anonym.legal

By · Last updated 2026-06-05

Terug naar BlogGDPR & Naleving

Nederlandse AP: boete van €290 miljoen en AVG-handhaving

De AP legde de grootste boete voor grensoverschrijdende datatransfers ooit op in de EU: €290 miljoen aan Uber. BSN-validatie (11-proef) wordt door 56% van de tools gemist.

June 5, 20269 min lezen
Dutch APBSN detectionUber GDPR fineNetherlands compliancedata transfer GDPR

De Autoriteit Persoonsgegevens (AP) heeft Uber in augustus 2024 een boete van €290 miljoen opgelegd. De boete betrof het doorsturen van chauffeurgegevens naar Amerikaanse servers zonder geldige transferovereenkomst. Geen enkele AVG-zaak heeft ooit een grotere boete opgeleverd voor een grensoverschrijdende gegevensoverdracht. De AP behandelde in 2023 ook meer dan 21.400 klachten. Daarmee is het een van de drukste gegevensbeschermingsautoriteiten van Europa.

Wat de AP constateerde in de Uber-zaak

Uber verzamelde gegevens van chauffeurs in Nederland en Frankrijk. De gegevens omvatten locatiegeschiedenis, identiteitsdocumenten, loongegevens, rijbewijsgegevens en belastingdossiers. Dit alles werd doorgestuurd naar Amerikaanse servers. De AP oordeelde dat de transfermethode niet geldig was.

Drie bevindingen lagen ten grondslag aan het besluit:

  • Zwakke transfermethode: Uber maakte gebruik van Binding Corporate Rules (BCR's). De AP oordeelde dat deze de reikwijdte en gevoeligheid van de betrokken chauffeurgegevens niet dekte.
  • Geen Transfer Impact Assessment (TIA): Uber heeft niet aangetoond dat het Amerikaanse recht de overeengekomen transferwaarborgen in stand liet.
  • Gevoelige gegevens door combinatie: Locatiegegevens, loon en prestatiescores samen geven een gedetailleerd beeld van elke chauffeur. De AP behandelde deze combinatie als gelijkwaardig aan bijzondere persoonsgegevens.

De Uber-zaak stelt een duidelijke norm. Personeel- en aannemersgegevens die naar de VS worden verzonden, hebben dezelfde TIA en aanvullende maatregelen nodig als consumentengegevens.

AP-handhavingsfocusgebieden voor 2025

Bijgewerkt voor 2026

De AP heeft drie gebieden benoemd die zij nauwlettend in de gaten houdt in 2025.

Personeelsmonitoring: Tools voor thuiswerkmonitoring zijn het voornaamste doelwit. Dit omvat productiviteitslogboeken, schermopnames, toetsaanslagregistratie en locatietools voor thuiswerkers. Vóór de inzet van dergelijke tools moeten bedrijven vastleggen waarom ze minder ingrijpende alternatieven hebben afgewezen.

Grensoverschrijdende gegevensoverdrachten: Na de Uber-uitspraak controleert de AP de gebruikte transfermethoden. Bedrijven die afhankelijk zijn van diensten uit de VS, Azië of andere landen zonder adequaatheidsbesluit zijn in scope. Elk bedrijf dat Amerikaanse softwaretools gebruikt voor HR, projectbeheer of klantgegevens moet een actuele TIA beschikbaar hebben.

Geautomatiseerde besluitvorming: AI-kredietscoring, sollicitatiefiltrating en prestatiesystemen activeren verplichtingen uit artikel 22. De AP richt zich op organisaties die geautomatiseerde beslissingen nemen zonder een echte menselijke toetsingsstap. Zowel werknemers als consumenten moeten worden beschermd.

Het BSN: een beschermd nationaal identifier

Het Burgerservicenummer (BSN) is een 9-cijferig identificatienummer dat in Nederland wordt gebruikt. Het wordt gevalideerd met de Elfproef. Hoe de proef werkt: vermenigvuldig elk cijfer met een gewicht van 9 tot −1, tel de uitkomsten op en de som moet deelbaar zijn door 11.

De BSN-wet (Wet algemene bepalingen burgerservicenummer) beperkt het gebruik van het BSN tot specifieke wettelijke contexten. Dit zijn: belasting, zorg, overheid en loonadministratie voor werkgevers. Gebruik van een BSN buiten die contexten leidt tot handhaving op grond van de BSN-wet. AVG-aansprakelijkheid komt daar bovenop.

Waarom generieke tools BSN's missen: Veel NLP-tools bevatten de Elfproef niet. Zonder die proef wordt elke 9-cijferige reeks als mogelijk BSN gemarkeerd. Dit leidt tot valse alarmen in financiële en administratieve documenten. Foutief ingetypte BSN's worden ook gemist: ze falen de proef maar zien er toch geldig uit als patroon. Zie onze gids voor Europese nationale belasting-ID's en PII-detectie voor een volledige vergelijking van Europese ID-formaten.

NER voor Nederlandstalige tekst

Nederlands (Nederlands) heeft kenmerken die modellen die getraind zijn op Engels in de problemen brengen.

Samengestelde woorden: Nederlands voegt woorden samen. Persoonsgegevens en Burgerservicenummer zijn elk één woord. Modellen gebouwd voor het Engels splitsen ze vaak op het verkeerde punt. Dat verstoort de entiteitsdetectie.

Naamsuitgangen: De achtervoegsels -je en -tje komen voor in voornamen — Annetje, Hansje. Naammodellen moeten zowel de basisvorm als de verkleinvorm kunnen verwerken.

Adresformaten: Straattypes zijn onder meer Straat, Laan, Weg, Plein en Gracht. Postcodes bestaan uit vier cijfers plus twee letters (voorbeeld: 1234 AB). Elke code verwijst naar één straat, waardoor hij meer onthult dan de meeste Europese postcodes.

IBAN-formaat: Nederlandse IBAN's zijn 18 tekens lang: NL + 2 controlecijfers + 4-letterige bankcode + 10-cijferig rekeningnummer. Het land heeft een hoog gebruik van kaartbetalingen. Financiële documenten bevatten daardoor veel IBAN's. Voor vertrouwensscoremethoden voor verschillende ID-typen, zie binaire PII-detectie en vertrouwensscoring.

Technische checklist voor AP-naleving

Om aan de huidige normen van de AP te voldoen, hebben datasystemen het volgende nodig:

  1. BSN-detectie met Elfproef — patroonherkenning alleen is niet voldoende
  2. Nederlandstalige NER — een model zoals spaCy nl_core_news verwerkt samengestelde woorden en verkleinvormen van namen
  3. IBAN-detectie — formaatbewust, niet generiek
  4. Subverwerkerregisters voor alle grensoverschrijdende overdrachten
  5. TIA's voor Amerikaanse leveranciers — een actieve AP-auditprioriteit na de Uber-uitspraak

Na de Uber-zaak is een TIA voor Amerikaanse leveranciers een basisvereiste, geen beste praktijk. Zie voor een volledige uiteenzetting van de uitspraak en de implicaties voor gegevensoverdrachten de AP Uber-boete en grensoverschrijdende handhaving.

Bronnen

Klaar om uw gegevens te beschermen?

Begin met het anonimiseren van PII met 285+ entiteitstypen in 48 talen.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.