Het meten van de ethiek van een kunstmatig intelligentiesysteem vereist dat we definiëren wat we evalueren, met welke criteria en volgens welke drempels. Sinds de geleidelijke inwerkingtreding van de Europese AI Act is de kwestie niet langer een abstract filosofisch debat. De transparantieverplichtingen van artikel 50, die van toepassing zijn sinds 2 augustus 2026, vereisen een machineleesbare markering voor synthetische inhoud en deepfakes. De ethiek van AI vertaalt zich nu in documentair bewijs, audits en operationele controles.
Transparantieverplichtingen van de AI Act: wat verandert er concreet sinds augustus 2026
De implementatiedatum van de AI Act onderscheidt verschillende fasen. De meest recente transformeert ethische principes in controleerbare verplichtingen voor de toezichthouders.
| Verplichting | Toepassingsgebied | Ingangsdatum |
|---|---|---|
| Rapportage van interacties met een AI (chatbots) | Elk openbaar toegankelijk conversatiesysteem | 2 augustus 2026 |
| Markering van synthetische inhoud en deepfakes | Inhoud gegenereerd of gewijzigd door AI | 2 augustus 2026 |
| Controlebevoegdheden van het AI Office | Toezicht op modellen voor algemeen gebruik | 2 augustus 2026 |
| Gedragscodes voor GPAI-modellen | Leveranciers van AI-modellen voor algemeen gebruik | In afronding |
Deze tabel benadrukt een verschuiving: de ethiek van AI gaat van een logica van principes naar een logica van bewijs. Bedrijven kunnen zich niet langer tevredenstellen met interne statuten. Ze moeten hun processen documenteren, hun systemen controleerbaar maken en de traceerbaarheid van algoritmische beslissingen waarborgen.
De beschikbare middelen op botagora.fr maken het mogelijk te observeren hoe bepaalde technologische sectoren deze regelgevende verplichtingen integreren in hun ontwikkelingspraktijken.
Algoritmische bias en trainingsdata: het tekort zit in de uitvoering
Recente onderzoeken identificeren een paradox. De ethische principes die van toepassing zijn op kunstmatige intelligentie zijn overvloedig aanwezig (gelijkheid, transparantie, uitlegbaarheid, respect voor privacy). Daarentegen ligt het belangrijkste tekort in de operationele uitvoering van deze principes, niet in hun formulering.
Algoritmische bias illustreert deze kloof. Een model dat is getraind op historische data reproduceert de ongelijkheden die in deze data aanwezig zijn. De technische uitdaging ligt in het detecteren en corrigeren van deze bias vóór de implementatie, niet erna.
- De audit van trainingsdatasets vereist een analyse van de representativiteit van de gedekte populaties, wat vaardigheden in statistiek en sociale wetenschappen veronderstelt, niet alleen in informatica
- Robuustheidstests moeten stressscenario’s omvatten voor minderheidssubgroepen, waar classificatiefouten vaak frequenter zijn
- De documentatie van ontwerpprocessen (welke algoritmen, welke beslissingsdrempels, welke data zijn uitgesloten) is een vereiste van de AI Act voor systemen die als hoog risico zijn geclassificeerd
Het produceren van een “eerlijk” model is niet alleen een kwestie van het toepassen van een post-hoc filter. Eerlijkheid wordt opgebouwd vanaf de fase van dataverzameling, voorafgaand aan elke vorm van leren.
Verzameling van persoonlijke gegevens: een volledig regelgevend onderwerp
De training van generatieve AI-modellen is afhankelijk van enorme hoeveelheden data, vaak verzameld door middel van geautomatiseerde webscraping. Deze praktijk roept juridische vragen op die verschillen van diegene die door bias worden gesteld.
Het scrapen van persoonlijke gegevens wordt een specifiek regelgevend onderwerp binnen het Europese kader. De verantwoordelijkheden verschillen afhankelijk van of het bedrijf zelf de gegevens online verzamelt of gebruikmaakt van bestaande datasets die door derden zijn verstrekt.
De kruising tussen de AVG en de AI Act creëert een spanningsveld. Het recht op verwijdering dat door de AVG wordt gegarandeerd, botst met de technische moeilijkheid om specifieke gegevens uit een reeds getraind model te verwijderen. Tot op heden biedt geen enkele technische oplossing een volledige oplossing voor dit probleem.
Transparantie van GPAI-modellen
De gedragscodes die momenteel worden afgerond voor AI-modellen voor algemeen gebruik (GPAI) zijn bedoeld om dit grijze gebied te reguleren. Leveranciers moeten de gebruikte gegevensbronnen documenteren, de toegepaste filtermethoden en de maatregelen die zijn genomen om het auteursrecht te respecteren.
Vrijwillige naleving van de gedragscodes is een voorwaarde voor regelgevingsnaleving. Een leverancier die zich aan de codes houdt, geniet een presumptie van naleving van de verplichtingen van de AI Act. Degenen die zich er niet aan houden, moeten op andere manieren aantonen dat ze aan dezelfde vereisten voldoen.
Impact op werkgelegenheid en transformatie van ethische vaardigheden in bedrijven
De transformatie die met kunstmatige intelligentie gepaard gaat, beperkt zich niet tot direct geautomatiseerde functies. Het raakt ook de verwachte vaardigheden binnen ontwikkelteams. Het ontwerpen van een AI-systeem dat voldoet aan de AI Act vereist hybride profielen die in staat zijn om te navigeren tussen techniek, recht en sociale wetenschappen.
- Diverse ontwikkelteams (opleiding, geslacht, afkomst) produceren systemen waarvan de bias eerder in de ontwerpfase wordt gedetecteerd
- De ethische governance van AI in bedrijven kan niet steunen op een geïsoleerde adviescommissie: het moet worden geïntegreerd in de technische validatieprocessen, net als veiligheidstests
- Ethics by design integreert ethische verplichtingen vanaf het ontwerp, niet als een laag die er achteraf aan wordt toegevoegd
Het belangrijkste risico voor bedrijven is niet de regelgevende sanctie. Het is het verlies van vertrouwen van gebruikers tegenover systemen die als ondoorzichtig of discriminerend worden gezien.
De AI Act structureert nu een kader waarin de ethiek van kunstmatige intelligentie kan worden gemeten, gedocumenteerd en gecontroleerd. De transparantieverplichtingen die van toepassing zijn sinds augustus 2026 markeren de overgang van een declaratieve ethiek naar een controleerbare ethiek. Bedrijven die hun praktijken nog niet op deze vereisten hebben afgestemd, hebben een beperkte tijd voordat de volgende fasen van toepassing zijn op systemen met een hoog risico.
