OpenAI gebruikt grote hoeveelheden informatie om de modellen achter ChatGPT te ontwikkelen. Daarbij gaat het niet om één vaste dataset en ook niet simpelweg om ‘het hele internet’. OpenAI noemt verschillende soorten bronnen, past selecties en filters toe en gebruikt daarnaast informatie van gebruikers, menselijke trainers en onderzoekers.
Over dit onderwerp bestaan veel stellige claims die niet uit openbare OpenAI-documentatie zijn af te leiden. Zo publiceert OpenAI voor de huidige modellen geen volledige lijst met alle gebruikte websites, boeken, nieuwsarchieven of datasets. Ook betekent ‘publiek toegankelijk’ niet hetzelfde als ‘auteursrechtvrij’.
In dit artikel lees je wat OpenAI zelf bekendmaakt over trainingsdata, gebruikersgegevens, auteursrecht en de instellingen waarmee je invloed hebt op het gebruik van je ChatGPT-gesprekken.
Laatst inhoudelijk bijgewerkt op 23 juli 2026. Dit artikel beschrijft de werkwijze en standpunten die OpenAI in zijn eigen documentatie publiceert.
Trainingsdata en gebruikersdata zijn niet hetzelfde
Bij discussies over ChatGPT worden verschillende soorten data vaak door elkaar gehaald. Het helpt om onderscheid te maken tussen:
- trainingsinformatie, waarmee een model tijdens de ontwikkeling patronen leert;
- informatie die je invoert in ChatGPT, zoals prompts, bestanden, afbeeldingen en gesprekken;
- actuele informatie van het web, die ChatGPT via de zoekfunctie kan ophalen om een vraag te beantwoorden;
- technische en accountgegevens, die OpenAI verwerkt om de dienst te leveren, beveiligen en beheren.
Een website die tijdens een actuele zoekopdracht als bron verschijnt, hoeft dus niet automatisch onderdeel te zijn geweest van de trainingsdata. Andersom hoeft informatie die tijdens de modelontwikkeling is gebruikt niet rechtstreeks als bron in een ChatGPT-antwoord zichtbaar te zijn.
Welke informatiebronnen noemt OpenAI?
OpenAI noemt drie primaire informatiebronnen voor de ontwikkeling van zijn basismodellen:
- informatie die publiek beschikbaar is op internet;
- informatie waartoe OpenAI via samenwerkingen en overeenkomsten met externe partijen toegang krijgt;
- informatie die gebruikers, menselijke trainers, onderzoekers en medewerkers verstrekken of genereren.
OpenAI zegt daarnaast steeds vaker synthetische data te gebruiken. Dat is trainingsmateriaal dat met modellen of andere geautomatiseerde methoden wordt gemaakt, bijvoorbeeld extra prompts, meertalige voorbeelden of oefenmateriaal voor onderwerpen waar weinig geschikte informatie beschikbaar is.
De ontwikkeling bestaat volgens OpenAI uit meerdere fasen. Daaronder vallen het voorbereiden van de data, de brede voortraining, verdere training om het gedrag van het model te sturen en evaluaties na ingebruikname. Niet iedere informatiebron hoeft in iedere fase op dezelfde manier te worden gebruikt.
OpenAI publiceert geen volledige lijst met datasets
Voor oudere onderzoeksmodellen werden in technische publicaties soms concrete datasets genoemd. Daaruit kun je niet automatisch afleiden dat diezelfde datasets ook voor de huidige modellen achter ChatGPT worden gebruikt.
In de algemene documentatie over actuele basismodellen noemt OpenAI vooral categorieën van bronnen. Het bedrijf publiceert geen complete, modelspecifieke inventaris van alle websites, boeken, fora, afbeeldingen, video’s, geluidsopnamen en databestanden die zijn verwerkt.
Claims dat een huidig model aantoonbaar is getraind met bijvoorbeeld Common Crawl, WebText, Reddit, Wikipedia, arXiv of een bepaalde boekencollectie zijn daarom alleen verantwoord wanneer daar een concrete, modelspecifieke OpenAI-bron voor bestaat. Een bron die voor een ouder model is genoemd, bewijst niets over ieder later model.
Heeft OpenAI het hele internet verzameld?
Nee, dat is geen nauwkeurige omschrijving van wat OpenAI zelf zegt te doen. Voor publiek beschikbare internetinformatie zegt OpenAI alleen informatie te gebruiken die vrij en open toegankelijk is. Daar kunnen openbare webpagina’s, blogs, fora en publieke berichten onder vallen.
OpenAI zegt niet doelbewust informatie te verzamelen uit bronnen waarvan bekend is dat ze achter een betaalmuur staan, van het dark web of van websites die vooral grote hoeveelheden persoonsgegevens verzamelen. Het bedrijf past daarnaast filters toe om onder andere spam, dubbele informatie, haatzaaiende inhoud en bepaalde expliciete content te verminderen of te verwijderen.
Dit betekent niet dat iedere bron handmatig wordt gecontroleerd of dat filters foutloos zijn. De omvang van de trainingsinformatie maakt geautomatiseerde selectie noodzakelijk. OpenAI erkent bovendien dat persoonsgegevens incidenteel in publiek beschikbare trainingsinformatie kunnen voorkomen.
Publiek toegankelijk betekent niet auteursrechtvrij
Een openbaar artikel, blogbericht, foto of forumbericht kan auteursrechtelijk beschermd zijn. Dat iedereen het zonder account kan bekijken, maakt het materiaal niet automatisch rechtenvrij.
Daarom moeten drie begrippen uit elkaar worden gehouden:
- publiek toegankelijke informatie, die vrij op internet te bekijken is, maar nog steeds auteursrechtelijk beschermd kan zijn;
- gelicenseerde of via overeenkomsten verkregen informatie, waarvoor OpenAI via een partner toegang of gebruiksrechten heeft verkregen;
- materiaal uit het publieke domein, waarop geen auteursrecht meer rust of dat niet voor auteursrechtelijke bescherming in aanmerking komt.
OpenAI stelt dat het trainen van modellen met publiek beschikbaar materiaal juridisch is toegestaan en beroept zich in de Verenigde Staten onder andere op het beginsel van fair use. Dat is het juridische standpunt van OpenAI. Het moet niet worden gelezen als een onafhankelijke vaststelling dat iedere vorm van datagebruik in ieder land en onder alle omstandigheden juridisch is beslist.
Een correcte formulering is dus niet dat OpenAI uitsluitend auteursrechtvrije of volledig gelicenseerde data gebruikt. OpenAI gebruikt volgens zijn eigen documentatie verschillende bronnen, waaronder publiek beschikbare informatie en via partners verkregen gegevens.
Hoe gaat OpenAI om met persoonsgegevens in trainingsinformatie?
Omdat veel openbare internetinformatie over mensen gaat, kan trainingsinformatie volgens OpenAI incidenteel persoonsgegevens bevatten. OpenAI zegt deze gegevens niet te verzamelen met als doel persoonlijke profielen op te bouwen, mensen te benaderen of advertenties op hen af te stemmen.
OpenAI beschrijft verschillende maatregelen om de verwerking van persoonsgegevens te beperken. Voorbeelden zijn het uitsluiten van bekende databrokers en websites die grote hoeveelheden persoonsgegevens verzamelen, het filteren van informatie en het verwijderen van duplicaten. Ook worden modellen getraind om geen private of gevoelige informatie over personen te verstrekken.
Voor gebruikers in Europa stelt OpenAI dat het de verwerking van persoonsgegevens in trainingsinformatie onder meer baseert op het gerechtvaardigd belang uit de privacywetgeving. In het Europese privacybeleid staan daarnaast rechten en mogelijkheden om verzoeken over persoonsgegevens in te dienen.
Slaat een taalmodel de trainingsdata letterlijk op?
OpenAI beschrijft een AI-model niet als een doorzoekbare database met kopieën van alle gebruikte documenten. Tijdens de training worden de interne parameters van het model aangepast op basis van patronen en relaties in de informatie. Bij het genereren van een antwoord gebruikt het model die aangeleerde parameters om nieuwe uitvoer te voorspellen.
Dat betekent niet dat letterlijke reproductie technisch onmogelijk is. Modellen kunnen soms tekstfragmenten of andere herkenbare inhoud herhalen, vooral wanneer informatie vaak of meerdere keren in trainingsmateriaal voorkwam. OpenAI beschouwt ongewenste reproductie als een probleem dat met dataselectie, deduplicatie, modeltraining en veiligheidsmaatregelen moet worden verminderd.
Worden je ChatGPT-gesprekken gebruikt voor training?
Bij persoonlijke ChatGPT-diensten kan OpenAI de inhoud die je invoert gebruiken om modellen te verbeteren. Daaronder kunnen prompts, antwoorden, afbeeldingen en bestanden vallen. Je kunt dit voor nieuwe gesprekken uitschakelen.
Ga in ChatGPT naar Instellingen, kies Gegevensbeheer en schakel Het model voor iedereen verbeteren uit. Je gesprekken blijven dan in je geschiedenis staan, maar nieuwe gesprekken worden niet gebruikt om de modellen te trainen.
Er geldt een belangrijke uitzondering. Wanneer je vrijwillig feedback geeft met bijvoorbeeld een duim omhoog of omlaag, kan OpenAI volgens zijn documentatie de volledige bijbehorende conversatie gebruiken om modellen te verbeteren, ook wanneer je eerder de algemene trainingsoptie hebt uitgeschakeld.
Wat is een tijdelijk gesprek?
Een tijdelijk gesprek verschijnt niet in je chatgeschiedenis, maakt of gebruikt geen herinneringen en wordt niet gebruikt om modellen te trainen. OpenAI zegt tijdelijke gesprekken na dertig dagen uit zijn systemen te verwijderen.
Deze gesprekken kunnen binnen die periode wel worden gecontroleerd om misbruik te herkennen. Een tijdelijk gesprek betekent dus niet dat de informatie onmiddellijk nergens meer wordt verwerkt.
Zakelijke ChatGPT-accounts en de API
Voor zakelijke producten hanteert OpenAI andere standaardinstellingen dan voor persoonlijke accounts. OpenAI zegt invoer en uitvoer uit ChatGPT Business, ChatGPT Enterprise, ChatGPT Edu, ChatGPT for Healthcare, ChatGPT for Teachers en het API-platform standaard niet te gebruiken om algemene modellen te trainen.
Organisaties kunnen er in bepaalde situaties expliciet voor kiezen gegevens te delen. Zonder zo’n opt-in worden zakelijke gegevens volgens OpenAI niet voor modeltraining gebruikt.
Niet gebruiken voor training betekent overigens niet automatisch dat gegevens helemaal niet worden bewaard. Voor de API kunnen invoer en uitvoer bijvoorbeeld tijdelijk worden opgeslagen voor beveiliging en misbruikdetectie. De precieze bewaartermijn hangt af van het gebruikte product, de functie en eventuele aanvullende afspraken.
Actueel zoeken op internet is een apart proces
ChatGPT kan via zijn zoekfunctie actuele informatie van internet ophalen. Daarbij kan een vraag worden omgezet in een of meer zoekopdrachten en kan informatie van externe zoekproviders worden gebruikt. Antwoorden kunnen vervolgens verwijzingen naar de geraadpleegde bronnen bevatten.
Dit is iets anders dan het trainen van het onderliggende model. Bij een zoekopdracht wordt actuele informatie opgehaald om die specifieke vraag te beantwoorden. Die website hoeft daardoor niet automatisch onderdeel van de trainingsdata te worden.
Kunnen website-eigenaren gebruik voor training beperken?
OpenAI geeft website-eigenaren de mogelijkheid om via het bestand robots.txt aan te geven dat GPTBot hun openbare website niet voor toekomstige modeltraining mag crawlen. Zo’n blokkade werkt vooruit en verwijdert niet automatisch informatie die eerder al is verwerkt of via andere rechtmatige bronnen beschikbaar is gekomen.
Toegang voor modeltraining en vindbaarheid in ChatGPT Zoeken zijn bovendien afzonderlijke onderwerpen. Een website-eigenaar moet daarom goed kijken welke crawler wordt toegestaan of geblokkeerd en welk doel daarbij hoort.
Menselijke feedback en verdere modeltraining
Na de brede voortraining volgt verdere training waarbij beoordelaars, onderzoekers en geautomatiseerde evaluaties helpen om het gedrag van modellen te verbeteren. Daarbij wordt onder meer gekeken naar bruikbaarheid, veiligheid, nauwkeurigheid en het volgen van instructies.
Reinforcement Learning from Human Feedback, vaak afgekort als RLHF, is een bekende methode uit deze fase. Het is echter te eenvoudig om te stellen dat ieder huidig model uitsluitend met één vast RLHF-proces wordt verfijnd. OpenAI gebruikt meerdere trainings- en evaluatiemethoden, die per model en ontwikkelingsfase kunnen verschillen.

Wat kun je wel en niet concluderen?
- OpenAI gebruikt volgens zijn eigen documentatie publiek beschikbare informatie, gegevens van partners en door gebruikers, trainers en onderzoekers geleverde of gegenereerde informatie.
- OpenAI publiceert geen volledige lijst met alle datasets van ieder actueel model.
- Publiek beschikbare informatie kan nog steeds auteursrechtelijk beschermd zijn.
- OpenAI filtert en selecteert informatie, maar beweert niet dat ieder datapunt handmatig is gecontroleerd of dat filters foutloos zijn.
- Persoonlijke ChatGPT-gesprekken kunnen voor verbetering worden gebruikt, tenzij je dit uitschakelt of een tijdelijk gesprek gebruikt.
- Zakelijke ChatGPT-producten en de API worden standaard niet met klantinvoer en -uitvoer getraind.
- Actuele webzoekopdrachten en de oorspronkelijke modeltraining zijn verschillende processen.
Conclusie
De uitspraak dat ChatGPT simpelweg ‘het hele internet heeft gekopieerd’ is te ongenuanceerd. OpenAI gebruikt verschillende broncategorieën en past filters, selectie en verdere trainingsmethoden toe. Tegelijkertijd is het onjuist om te stellen dat alleen auteursrechtvrije of volledig gelicenseerde informatie wordt gebruikt.
De precieze samenstelling van de trainingsdata van huidige modellen is niet volledig openbaar. Daarom is terughoudendheid nodig bij stellige uitspraken over concrete datasets. Wat wel duidelijk is, is dat gebruikersdata, trainingsinformatie en actuele webbronnen afzonderlijk moeten worden beoordeeld.
Officiële OpenAI-bronnen
- How ChatGPT and our foundation models are developed
- Hoe jouw gegevens worden gebruikt om de prestaties van modellen te verbeteren
- FAQ over gegevensbeheer
- Europe privacy policy
- Privacy voor bedrijven bij OpenAI
- ChatGPT Zoeken
- Our approach to data and AI
- OpenAI and journalism





