Elke organisatie die met AI werkt, verwerkt data die eerder alleen intern of helemaal niet bewaard werd. Prompts, uploads, tussentijdse output, logbestanden van modellen die u zelf niet host. De vraag is niet of daar risico's in zitten, maar of uw organisatie weet waar die risico's zitten en wie daar iets aan kan doen. Dat is een andere vraag dan of u een privacybeleid heeft. Beleid op papier en volwassenheid in de praktijk lopen bij AI vaak flink uit elkaar, omdat de technologie sneller verandert dan de procedures die haar moeten begeleiden.
Privacy en beveiliging zijn in de volwassenheidsmeting een van de zeven dimensies, naast onder meer organisatie, IT-infrastructuur en datamanagement. Die laatste drie zijn fundamenteel: ze bepalen of er een basis staat waarop de rest kan bouwen. Privacy en beveiliging zijn daar deels van afhankelijk. Een organisatie met zwak datamanagement weet vaak niet eens welke data er in een AI-toepassing terechtkomt, laat staan of dat volgens de regels gebeurt. Daarom heeft het weinig zin om aan encryptie of toegangsbeheer te sleutelen voordat duidelijk is welke data waar staat en wie daar verantwoordelijk voor is. De volgorde is geen kwestie van voorkeur; het is de volgorde waarin het werkt.
Op baseline-niveau bestaat er geen expliciet beleid voor AI en data. Wat er gebeurt, gebeurt ad hoc, meestal buiten het zicht van wie er verantwoordelijk voor is.
Op foundation-niveau is er een basisbeleid, vaak overgenomen van bestaand privacybeleid zonder dat het is toegesneden op wat AI-toepassingen anders maken. Er is bewustzijn, maar geen controle.
Op activation-niveau zijn er concrete regels voor welke data in welke AI-toepassing mag, en wordt daar op toegezien. Toegangsbeheer en classificatie van data zijn ingericht, niet alleen beschreven.
Op insight-niveau wordt zichtbaar hoe AI-toepassingen zich in de praktijk gedragen: welke data ze daadwerkelijk verwerken, waar afwijkingen ontstaan tussen beleid en gebruik. Er is monitoring die iets oplevert, niet alleen een dashboard dat niemand raadpleegt.
Op intelligence-niveau is beveiliging ingebouwd in de manier waarop nieuwe AI-toepassingen worden beoordeeld en toegelaten, voordat ze in gebruik komen. Risico-inschatting is geen aparte stap meer maar onderdeel van hoe besluiten worden genomen.
De meeste organisaties die AI-pilots laten vastlopen, blijken bij navraag te zweven tussen foundation en activation: er is beleid, maar niemand kan met zekerheid zeggen of het wordt gevolgd.
Er zijn een paar tekens die, los van elke score, iets zeggen over waar u staat. Als niemand in uw organisatie exact kan aanwijzen welke AI-toepassingen op dit moment in gebruik zijn, staat u waarschijnlijk op baseline of foundation. Als dat wel bekend is maar het antwoord op "welke data mag daar in" per team verschilt, zit u op foundation of activation. Als u weet welke data waar mag, maar niet weet of dat in de praktijk ook zo gaat, staat u op activation en wacht insight op u. En als beveiliging standaard wordt meegenomen bij elke nieuwe toepassing, zonder dat daar een apart traject voor nodig is, beweegt u richting intelligence.
Deze zelfinschatting is een indicatie, geen vervanging van de plot-ronde. Het nut van die ronde zit precies in wat een individuele inschatting niet laat zien: de spreiding. Wanneer een CISO deze dimensie op activation zet en een afdelingshoofd op baseline, is dat verschil zelf de informatie. Het betekent dat beleid en praktijk niet bij elkaar aansluiten, of dat kennis over wat er wel en niet mag niet overal even ver is doorgedrongen.
De stap van foundation naar activation vraagt zelden een groter budget voor beveiligingssoftware. Vaak vraagt hij heldere afspraken over wie mag beslissen dat een AI-toepassing in gebruik komt, en op basis van welke data. Dat raakt aan hoe organisatie is ingericht: zonder een duidelijke eigenaar voor dit soort beslissingen blijft beleid een document zonder handhaving. Het raakt ook aan datamanagement, omdat u zonder overzicht over uw data nooit met zekerheid kunt zeggen wat een AI-toepassing te zien krijgt. En het raakt aan ethiek, omdat de vraag wat wel en niet toelaatbaar is met AI-gebruik zelden een zuiver technische vraag blijkt te zijn.
Wat een niveau hoger kost, hangt af van waar de organisatie nu staat en wat er al aan basisstructuur ligt. Een organisatie met goed datamanagement en een heldere organisatiestructuur heeft voor deze dimensie relatief weinig extra werk nodig; een organisatie die op beide fundamentele dimensies laag scoort, zal die eerst moeten aanpakken voordat privacy en beveiliging structureel verbeteren. Ook dat is een reden waarom de zeven dimensies niet los van elkaar te lezen zijn: mensen en vaardigheden spelen hier eveneens een rol, wat u kunt nalezen op de pagina over hoe volwassen de kennis van medewerkers over AI-risico's is, en op de vraag hoe volwassen prestatiemanagement rond AI-gebruik is ingericht, want zonder opvolging blijft ook het beste beveiligingsbeleid theorie.
De volwassenheidsmeting, inclusief de plot-ronde voor deze en de andere zes dimensies, is in aanbouw. Wie de meting wil gebruiken zodra die beschikbaar is, kan zich op de wachtlijst zetten.
Deze pagina gaat over of uw organisatie AI kan dragen: of de basis er staat om veilig en verantwoord met data om te gaan zodra AI die data raakt. Ze gaat niet over welke taken AI van uw medewerkers zou kunnen overnemen. Die vraag beantwoordt de werkscan van FTE TO AI, die per taak berekent welk deel ervan aan AI over te dragen is. Die berekening heeft alleen waarde als de vraag die deze pagina stelt, al met een gerust hart te beantwoorden is.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.