Data delen is één ding, er een AI-model op trainen een ander. Daartussen zit werk dat vaak wordt onderschat: gegevens moeten schoon, gelabeld en beschermd zijn, de kwaliteit moet kloppen en de regels moeten worden gevolgd. De Europese Commissie wil daar met haar Data Union Strategy van november 2025 aparte voorzieningen voor inrichten: data labs, die onder meer data bundelen, cureren, labelen en pseudonimiseren. De International Data Spaces Association (IDSA) beschreef in september 2026 hoe zo’n data lab zich verhoudt tot de data space waar de data vandaan komt. Dit stuk bouwt daarop voort.
Waar een data lab staat
Een data lab sluit aan op de data space: de plek waar data wordt beheerd en beschikbaar gemaakt volgens afspraken over toegang en gebruik. Het lab maakt die data klaar voor AI en vormt de schakel naar de omgeving waar modellen worden getraind. IDSA benadrukt dat een data lab een neutrale tussenpartij is zonder eigen belang bij de data, en dus geen opslagplaats en geen AI-platform. In de keten van vier stappen die IDSA schetst, volgen daarna de AI Factories, die de modellen trainen, en de Testing and Experimentation Facilities, die ze toetsen voordat ze in gebruik gaan.
De zwakste schakel zit vooraan
Die keten begint bij de data space, en daar zitten volgens IDSA de knelpunten: versnipperde governance, te weinig vertrouwen en te weinig prikkels om data te delen. Een data lab kan data verbeteren die binnenkomt. Ontbrekende afspraken kan het niet repareren.
De beleidsevaluatie van de Interbestuurlijke Datastrategie gaat over datadelen binnen de overheid. Daaruit blijkt dat juridische onzekerheid over privacy, doelbinding en grondslagen leidt tot defensieve uitleg van regels. Organisaties kiezen er dan eerder voor niets te delen dan een risico te nemen, ook als verantwoord gebruik mogelijk is. Het mechanisme is herkenbaar voor elke organisatie die data wil inzetten voor AI: wie niet zeker weet wat mag, deelt liever niets. Wat nooit is gedeeld, kan een data lab ook niet bewerken.
Vraag alleen wat nodig is
Het CBS-project Data Delen, Armoede en Schulden hanteert dataminimalisatie: alleen opvragen wat nodig is. Ruben Dood, Chief Data Officer bij het CBS, geeft een voorbeeld. Om vast te stellen of iemand meerderjarig is, is niet per se een geboortedatum nodig. Soms volstaat een ja of nee. Dezelfde vraag hoort bij elke trainingsset: wat heeft het model echt nodig? Hoe minder gevoelige gegevens je laat meereizen, hoe minder je later hoeft te anonimiseren, te verantwoorden en te verdedigen. Waar gevoelige gegevens niet te vermijden zijn, noemt IDSA technieken als pseudonimisering en synthetische data in het data lab.
Wat je nu kunt regelen
Data labs staan nog aan het begin. De volgende fase vraagt volgens IDSA om referentiekaders, governanceprotocollen en formele aansluiting op data spaces. Wachten hoeft niet. Drie dingen kun je nu al regelen:
- Leg vast wie welke data voor welk doel mag gebruiken, voordat je iets klaarzet voor AI.
- Houd data bij de bron en geef afnemers alleen wat is afgesproken.
- Gebruik bestaande kaders in plaats van eigen spelregels. IDSA noemt het IDS Reference Architecture Model, het IDSA Rulebook en het Dataspace Protocol. Voor overheidsdata wordt in Nederland gewerkt aan het Federatief Datastelsel, een interbestuurlijk afsprakenstelsel in opbouw.
SureSync werkt vanuit de principes van een data space. Dat is een beveiligd, gedecentraliseerd netwerk waarin organisaties op basis van gedeelde spelregels data uitwisselen zonder de controle over hun gegevens te verliezen. AI zit daar bovenop. In SureSync Connect vertaalt AI technische validatiefouten naar leesbare tekst, zodat teams direct zien wat er moet gebeuren. Eerst de uitwisseling op orde, daarna de intelligentie. Benieuwd waar jouw afspraken staan voordat je met AI begint? Plan gerust een gesprek met een van onze experts.
FAQ
Hier vind je de meestgestelde vragen over dit onderwerp. Staat je vraag er niet tussen if heb je een opmerking? Neem gerust contact met ons op.
.png?width=1080&height=1350&name=FAQ%20Mike%20(1).png)
Een data lab is een voorziening uit de Europese Data Union Strategy die data geschikt maakt voor AI, onder meer door te bundelen, te cureren, te labelen en te pseudonimiseren. Het zit tussen de data space en de omgeving waar modellen worden getraind.
In een data space wordt data beheerd en beschikbaar gesteld volgens afspraken over toegang en gebruik. Een data lab maakt die data geschikt voor AI-toepassingen. Het ene regelt de toegang, het andere de bruikbaarheid.
Er is geen vaste definitie. In de praktijk gaat het om data die verantwoord kan worden gebruikt om een AI-model te trainen. Dat betekent onder meer opgeschoond, gelabeld, geanonimiseerd waar nodig, van gecontroleerde kwaliteit en in lijn met regelgeving zoals de EU AI Act.
Governance bepaalt welke data beschikbaar komt en onder welke voorwaarden. IDSA noemt versnipperde governance, gebrek aan vertrouwen en te weinig prikkels als knelpunten. De beleidsevaluatie van de Interbestuurlijke Datastrategie, die over datadelen binnen de overheid gaat, laat zien dat juridische onzekerheid organisaties vaak doet kiezen voor niet delen.
Dataminimalisatie is het AVG-beginsel dat je alleen gegevens verwerkt die nodig zijn voor het doel. Een voorbeeld uit het CBS-project: om te controleren of iemand meerderjarig is, is niet per se een geboortedatum nodig. Soms volstaat een ja of nee. Bij AI geldt hetzelfde: hoe minder gevoelige gegevens in een trainingsset, hoe minder je hoeft te beschermen en te verantwoorden.
