unieke formuleringen: interne projectnamen, afkortingen, of “DNB-eigen” terminologie kunnen de herkomst verraden. De AI Refiner en AI-Assisted Editor maken dit risico soms groter: zij verbeteren stijl en consistentie, waardoor een interne tekst juist meer deelbaar lijkt dan hij is. Mooie tekst voelt “af”, en “af” voelt soms alsof het veilig is om te verspreiden.

Een tweede misvatting: “Ik anonimiseer namen, dus het is veilig.” Maar als je “Bank A” schrijft en daarachter een combinatie van unieke kenmerken noemt (grootte, regio, incidentdatum, producttype), dan is het nog steeds herleidbaar. De professionele reflex is: generaliseer kenmerken, verwijder unieke combinaties, en werk met categorieën (bijv. “middelgrote instelling”, “scenarioanalyse”, “interne conceptlijn”).

3) Output is óók een vertrouwelijk object: deelbaarheid en downstream-impact

Responsible AI ging al over downstream-impact: waar kan een tekst later terechtkomen? Voor vertrouwelijkheid is dat essentieel. Een output kan drie keer “van rol” veranderen: eerst is het een brainstorm, dan wordt het een interne notitie, dan belandt het als basis voor externe communicatie. Als Copilot in stap 1 al interne argumentatielijnen strak formuleert, kan dat in stap 3 onbedoeld als officieel standpunt gelezen worden.

Daarom beoordeel je output op deelbaarheid: kan dit intern breed rond? Alleen in een kleine kring? Of moet het juist in een strikte context blijven? Let daarbij op twee typische AI-valkuilen uit de vorige les: schijnzekerheid en nuanceverlies. Een AI die “netjes” schrijft, kan onzekerheden wegpoetsen en zo een gevoelig punt harder maken dan bedoeld. Dat is niet alleen een kwaliteitsprobleem, maar ook een vertrouwelijkheidsprobleem: harde claims trekken aandacht, worden sneller doorgezet, en leiden eerder tot reputatie- of interpretatierisico.

Praktisch betekent dit dat je output vaak actief “declassificeert” in toon en detail: expliciete onzekerheden terugzetten, interne rationale minder specifiek maken, en formuleringen kiezen die passen bij het beoogde publiek. Transparantie helpt ook hier: je wilt kunnen aangeven welke delen feitelijk zijn, welke interpretatie, en welke voorstel — zodat een lezer de status niet verwart en je niet per ongeluk interne deliberatie als vaststaand beleid presenteert.

Snelle beslisregels per archetype (zodat je prompts veilig én bruikbaar blijven)

Onderstaande vergelijking helpt je de vertrouwelijkheidslens te koppelen aan de 9 archetypen. Het doel is niet om minder AI te gebruiken, maar om slimmer te begrenzen wat je deelt en wat je terugverwacht.

Twee DNB-realistische voorbeelden: van “handig” naar vertrouwelijk verantwoord

Voorbeeld 1: Offloader + AI-Assisted Editor bij een interne mail (zonder ruwe casusdetails)

Je wilt een interne mail opstellen over een lopend dossier: er is een kernboodschap, drie actiepunten, en een gevoelige achtergrond die je niet breed wilt rondsturen. De onveilige reflex is: je plakt de hele keten eronder (mailthread + notitie + namen) en vraagt Copilot om “een nette mail”. Dat is snel, maar het maximaliseert input en vergroot herleidbaarheid. Bovendien kan Copilot de gevoelige achtergrond verwerken tot een strak geformuleerd “feit”, waardoor de mail later als harder en breder deelbaar voelt dan bedoeld.

De veilige aanpak is stap-voor-stap en begint met minimaliseren. Je maakt zelf eerst een abstracte briefing: doel van de mail, doelgroep, gewenste toon, en alleen de informatie die nodig is om de actiepunten duidelijk te maken. Je vervangt specifieke partijen en data door categorieën (“middelgrote instelling”, “concept-afweging in interne kring”, “deadline eind week”). Daarna gebruik je Copilot als Offloader voor structuur: onderwerpregel, openingszin, bullets, call-to-action. Pas daarna schakel je naar AI-Assisted Editor: consistentie, helderheid, en vooral het bewaken van status (“concept”, “onder voorbehoud”, “nog te verifiëren”).

De impact is concreet: je wint nog steeds tijd, maar je houdt controle over vertrouwelijkheid én interpretatie. De beperking blijft dat AI ook in een abstracte tekst onbedoeld kan verharden (“DNB concludeert…”). Daarom doe je een eindcheck op deelbaarheid: lees de mail alsof hij in een breder intern kanaal terechtkomt. Klopt de toon? Zijn onzekerheden zichtbaar? Staat er iets in dat alleen in de kleine kring thuishoort? Zo ondersteun je kernwaarden: professioneel handelen (contextbewust), betrouwbaarheid (geen schijnzekerheid) en zorgvuldigheid (minimale data).

Voorbeeld 2: Self-Checker + Critical Verifier bij een concept-argumentatie (zonder interne bewijsvoering weg te geven)

Je hebt een concept-argumentatie voor een intern overleg: je denkt dat optie A proportioneel is, maar je wilt je eigen redenering testen. De onhandige prompt is: “Hier is alle achtergrond (incl. interne cijfers en signalen), kun je bevestigen dat A de beste keuze is?” Daarmee geef je te veel context weg en vraag je om een soort autoriteitsstempel — precies wat Responsible AI probeert te vermijden.

De betere route gebruikt AI als spiegel en als checklistbouwer. Eerst formuleer je je redenering als een algemeen argument met expliciete aannames (“Als X waar is, dan volgt Y”). Je vraagt Copilot als Self-Checker: “Welke tegenargumenten zou een kritische collega geven? Welke aannames zijn het kwetsbaarst? Welke informatie ontbreekt om dit verantwoord te besluiten?” Je krijgt dan geen “ja/nee”, maar een set denkspiegels die je helpt objectiever te worden zonder gevoelige details te delen.

Daarna gebruik je de Critical Verifier-rol niet om de inhoud “waar” te maken, maar om te organiseren wat jij moet controleren. Je vraagt om het onderscheid: feitelijke claims vs interpretaties vs actievoorstellen, en een verificatielijst (“Welke bronnen/beleidskaders heb ik nodig om claim 3 te onderbouwen?”). De opbrengst is dat je analyse sterker wordt én dat je niet afhankelijk wordt van AI als bewijs. De beperking blijft: AI kan nog steeds plausibele maar niet-passende controles suggereren. Daarom blijft de laatste stap menselijk: jij kiest welke checks relevant zijn binnen DNB-context en welke informatie je wel/niet in je dossier opneemt.

Wat je vandaag scherp houdt in je Copilot-gebruik

Vertrouwelijkheid in AI-werk is geen “extra voorzichtigheid”; het is professionele regie over input, output en verspreiding. Drie kernpunten blijven hangen:

• Minimaliseer input: geef de kleinste nuttige context en vermijd herleidbare puzzelstukjes.

• Beoordeel output op deelbaarheid: een mooie tekst kan te zeker klinken of te breed inzetbaar lijken.

• Gebruik archetypen bewust: Offloader en Editor vragen om scope en nuance; Self-Checker en Verifier vragen om tegenspraak en verificatie-checklists, niet om AI-autoriteit.

This sets you up perfectly for Quality gates & escalatiebeslissen [30 minutes].