Gegevensredactie: hoe gevoelige informatie onzichtbaar wordt gemaakt

Bijgewerkt: 25 augustus 2026 · 6 min leestijd

Stel je voor: een journalist krijgt via een WOO-verzoek (Wet open overheid) duizenden pagina's overheidsdocumenten. Daarin staan namen van ambtenaren, burgerservicenummers en privé-telefoonnummers die niet openbaar mogen worden. Iemand moet al die gevoelige stukjes tekst opsporen en onleesbaar maken, zonder de rest van het document te beschadigen. Dat proces heet gegevensredactie: het gericht verwijderen, verbergen of vervangen van gevoelige informatie in documenten, databases of andere gegevensverzamelingen.

Vroeger gebeurde dit letterlijk met een zwarte stift over papieren kopieën. Tegenwoordig gaat het vooral digitaal en in toenemende mate automatisch, met software die zelf herkent welke woorden een naam, adres of rekeningnummer zijn. Gegevensredactie duikt op in heel uiteenlopende situaties: van de overheid die Kamervragen beantwoordt, tot bedrijven die klantdata opschonen voordat ze die aan een onderzoeksbureau geven, tot techbedrijven die persoonsgegevens proberen te weren uit de enorme tekstbergen waarmee ze AI-taalmodellen trainen.

Wat is het precies?

Gegevensredactie bestaat in twee hoofdvormen: handmatig en geautomatiseerd. Bij handmatige redactie leest een mens het document door en markeert zelf welke stukken weg moeten. Dat is nauwkeurig maar traag en foutgevoelig — het is al vaker misgegaan dat een 'zwart gemaakte' passage in een pdf gewoon nog te selecteren en te kopiëren was, omdat de tekst onder het zwarte vlak bleef staan.

Geautomatiseerde redactie gebruikt software om gevoelige gegevens te vinden en te verwerken. Dat gebeurt meestal in twee stappen. Eerst is er detectie: het systeem doorzoekt de tekst op patronen (een burgerservicenummer heeft altijd negen cijfers, een e-mailadres bevat een @-teken) en op taalkundige herkenning van namen, plaatsen en organisaties. Die laatste techniek heet named entity recognition (NER), een vorm van taalverwerking die woorden in een zin classificeert als 'persoonsnaam', 'locatie' of 'organisatie'. Daarna volgt de verwerking: de gevonden gegevens worden verwijderd, vervangen door een placeholder zoals '[NAAM]', of vervangen door een nepwaarde die er wel plausibel uitziet.

Hier zit een belangrijk technisch onderscheid dat in de privacywetgeving (de Europese AVG, in het Engels GDPR) expliciet wordt gemaakt: pseudonimisering versus anonimisering. Bij pseudonimisering vervang je bijvoorbeeld een naam door een code, maar blijft ergens een sleutel bewaard waarmee je de oorspronkelijke naam kunt terugvinden — de data is dus in theorie herleidbaar. Bij echte anonimisering is die koppeling onomkeerbaar vernietigd. Alleen anonimisering valt buiten het bereik van de privacywetgeving; pseudonimisering blijft persoonsgegevens verwerken en moet dus nog steeds aan de regels voldoen.

Twee verwante technieken verdienen een korte uitleg. K-anonimiteit is een methode waarbij een dataset zo wordt bewerkt dat elke persoon in de dataset niet te onderscheiden is van minstens k-1 anderen (bijvoorbeeld: elke combinatie van leeftijd, postcode en geslacht komt minstens tien keer voor). Differential privacy gaat een stap verder: hierbij wordt bewust statistische ruis toegevoegd aan data of aan de uitkomst van een berekening, zodat je wel betrouwbare groepspatronen kunt zien, maar niet kunt achterhalen of een specifiek individu in de onderliggende data zat. Dit concept werd in het midden van de jaren 2000 uitgewerkt door onderzoeker Cynthia Dwork bij Microsoft Research.

Wat wil men ermee bereiken?

De directe drijfveer is meestal wettelijke verplichting. De AVG verplicht organisaties om persoonsgegevens te beschermen en niet onnodig te verspreiden. Overheden moeten bij openbaarmaking van documenten (in Nederland onder de WOO) persoonsgegevens en andere gevoelige informatie eruit halen voordat een stuk openbaar wordt. Ziekenhuizen en onderzoekers moeten medische dossiers ontdoen van herleidbare gegevens voordat ze die delen voor wetenschappelijk onderzoek.

Daarnaast is er een praktisch, economisch motief: bedrijven willen data hergebruiken zonder privacyrisico. Een bank wil bijvoorbeeld transactiegegevens gebruiken om fraudepatronen te trainen zonder dat een data-analist de naam van elke klant hoeft te zien. Een softwarebedrijf wil productiedata gebruiken om bugs te testen zonder echte klantgegevens in een testomgeving te zetten.

Een relatief nieuw motief komt uit de wereld van kunstmatige intelligentie. Taalmodellen worden getraind op enorme hoeveelheden tekst van het internet, die onvermijdelijk namen, adressen en andere persoonlijke details bevatten. Ontwikkelaars proberen in toenemende mate dit soort gegevens uit trainingsdata te filteren, deels om privacyredenen en deels om te voorkomen dat een model per ongeluk iemands persoonlijke gegevens 'onthoudt' en later reproduceert als iemand ernaar vraagt.

De belofte is steeds dezelfde: het nut van data behouden (voor onderzoek, transparantie, training of analyse) terwijl de privacy van individuen intact blijft. In de praktijk is dat een voortdurende afweging, want hoe grondiger je redigeert, hoe minder bruikbaar de data soms wordt.

Voorbeelden uit de praktijk

Microsoft Presidio is een opensource-softwarepakket dat Microsoft rond 2020 uitbracht. Het combineert NER met patroonherkenning om tientallen typen gevoelige gegevens te vinden — van creditcardnummers tot IBAN-rekeningnummers — en biedt vervolgens opties om die te maskeren, te vervangen door nepgegevens of te versleutelen.

Google Cloud Data Loss Prevention (DLP) is een dienst binnen Google Cloud die bedrijven gebruiken om automatisch gevoelige informatie in documenten, databases en logbestanden te scannen en te redigeren, bijvoorbeeld voordat data naar een minder beveiligde omgeving gaat.

AWS Comprehend Medical, dat Amazon in 2018 lanceerde, is toegespitst op medische tekst: het herkent automatisch diagnoses, medicatie en patiëntgegevens in artsenverslagen, zodat ziekenhuizen die kunnen anonimiseren volgens de Amerikaanse privacywet HIPAA, die negentien specifieke categorieën patiëntidentificatoren aanwijst die verwijderd moeten worden voor de-identificatie.

In Nederland worstelen ministeries sinds de invoering van de WOO in 2022 zichtbaar met de omvang van redactiewerk: journalisten en Kamerleden klagen regelmatig over trage of te grofmazige zwartlakking van vrijgegeven documenten, en de overheid experimenteert met software-ondersteuning om ambtenaren te helpen bij het opsporen van te redigeren passages, al blijft de uiteindelijke beoordeling doorgaans mensenwerk.

Bij de ontwikkeling van grote taalmodellen is redactie van trainingsdata een groeiend aandachtspunt. Het BigCode-project, dat in 2023 de opensource-programmeercode-dataset achter het taalmodel StarCoder samenstelde, bouwde expliciet een pijplijn om persoonlijke gegevens zoals e-mailadressen en API-sleutels uit de broncode te filteren voordat die als trainingsmateriaal werd gebruikt.

Hoe ver is de techniek?

Geautomatiseerde detectie van gestructureerde gegevens — patronen zoals rekeningnummers, postcodes of creditcardnummers — werkt inmiddels betrouwbaar en wordt breed ingezet. De grootste technische uitdaging zit in ongestructureerde tekst: namen die ook gewone woorden zijn, bijnamen, verwijzingen als 'de buurman van nummer 12', of context die iemand herkenbaar maakt zonder dat er een naam wordt genoemd. Taalmodellen zijn de laatste jaren sterk verbeterd in het herkennen van dit soort subtielere aanwijzingen, maar foutmarges blijven bestaan: systemen missen soms gevoelige informatie (een fout die vooral schadelijk is) of verwijderen juist te veel onschuldige tekst (wat een document onbruikbaar kan maken).

Een ander onopgelost probleem is herleidbaarheid via combinatie van gegevens. Onderzoek laat al sinds de jaren negentig zien dat je individuen vaak nog kunt identificeren door 'geanonimiseerde' data te combineren met andere, publiek beschikbare bronnen — ook al is elk afzonderlijk gegeven onschuldig. Dit betekent dat redactie van één document nooit een absolute garantie geeft; het risico hangt af van wat er verder over iemand bekend is of nog bekend kan worden.

Standaarden zijn ook nog volop in ontwikkeling. Het Amerikaanse standaardisatie-instituut NIST publiceert al jaren richtlijnen voor de-identificatie van data (onder meer in het document SP 800-188), maar erkent zelf dat er geen one-size-fits-all-methode bestaat: welke techniek geschikt is, hangt sterk af van het type data en het beoogde gebruik. Kortom: de bouwstenen zijn volwassen, maar het samenstellen van een waterdicht redactieproces blijft mensenwerk en maatwerk.

Wie werken eraan?

Grote clouddienstverleners zoals Microsoft, Google en Amazon (AWS) bouwen commerciële en opensource-tools voor geautomatiseerde detectie en redactie, vaak als onderdeel van bredere aanbiedingen rond databeveiliging en compliance. Microsoft Research heeft daarnaast een lange onderzoekstraditie op het gebied van differential privacy, mede dankzij het pionierswerk van Cynthia Dwork.

Op standaardisatiegebied speelt het Amerikaanse NIST een leidende rol met richtlijnen voor de-identificatie van overheidsdata. In Nederland houdt de Autoriteit Persoonsgegevens toezicht op de naleving van de AVG, inclusief de vraag wanneer data als voldoende geanonimiseerd geldt. Onderzoeksinstituten zoals TNO en universitaire groepen in binnen- en buitenland (onder meer op het snijvlak van cryptografie en privacy) werken aan nieuwe wiskundige technieken om data bruikbaar te houden zonder individuen bloot te stellen.

Ten slotte spelen opensource-gemeenschappen een groeiende rol: projecten als Presidio worden mede doorontwikkeld door externe bijdragers, en initiatieven rond verantwoorde AI-training (zoals het eerdergenoemde BigCode-project, een samenwerking tussen onder meer Hugging Face en ServiceNow) bouwen gedeelde redactiegereedschappen die door de hele sector kunnen worden hergebruikt.