trust · transparantie

Transparantierapport — voorbeeld Q2 2026

Zo ziet het kwartaalrapport eruit dat elke partnerorganisatie automatisch ontvangt.

sectie b

Wat staat erin

Per kwartaal, per klant, automatisch gegenereerd.

  1. 01

    Aantal AI-aanroepen per klasse — hoeveel op L0 cloud, hoeveel op L2 lokaal?

  2. 02

    Provider-breakdown — welk model, hoe vaak?

  3. 03

    Overridden suggesties — hoe vaak wijkt de mens af van het voorstel?

  4. 04

    Geïdentificeerde bias-signalen — indien meetbaar

  5. 05

    Incidenten + reactietijden — wat is misgegaan, hoe snel hersteld?

  6. 06

    Veranderingen in de model-mix — welke modellen zijn toegevoegd of verwijderd

sectie c

Voorbeeld — fictieve cijfers Q2 2026

Deze cijfers zijn illustratief, geen echte klantdata.

Voorbehoud Cijfers hieronder zijn fictief voor illustratie-doeleinden.

Aanroepen per data-klasse

  • L0Openbaar: 82.341 (89%)
  • L1Vertrouwelijk: 7.218 (8%)
  • L2Geheim: 2.940 (3%)
  • L3Bijzonder: 0

Provider-breakdown (L0 + L1)

  • Anthropic Claude 4 (Sonnet): 54%
  • OpenAI GPT-4 (EU): 28%
  • Self-hosted Qwen 2.5 (L1 fallback): 18%

Menselijke overrides

  • Totaal voorgestelde acties: 1.847
  • Uitgevoerd zoals voorgesteld: 1.210 (66%)
  • Aangepast door mens: 521 (28%)
  • Afgewezen: 116 (6%)

Incidenten

  • 1× korte Anthropic EU-uitval (4 min), automatisch gefailovered naar Azure EU.
  • 1× classificatie-fout (L1 initieel gemarkeerd, na review L2) — data niet doorgezet, incident gelogd.

Experimenteel

Bias-monitoring

Deze bias-monitoring is in ontwikkeling en verdient voorbehoud bij interpretatie. We publiceren hem wel, omdat transparantie over onzekerheid ook verantwoording is.

  • Onderrepresentatie van bronnen uit Zuid-Nederlandse lokale pers in "media-tab" gedetecteerd → gecureerde bronnen uitgebreid per 2026-05-12.

sectie d

Hoe dit tot stand komt

Elke AI-aanroep, elke override, elke classificatie wordt real-time gelogd. Aan het einde van elk kwartaal genereert het platform automatisch dit rapport. Geen handmatige samenstelling.

Klanten krijgen het rapport ook in machine-leesbaar formaat (JSON/CSV) voor eigen analyse of toezichtsrapportages.

sectie e

Waarom we dit publiceren

  1. 01

    Verantwoording vóór vraag

    Een toezichthouder of burger die twijfel heeft, hoeft niet om het rapport te vragen. Het is er al.

  2. 02

    Zelf-correctie

    Zichtbare bias-signalen dwingen ons om bronnen uit te breiden, modellen te herzien.

  3. 03

    Veld-voorbeeld

    Als meer AI-aanbieders dit zouden doen, zou de publieke sector veel minder voorzichtig hoeven zijn.

sectie f

Download

PDF van dit voorbeeldrapport — op aanvraag beschikbaar.

Machine-leesbaar (JSON/CSV) — maandelijks beschikbaar voor klant-deployments (niet kwartaal).

Het rapport dat jouw organisatie zou ontvangen is beschikbaar vanaf het eerste volledige kwartaal na onboarding.

Vraag voorbeeld-PDF aan