Patiëntendossiers stromen naar consumentgerichte AI-tools

Patiëntendossiers stromen naar consumentgerichte AI-tools

Een privacy officer kan geen verantwoording afleggen over een openbaarmaking die niemand heeft vastgelegd. Dat is het ongemakkelijke middelpunt van twee incidenten die recentelijk aan het licht kwamen, waarbij patiëntinformatie AI-tools bereikte die door de organisaties nooit waren goedgekeurd, en waarbij de verantwoordelijken voor naleving er pas achteraf van hoorden.

Een academisch medisch centrum maakte bekend dat beschermde gezondheidsinformatie uit een radiologisch onderzoek was ingevoerd in AI- en machine learning-tools, in strijd met het eigen beleid. Elders gebruikte een medewerker van een overgangszorginstelling in de staat Washington een persoonlijk ChatGPT-account om samenvattingen te maken van casusnotities met namen, diagnoses en medicatie. In geen van beide gevallen was er sprake van een klassieke aanval. Niemand is binnengedrongen. Mensen met legitieme toegang tot patiëntgegevens hebben deze verplaatst naar plekken waar ze niet thuishoorden.

Dat onderscheid is belangrijk voor de manier waarop je je hiertegen verdedigt. Perimeterbeveiliging is gebouwd om buitenstaanders te stoppen, maar deze incidenten zijn het gevolg van interne medewerkers die sneller wilden werken. In deze post lees je wat elk incident inhield, wat HIPAA van je vereist om te kunnen aantonen, waar het echte gat zit en hoe je dit kunt dichten zonder de productiviteit van zorgverleners en onderzoekers te belemmeren.

Belangrijkste inzichten

  1. Het lek is een toegangsprobleem, geen aanval. Medewerkers met geldige inloggegevens kopieerden patiëntgegevens naar tools die niemand had goedgekeurd, waardoor controles gericht op buitenstaanders het niet zagen.
  2. Twee incidenten tonen twee patronen. Het ene betrof een onderzoeksteam dat beeldvormingsgegevens uploadde, het andere een medewerker die een persoonlijk account gebruikte om casusnotities samen te vatten.
  3. Onderzoeksresultaten suggereren dat het gedrag wijdverspreid is. Uit de enquête van Wolters Kluwer Health van december 2025 bleek dat 40 procent van de respondenten ongeautoriseerde AI-tools was tegengekomen en bijna 20 procent gaf toe deze te hebben gebruikt.
  4. De compliance-last is bewijs. Covered entities moeten in staat zijn openbaarmakingen te onderzoeken, beoordelen en documenteren, wat vereist dat er wordt vastgelegd wat de omgeving heeft verlaten.
  5. Een gereguleerd kanaal is beter dan een verbod. Door zorgverleners en onderzoekers een goedgekeurde route te bieden met logging en beleidshandhaving, verdwijnt de reden om het beleid te omzeilen.

Wat de twee organisaties hebben gemeld

De details zijn afkomstig uit berichtgeving van The HIPAA Journal, die niet rechtstreeks kon worden geraadpleegd voor deze post. Behandel onderstaande details daarom als secundaire berichtgeving en verifieer ze bij de eigen meldingen van de organisaties voordat je ze citeert.

Volgens deze berichtgeving ontdekte het medisch centrum in september 2026 dat beschermde gezondheidsinformatie uit een radiologisch onderzoek was ingevoerd in AI- en machine learning-tools, waarbij de uploads plaatsvonden in juni 2026. Naar verluidt bevatte de data geen namen, contactgegevens, burgerservicenummers of financiële informatie, maar wel medische dossiernummers, radiologie-accessienummers, data en tijden van dienstverlening, namen van instellingen en zorgverleners, en klinische informatie die diagnoses, behandelingen, operatieve voorgeschiedenis en medicatie kan hebben omvat. Het medisch centrum vond geen misbruik, schortte het onderzoek op en vroeg om verwijdering. Het aantal getroffen personen is niet bekendgemaakt.

In de staat Washington meldt hetzelfde bericht dat een medewerker van het Lake Burien Transitional Care Facility een persoonlijk ChatGPT-account gebruikte om samenvattingen van casusnotities te maken. Het Department of Social and Health Services van de staat identificeerde één geval, daarna meerdere eerdere, en schreef 12 getroffen families aan. Ook werd een vergelijkbaar incident vastgesteld met vier patiënten in Western State Hospital.

Let op wat ontbreekt in beide verhalen. Geen van beide beschrijft een handhavingsmaatregel of boete. Dit zijn openbaarmakingen die aanleiding gaven tot onderzoek en melding, en dat is precies waarom ze interessant zijn om te bestuderen. Ze laten zien hoe gewoon, niet-kwaadaardig AI-gebruik eruitziet als het misgaat.

Een complete checklist van HIPAA Compliance vereisten

Lees nu

Waarom medische dossiernummers en data nog steeds tellen

Eén detail in het rapport van het medisch centrum is makkelijk te bagatelliseren. De data bevatte naar verluidt geen namen en burgerservicenummers. Een lezer zou kunnen denken dat de blootstelling gering was.

HIPAA werkt niet zo. De Privacy Rule definieert beschermde gezondheidsinformatie ruim, en identificerende gegevens zoals medische dossiernummers en data van dienstverlening behoren tot de elementen die gezondheidsdata tot individueel identificeerbare informatie maken. De-identificatie volgens de Safe Harbor-methode vereist het verwijderen van een lange lijst van identificatoren, waaronder medische dossiernummers en de meeste datums. Een dataset die deze behoudt, blijft doorgaans PHI.

Hier worden onderzoeksteams vaak op betrapt. Onderzoekers behandelen data op een manier die meer lijkt op analyse dan op zorg, en gaan er vaak van uit dat het verwijderen van directe identificatoren voldoende is. De HIPAA Minimum Necessary Rule vraagt of de hoeveelheid gebruikte data is beperkt tot wat het doel vereist. Identificeerbare klinische details naar een externe tool sturen voor een taak die dat niet nodig heeft, is precies het soort beslissing dat deze regel wil voorkomen.

De schaduw-AI-cijfers achter de incidenten

Als dit op zichzelf staande fouten waren, zou het een trainingsprobleem zijn. De onderzoeksresultaten suggereren echter dat het dichter bij een patroon ligt.

Wolters Kluwer Health liet een enquête uitvoeren onder 518 zorgprofessionals, gelijk verdeeld tussen zorgverleners en beheerders, online afgenomen in december 2025 door CITE Research. In het persbericht van het bedrijf gaf 40 procent van de respondenten aan ongeautoriseerde AI-tools te zijn tegengekomen in hun organisatie, bijna 20 procent zei er een te hebben gebruikt en ongeveer één op de tien meldde een ongeautoriseerde tool te hebben gebruikt voor een direct patiëntenzorgdoel. Let op de formulering. De enquête meet het tegenkomen en toegeven, niet de hoeveelheid blootgestelde PHI, en komt van een leverancier met een belang in de markt.

Een tweede datapunt komt van buiten de zorg. Het Oh, Behave!-onderzoek van de National Cybersecurity Alliance en CybSafe meldde dat 32 procent van de AI-gebruikers op de werkplek gevoelige bedrijfsgegevens had gedeeld met AI-tools zonder dat hun werkgever het wist. Andere doelgroep, hetzelfde gedrag.

Lees deze cijfers als richtinggevend. Ze geven geen inzicht in je eigen blootstelling. Ze laten zien dat de aanname “onze medewerkers doen dit niet” moeilijk te verdedigen is, en dat een organisatie die beweert nul schaduw-AI-gebruik te hebben waarschijnlijk het zicht mist om het te weten.

Wat HIPAA van je verwacht te kunnen aantonen

Begin met wat de regel wel en niet zegt. HIPAA heeft geen specifieke bepaling voor AI. De bestaande regels zijn van toepassing op een nieuw hulpmiddel.

Wanneer PHI wordt gedeeld met een partij zonder geldige business associate agreement of andere toestemming, is dat doorgaans een ongeoorloofde openbaarmaking. Het meldingskader voor datalekken vereist vervolgens een risicobeoordeling om te bepalen of het incident een meldingsplichtig datalek is, met factoren zoals de aard van de informatie, wie het heeft ontvangen, of het is verkregen of ingezien, en in hoeverre het risico is beperkt. Je moet die beoordeling kunnen uitvoeren op basis van feitelijke gegevens.

Daarom zijn registraties belangrijk. Om een AI-gerelateerde openbaarmaking te beoordelen, moet een privacy officer weten welke patiëntgegevens naar welke tool zijn gegaan, wanneer, door wie en of de ontvanger deze heeft bewaard. Een consumenten-AI-account op een persoonlijk apparaat genereert aan jouw kant geen van deze gegevens. Je hoort ervan, als het al gebeurt, via een klokkenluider, een overheidsinstantie of een audit.

De verplichting tot het bijhouden van openbaarmakingen wijst dezelfde kant op. Personen hebben het recht om een overzicht op te vragen van bepaalde openbaarmakingen van hun PHI, en covered entities moeten dat kunnen leveren. Een niet-geregistreerde plakactie in een chatbot is een openbaarmaking die je registratieproces niet kan zien. Of een bepaalde AI-openbaarmaking onder deze verplichting valt, hangt af van de feiten en uitzonderingen, dus betrek juridisch advies. Het operationele punt blijft hetzelfde: je kunt geen vraag beantwoorden over iets wat je systemen nooit hebben vastgelegd.

Op het bredere beveiligingsvlak vereist de HIPAA Security Rule auditcontrols en toegangsbeheer. De herziening van de Security Rule die HHS begin 2025 voorstelde, is nog steeds een conceptregel en geen definitieve, en encryptie is vandaag de dag nog een adresseerbare specificatie. Vertel je bestuur dus niet dat er al nieuwe vereisten gelden. De bestaande auditcontrolestandaard is voldoende om het argument te maken. Als je geen activiteiten met elektronische PHI kunt onderzoeken, heb je een gat.

Waarom het blokkeren van consumenten-AI het gat niet dicht

De reflex is om ChatGPT en vergelijkbare tools aan de netwerkrand te blokkeren. Dat helpt een beetje, maar faalt als strategie, om drie redenen.

Medewerkers gebruiken persoonlijke apparaten en persoonlijke accounts, zoals het geval Lake Burien laat zien. Een netwerkblokkade doet niets tegen een telefoon op een mobiel netwerk.

Ten tweede blijven de tools zich vermenigvuldigen. Elke productiviteitstoepassing heeft nu een eigen assistent. Een blokkadelijst die vandaag is opgesteld, is volgende maand verouderd.

Ten derde blijft de druk die het gedrag veroorzaakt bestaan. Een zorgverlener die na een lange dienst casussamenvattingen moet maken, heeft een echt probleem en het hulpmiddel lost dat op. Haal het hulpmiddel weg zonder een alternatief te bieden en mensen zoeken een andere route. Het motief negeren is hoe schaduw-AI groeit.

De duurzamere aanpak is om aan de behoefte te voldoen binnen een gereguleerde omgeving. Als een onderzoeksteam machine learning wil toepassen op radiologiedata, geef ze dan een kanaal waarbij de data onder beleid blijft, de toegang beperkt is tot wat het project vereist en elke handeling wordt gelogd. Als een zorgverlener een conceptsamenvatting wil, bied dan een goedgekeurde assistent die alleen via gecontroleerde toegang bij patiëntgegevens kan.

Hoe een gereguleerde route eruitziet

Een gereguleerde AI-route voor patiëntgegevens heeft een aantal eigenschappen, en elk daarvan correspondeert met een compliance-vraag.

Identiteit. De AI handelt namens een geauthenticeerde gebruiker, en de rechten gaan nooit verder dan die van de gebruiker. Dit beantwoordt de vraag wie de toegang heeft geautoriseerd.

Beleid op het toegangspunt. Elk verzoek wordt getoetst aan regels op basis van de gevoeligheid van de data, de rol van de gebruiker en de context. Dit ondersteunt de minimum necessary-standaard en houdt een onderzoeksassistent uit dossiers buiten het protocol.

Volledige logging. Elke AI-actie wordt vastgelegd met voldoende detail om deze later te reconstrueren. Dit stelt een privacy officer in staat om de risicoanalyse bij een datalek uit te voeren en te reageren op een verzoek tot inzage met feitelijke gegevens.

Geen inloggegevens in het model. Authenticatietokens blijven buiten alles wat de AI kan lezen, waarmee een hele categorie prompt-injectierisico wordt uitgesloten.

Kiteworks ontwerpt zijn Secure MCP Server en Kiteworks Compliant AI rond deze eigenschappen, zodat AI-assistenten toegang krijgen tot content in de beveiligde gegevensuitwisseling van Kiteworks onder dezelfde rol- en attributengebaseerde beleidsregels en dezelfde geconsolideerde audit log als menselijke gebruikers. De eerlijke beperking is de scope. Kiteworks zat niet in de datapaden van deze incidenten en kan niet voorkomen dat een medewerker tekst plakt in een persoonlijk account op een persoonlijke telefoon. De claim is dat wanneer patiëntcontent via Kiteworks wordt benaderd, de toegang gereguleerd en vastgelegd is. Dat is het bewijs dat een privacy officer nodig heeft voor de content die het meest telt, en het biedt iets concreets om aan te wijzen wanneer medewerkers vragen wat ze mogen gebruiken. Zie voor het ondersteunende kader de AI data protection guidance en HIPAA compliance.

Een 30-dagenplan voor privacy- en security officers

Je hoeft je programma niet volledig te herschrijven om vooruitgang te boeken. Vier stappen passen in een maand.

Vraag in week één je klinische, onderzoeks- en administratieve leiders een eenvoudige vraag. Welke AI-tools gebruik je voor het werk, inclusief persoonlijke? Beloof geen disciplinaire maatregelen bij eerlijke antwoorden. Het doel is het echte beeld te leren kennen, en amnestie levert betere data op dan handhaving.

Classificeer in week twee de use cases. Scheid taken die nooit PHI bevatten van taken die dat wel doen. Beslis voor de PHI-cases welke met een goedgekeurd hulpmiddel kunnen worden uitgevoerd en welke moeten stoppen.

Zet in week drie één gereguleerde route op voor de use case met het hoogste volume. Leid deze via een kanaal dat beleid afdwingt en activiteiten logt. Bewijs dat de logging werkt door een record van een testactie op te halen.

Werk in week vier je procedure voor risicoanalyse bij datalekken en je proces voor het bijhouden van openbaarmakingen bij, zodat AI-gerelateerde gebeurtenissen zijn opgenomen, en test ze met een scenario. Meet hoe lang het duurt om te achterhalen wat er is gedeeld.

Voeg een korte, concrete boodschap voor medewerkers toe waarin wordt uitgelegd waarom persoonlijke AI-accounts taboe zijn voor patiëntgegevens en wat ze in plaats daarvan moeten gebruiken. Mensen volgen regels die ze begrijpen, vooral als er een alternatief is. Combineer dit met PII- en PHI-richtlijnen zodat medewerkers weten wat telt.

Wat je meeneemt naar je volgende compliancecommissie

Benader het probleem als een registratievraagstuk met een duidelijke eigenaar. De organisatie heeft al de plicht om openbaarmakingen te onderzoeken, beoordelen en documenteren. AI voegt een nieuwe route toe waarlangs PHI de organisatie verlaat, en je huidige registraties vangen dat niet op.

Breng drie feiten mee. Deze incidenten waren geen aanvallen. De onderzoeksresultaten suggereren dat het gedrag wijdverspreid is. En de oplossing is een gereguleerd alternatief met logging, geen verbod. Vraag vervolgens om een besluit over welk gereguleerd kanaal als eerste gebouwd wordt en wie het wekelijkse logoverzicht beheert.

De organisaties die dit goed aanpakken, zijn niet die met het strengste beleid. Het zijn de organisaties die snel en met bewijs antwoord kunnen geven op de vraag die elke toezichthouder en elke getroffen patiënt uiteindelijk stelt: Wat is er met mijn data gebeurd, en hoe weet u dat?

Onderzoeksdata verdient eigen controles

De zaak van het academisch medisch centrum betrof een onderzoeksstudie, en onderzoeksomgevingen brengen risico’s met zich mee die klinische processen niet kennen. Onderzoekers verplaatsen data tussen systemen, passen nieuwe analysetools toe en werken samen met andere instellingen. Ze hechten waarde aan snelheid en flexibiliteit, en behandelen identificeerbare data soms als werkmateriaal in plaats van als gereguleerde informatie.

Machine learning maakt dit scherper. Een onderzoeker die een model op beeldvormingsdata wil testen, kiest misschien voor een gehoste tool omdat de lokale omgeving niet krachtig genoeg is. De upload voelt als een technische stap. In juridische termen is het een openbaarmaking aan een derde partij. Instellingen met onderzoeksprogramma’s hebben expliciete regels nodig over waar identificeerbare en beperkte datasets naartoe mogen, wie uitzonderingen goedkeurt en hoe die goedkeuringen worden vastgelegd.

Een paar controles helpen. Houd een goedgekeurde lijst bij van analyseomgevingen, elk met de juiste overeenkomsten en beveiligingsbeoordelingen. Vereis datagebruiksovereenkomsten waarin toegestane tools zijn vastgelegd. Bied een gereguleerde werkruimte waar onderzoekers analyses kunnen uitvoeren zonder data te verplaatsen, zodat de handige optie ook de compliant optie is. En log de toegang tot onderzoeksdatasets op het niveau van de individuele handeling, zodat je kunt zien als er een upload plaatsvindt.

Institutionele toetsingscommissies en privacy officers moeten ook met elkaar praten. Onderzoeksprotocollen beschrijven dataverwerking vaak in algemene termen. Door een korte sectie toe te voegen over AI- en machine learning-tools, met bij naam genoemde goedgekeurde opties, wordt een vage verwachting een toetsbare afspraak.

Business associate agreements en vendor due diligence

Veel organisaties gaan ervan uit dat een enterprise AI-abonnement het HIPAA-vraagstuk oplost. Soms is dat zo, soms niet, en het verschil zit in het papierwerk.

Een business associate agreement is het contract waarmee een leverancier PHI mag verwerken namens een covered entity. Zonder zo’n overeenkomst is het delen van PHI met de leverancier doorgaans niet toegestaan. Met zo’n overeenkomst accepteert de leverancier vastgelegde verplichtingen rond beveiliging, gebruiksbeperkingen en melding van datalekken. Of een specifiek AI-product wordt gedekt, hangt af van het aanbod van de leverancier, het abonnement en de configuratie. Lees dus de voorwaarden en niet alleen de marketing.

Stel leveranciers gerichte vragen. Valt dit product en dit abonnement onder de overeenkomst? Worden klantgegevens gebruikt om modellen te trainen, en kan dat contractueel en technisch worden uitgeschakeld? Waar worden gegevens opgeslagen en hoe lang? Kun je logs krijgen van wat je gebruikers hebben ingediend? Wat gebeurt er met data bij beëindiging? Wat is het meldingsvenster van de leverancier bij een datalek?

Verifieer daarna de antwoorden in het product. Een contract dat belooft niet op jouw data te trainen, is alleen waardevol als de instellingen kloppen. Test met niet-gevoelige data, bevestig het bewaargedrag en documenteer het resultaat.

Onthoud tot slot dat goedgekeurde leveranciers alleen de routes dekken die je kent. Het voorbeeld van Lake Burien betrof een persoonlijk account, waar geen overeenkomst op van toepassing was. Vendor due diligence en schaduw-AI-controles zijn twee kanten van hetzelfde programma. Zie voor het onderliggende werk rond dataclassificatie het Kiteworks-overzicht van PII en PHI en de AI data governance guide.

Wat je moet loggen als AI patiëntgegevens verwerkt

Logging is makkelijk te beloven en makkelijk verkeerd te doen. Een log die alleen registreert dat een gebruiker is ingelogd, zegt een privacy officer vrijwel niets. Een bruikbaar overzicht van AI-toegang tot patiëntcontent legt meerdere zaken vast.

De identiteit van de persoon namens wie de AI handelde, en de identiteit van het AI-systeem zelf. De specifieke content die is geraadpleegd, tot op het bestand of dossier. De uitgevoerde actie, zoals lezen, samenvatten, kopiëren of downloaden. Het tijdstip. Het beleid dat is geëvalueerd en de uitkomst, inclusief weigeringen. En de bestemming, waar de data vervolgens naartoe ging.

Bewaartermijn is net zo belangrijk als inhoud. Onderzoeken naar datalekken kunnen lang na het incident beginnen, zoals de tijdlijn van het academisch medisch centrum laat zien, met ontdekking in september van activiteiten uit juni. Logs die na 30 dagen worden verwijderd, ondersteunen dat onderzoek niet. Stel de bewaartermijn af op je wettelijke en onderzoeksbehoeften en bescherm logs tegen wijziging.

Maak de logs bruikbaar. Voer ze in je SIEM zodat er waarschuwingen komen bij ongebruikelijke patronen, zoals bulktoegang tot patiëntendossiers door een AI-account. En zorg dat compliance-medewerkers, niet alleen security engineers, ze kunnen raadplegen. Een privacy officer die een ticket moet indienen en een week moet wachten op antwoord, kan niet aan een meldingsplicht voldoen.

Training die gedrag verandert

Jaarlijkse compliance-training verandert zelden hoe mensen AI-tools gebruiken. Wat werkt, is specifiek, praktisch en getimed op het beslissingsmoment.

Gebruik echte voorbeelden uit je eigen sector. De casussen van het medisch centrum en Lake Burien zijn herkenbaar omdat ze gewone taken betreffen: notities samenvatten en een model verkennen. Laat medewerkers zien dat de betrokkenen geen kwaadwillenden waren, en dat de data die ze invoerden identificerende gegevens bevatte die ertoe deden.

Bied het alternatief tegelijk met het verbod. Medewerkers die alleen horen wat niet mag, zoeken omwegen. Medewerkers die weten dat er een goedgekeurde assistent is, wat die kan en hoe ze toegang aanvragen, zullen die eerder gebruiken.

Maak melden veilig. Mensen die per ongeluk PHI in een consumententool plakken, moeten dat snel kunnen melden zonder angst voor automatische sancties. Vroege meldingen verkorten de risicoanalyse bij een datalek en verbeteren het herstel, omdat je tijdig om verwijdering kunt vragen.

Herhaal de boodschap waar het werk gebeurt. Een korte banner in de goedgekeurde assistent, een notitie op het onderzoeksportaal of een regel in het sjabloon voor klinische documentatie kan meer doen dan een presentatie. Meet het resultaat met periodieke enquêtes en met de logs van je gereguleerde kanaal, en stuur bij.

Wil je zien hoe gereguleerde AI-toegang tot gevoelige content er in de praktijk uitziet? Vraag een Kiteworks-demo aan en bekijk samen met ons team de audittrail.

Veelgestelde vragen

Dat kan. Zonder business associate agreement of andere toestemming is het delen van PHI met een consumenten-AI-dienst doorgaans een ongeoorloofde openbaarmaking. Enterprise-aanbiedingen met een ondertekende overeenkomst worden anders behandeld. Controleer de voorwaarden van de leverancier en betrek juridisch advies. Bekijk de HIPAA compliance vereisten voor de basis.

Data kan PHI blijven als het andere identificatoren bevat, zoals medische dossiernummers, accessienummers of data van dienstverlening. De-identificatie vereist het verwijderen van een vastgestelde lijst identificatoren of een deskundigenoordeel. Onderzoekers missen dit vaak. Zie het overzicht van PII en PHI.

Combineer een eerlijke medewerkersenquête met technische signalen zoals netwerk- en endpointtelemetrie, en vergelijk de resultaten. Enquêtes brengen gebruik van persoonlijke apparaten aan het licht dat tools missen. Een amnestie-aanpak vergroot de openheid. Leid goedgekeurd gebruik vervolgens via gelogde kanalen om een volledige audittrail op te bouwen.

Dat hangt af van een gedocumenteerde risicoanalyse bij een datalek, waarbij wordt gekeken naar de betrokken data, de ontvanger, of het is verkregen of ingezien, en de beperking van het risico. Sommige incidenten zijn meldingsplichtig, andere niet. Staatswetten kunnen extra verplichtingen opleggen. Documenteer je afweging en raadpleeg juridisch advies.

Bied een goedgekeurde assistent die alleen via gecontroleerde toegang bij patiëntcontent kan, met rol- en attributengebaseerd beleid en volledige logging. Combineer dit met training over waarom persoonlijke accounts taboe zijn. Ontdek een gereguleerd AI-toegangsmodel dat hiervoor is ontwikkeld.

Aanvullende bronnen

  • Blog Post
    Zero‑Trust-strategieën voor betaalbare AI-privacybescherming
  • Blog Post
    Hoe 77% van de organisaties faalt in AI-gegevensbeveiliging
  • eBook
    AI Governance Gap: Waarom 91% van de kleine bedrijven Russisch roulette speelt met gegevensbeveiliging in 2025
  • Blog Post
    Er bestaat geen “–dangerously-skip-permissions” voor jouw data
  • Blog Post
    Toezichthouders zijn klaar met vragen of je een AI-beleid hebt. Ze willen bewijs dat het werkt.

Aan de slag.

Het is eenvoudig om te beginnen met het waarborgen van naleving van regelgeving en het effectief beheren van risico’s met Kiteworks. Sluit je aan bij de duizenden organisaties die vol vertrouwen privégegevens uitwisselen tussen mensen, machines en systemen. Begin vandaag nog.

Share
Tweet
Share
Explore Kiteworks