Om te versnellen richting een circulaire economie is transparantie nodig over ketens, producten, materialen. Zo worden bijvoorbeeld via de ESPR, Batteries Regulation en CPR Digital Product Passports verplicht voor uiteenlopende productgroepen. AI-systemen beloven te helpen bij het verwerken van al die data. Maar wie neemt uiteindelijk de beslissingen? En wie is verantwoordelijk als het misgaat?
DPP’s zijn geen technologisch vraagstuk. Ze confronteren organisaties met fundamentele vragen over menselijke besluitvorming, governance en verantwoordelijkheid. Want hoe geavanceerd AI ook wordt: de mens blijft verantwoordelijk.
Wat DPP’s vragen van organisaties
Een DPP vraagt om gedetailleerde informatie over de volledige productlevenscyclus. Dat betekent data van leveranciers, fabrikanten, distributeurs, klanten en afvalverwerkers. Het gaat om materiaalsamenstelling, herkomst van grondstoffen, productieprocessen, reparatiemogelijkheden en recyclinginstructies.
DPP’s kunnen publiek toegankelijk zijn, maar niet iedereen ziet dezelfde informatie. Er zijn verschillende toegangsniveaus voor verschillende rollen. Een consument ziet andere gegevens dan een recyclingbedrijf of een toezichthouder. Transparantie betekent dus niet volledige openheid voor iedereen. Het gaat om de juiste informatie voor de juiste partij op het juiste moment.
Waar AI helpt
In de praktijk is productdata vaak incompleet, versnipperd over systemen en van wisselende kwaliteit. Juist omdat deze hoeveelheid en complexiteit aan data voor mensen alleen niet meer behapbaar is, wordt AI al snel onderdeel van de oplossing, bijvoorbeeld om bronnen te koppelen van bestaande data systemen, ontbrekende velden invullen op basis van aannames, inconsistenties signaleren. AI kan suggesties doen, de vraag of die kloppen blijft een menselijke afweging.
Drie situaties laten zien hoe dat werkt.
Situatie 1: Data ontbreekt of is versnipperd
Een fabrikant wil een DPP samenstellen, maar de benodigde data zit verspreid over ERP-systemen, spreadsheets van leveranciers en oude databases. AI kan helpen door deze bronnen te koppelen, ontbrekende velden in te vullen op basis van vergelijkbare producten en inconsistenties te signaleren.
Maar dan beginnen de menselijke vragen. Klopt de aanname die het model maakt over de herkomst van een grondstof? Wie is verantwoordelijk als die aanname later onjuist blijkt? Welke interne experts moet je betrekken voordat je data publiceert? En hoe documenteer je welke waarden op echte metingen zijn gebaseerd en welke op schattingen? Dit vraagt menselijk oordeel, geen automatische logica.
Situatie 2: DPP maakt data zichtbaar voor ketenpartners
Een DPP kan informatie toegankelijk maken voor klanten, leveranciers en toezichthouders. AI kan helpen om openbare data van concurrenten te analyseren en benchmarks te maken. Interessant, maar ook gevoelig.
Want wie bepaalt welke partij toegang krijgt tot welke informatie? Welke leveranciers vertrouw je als bron voor upstream data? Hoe verifieer je of aangeleverde informatie klopt? En wat als een concurrent dezelfde AI-tools gebruikt om jouw data te analyseren? Dit zijn geen technische vragen, maar strategische en ethische afwegingen die mensen moeten maken.
Situatie 3: DPP ondersteunt inkoop en afvalbeheer
Voor inkopers en afvalverwerkers bieden DPP’s waardevolle informatie over wat ze kopen of verwerken. AI kan deze data koppelen aan aanbestedingscriteria, recyclingprotocollen of circulaire doelstellingen. Handig bij het selecteren van leveranciers of het optimaliseren van afvalstromen.
Maar ook hier geldt: AI kan opties voorleggen, maar mensen bepalen wat “het beste” betekent. Weegt CO2-reductie zwaarder dan kosten? Hoe vertaal je organisatiewaarden naar concrete inkoopbeslissingen? En wie draagt de eindverantwoordelijkheid als een keuze achteraf verkeerd uitpakt? Naast wettelijke eisen spelen ook normen en waarden een rol die niet in een algoritme te vangen zijn. Dit is geen technische keuze, maar een governancebeslissing.
Meer wetgeving dan je denkt
Naast de DPP-wetgeving zelf is er een laag van regelgeving die bepaalt hoe organisaties met data en AI mogen omgaan. Deze wetten worden vaak over het hoofd gezien, maar zijn cruciaal voor het goed functioneren van DPP-systemen.
Zo is er bijvoorbeeld de Data Act die regelt wie productdata mag gebruiken en delen. Of de Data Governance Act welke een kader creëert voor betrouwbare datadeling en intermediairs. De AI Act stelt eisen aan hoe AI-systemen ingezet mogen worden. De Cyber Resilience Act richt zich op de veiligheid van digitale infrastructuur. En via eIDAS en de EU Digital Identity Wallet wordt bepaald wie digitale informatie mag creëren, valideren, inzien en ondertekenen.
Al deze wetten samen bepalen het speelveld waarbinnen DPP-transparantie georganiseerd moet worden. Ze geven kaders, maar geen antwoorden. Dat moeten organisaties zelf doen.
De mens blijft centraal
Geen enkele wet bepaalt wat “goed genoeg” data is. Geen enkel AI-systeem is juridisch verantwoordelijk voor beslissingen. Die verantwoordelijkheid ligt bij mensen, binnen organisaties. Zij richten de governance in, wijzen rollen toe en leggen verantwoording af als het misgaat.
Het is verleidelijk om DPP’s te benaderen als een IT-project of een compliance-checklist. Maar dat mist de essentie. DPP’s zijn geen IT-project en geen compliance-checklist, maar een organisatie- en governancevraagstuk. En bovenal een vraagstuk van menselijke besluitvorming.
AI kan helpen om transparantie op te schalen. Maar alleen mensen kunnen die transparantie besturen. Dat vraagt om heldere governance, nieuwe vaardigheden en nauwe samenwerking in de keten.
Meer weten?
Empact organiseert samen met Positieve Impact in maart 2026 een interactieve sessie over dit thema. Tijdens deze bijeenkomst verkennen we hoe AI en menselijke intelligentie samenwerken binnen DPP-processen, en welke afwegingen daarbij komen kijken. Meld je aan via positieveimpact.nu.
Heb je vragen over DPP’s, data governance of hoe je jouw organisatie kunt voorbereiden op deze ontwikkelingen? Neem contact op met Empact. Wij denken graag met je mee.