English version: scroll down

Vorige week schreef ik over de overgang van ‘security by obscurity’ naar ‘security by evidence’. De kern daarvan was dat we steeds minder kunnen vertrouwen op het idee dat iets veilig is omdat niemand meer weet dat het bestaat. In een digitale wereld waarin zoektechnologie en AI steeds beter worden in het vinden en combineren van informatie, is verborgen immers allang niet meer hetzelfde als veilig. 

Maar er is nog een andere kant aan dat verhaal die mij steeds meer bezighoudt: niet alleen informatie die we bewust verborgen houden, kan worden gevonden, ook informatie die we zelf allang vergeten zijn, kan opnieuw boven water komen. En misschien is juist dat wel één van de grootste en minst zichtbare, digitale risico’s die we de afgelopen decennia zelf hebben opgebouwd.

Data leeft langer dan de systemen die haar hebben gemaakt

We hebben enorme hoeveelheden digitale informatie geproduceerd in applicaties, databases, fileservers, mailboxen, documentmanagement systemen en talloze andere omgevingen. Vervolgens zijn die systemen vervangen, gemigreerd of uitgefaseerd. Processen veranderden, organisaties fuseerden of verdwenen en medewerkers die ooit precies wisten waarom bepaalde informatie was opgeslagen, vertrokken. Maar de data bleef. Data leeft daardoor vaak langer dan de applicatie, het proces en zelfs de mensen die haar hebben gemaakt en gekend. 

Een oude database kan nog ergens bestaan, een vergeten fileshare kan duizenden documenten bevatten, een oude back-up kan informatie bevatten die nooit meer wordt gebruikt. In een eerdere blog over de databloem was dat juist een positieve gedachte: applicaties en processen zijn tijdelijke kroonbladeren, terwijl data het blijvende digitale erfgoed vormt. Inmiddels zien we ook de keerzijde. Juist omdat data langer leeft dan de systemen en mensen die haar kennen, kan diezelfde eigenschap een probleem worden. We zijn vergeten hoeveel digitale informatie we hebben gemaakt en niet ordentelijk hebben geregistreerd en vastgelegd.

Digitale archeologie

Soms is niet alleen de context van de informatie verdwenen, maar ook de techniek waarmee die informatie ooit is gemaakt. Wie kent nog Wang-documenten? Wie werkt nog met WordPerfect? En wie weet nog hoe oude dBase-bestanden precies waren opgebouwd? De bits zijn er misschien nog, maar de mogelijkheid om ze te lezen en de context om ze te begrijpen, zijn steeds verder verdwenen. Het opsporen van legacy-data wordt daarmee een vorm van digitale archeologie: we graven in oude digitale lagen en proberen te achterhalen wat we daar ooit hebben neergelegd.

Juist daar kan AI een verrassend krachtige rol spelen. Een mens kan onmogelijk miljoenen oude bestanden één voor één openen en beoordelen, maar AI kan tekst herkennen, ook via OCR, bestandsformaten identificeren, patronen vinden en documenten inhoudelijk classificeren. Een document met een onbegrijpelijke bestandsnaam kan daardoor opeens herkenbaar worden als een contract, een klantdossier of een document met privacygevoelige informatie. Dat is het moment waarop AI verandert van een generatief hulpmiddel in een digitale detective: niet om iets nieuws te maken, maar om te ontdekken wat er eigenlijk nog ligt.

Vergeten is niet verdwenen

De recente datakluis bij de Belastingdienst laat zien hoe groot dit probleem kan worden. Daar bleek een grote hoeveelheid oude en ongesorteerde informatie jarenlang in een afgesloten omgeving aanwezig te zijn. Wat ooit een tijdelijke oplossing was voor informatie die niet zomaar kon worden vernietigd, was onderdeel geworden van de permanente informatiehuishouding. Het interessante aan zo’n situatie is niet zozeer de vraag wie er schuld heeft, maar vooral hoe gemakkelijk een tijdelijke digitale voorziening een permanente digitale zolder kan worden. En op die zolder staan uiteindelijk miljoenen bestanden waarvan niemand meer precies weet wat erin zit.

Dat is gevaarlijk, zeker nu AI in staat is om grote hoeveelheden ogenschijnlijk ondoorzoekbare informatie alsnog toegankelijk te maken. Tussen miljoenen oude documenten kunnen persoonsgegevens zitten, financiële gegevens, vertrouwelijke correspondentie, bedrijfsgeheimen of andere informatie waarvan we allang vergeten waren dat ze nog ergens bestond. De vraag verandert daarmee van “wie weet dat deze informatie nog bestaat?” naar “wie kan deze informatie vinden?” Dat is een fundamenteel verschil.

Data moet soms vergeten worden

Aan datavernietiging zit ook een menselijke kant. We spreken in Europa al jaren over het recht om vergeten te worden. Dat recht is een bijzondere paradox in onze digitale wereld. We hebben technologie gebouwd die ervoor zorgt dat informatie steeds langer en beter bewaard blijft, terwijl mensen soms juist het recht hebben om niet voor altijd door hun digitale verleden achtervolgd te worden. Dat betekent natuurlijk niet dat iedereen zomaar iedere digitale herinnering kan laten verdwijnen; er kunnen wettelijke, maatschappelijke of historische redenen zijn om informatie juist te bewaren. Maar het uitgangspunt is belangrijk: persoonsgegevens zijn niet vanzelfsprekend eeuwig.

Ook hier gaat het dus om de levenscyclus van data. Sommige informatie wordt archief, andere informatie moet worden vernietigd en soms is het recht om vergeten te worden de reden om informatie daadwerkelijk te laten verdwijnen. Maar als een persoonsgegeven ooit in meerdere systemen terechtkwam, daarna werd gemigreerd en vervolgens ook nog in back-ups en exports belandde, is het verwijderen van één record geen vergetelheid. Het is slechts één kopie minder.

Van digitale tijdbom naar digitale hygiëne

Misschien moeten we daarom anders kijken naar legacy-data. Niet als een vervelend restant uit het verleden, maar als een onafgehandelde informatievoorraad waarvan we helaas de inhoud niet meer kennen, waarvan de context verdwenen is en waarvan we niet eens meer weten hoeveel kopieën ervan bestaan. AI maakt dat risico groter, maar biedt tegelijkertijd een belangrijk deel van de oplossing. Dezelfde technologie die in staat is om de krenten uit de digitale pap te halen, kan ons ook helpen om die digitale pap te onderzoeken, te ordenen en op te ruimen.

Niet alles hoeft te worden bewaard en niet alles mag zomaar worden weggegooid. Maar alles wat nog bestaat, verdient op enig moment een bewuste beslissing. Daarom moeten we onze digitale zolders opruimen: niet door blind alles te verwijderen, maar door eerst te weten wat we hebben, waarom we het hebben, hoe lang we het moeten bewaren en wanneer het veilig mag verdwijnen. En vooral moeten we kunnen aantonen wat we daarna hebben gedaan. Want uiteindelijk geldt ook hier: vergeten data is geen vernietigde data, en onvindbare data is geen veilige data.

Ooit schreef ik in mijn verhaal over de databloem, als variant op het inmiddels bij velen bekende versje:

applicaties verwelken, processen vergaan,
maar onze data blijft altijd bestaan.

Toen was dat vooral een ode aan datacentrisch denken. Inmiddels zie ik ook de andere kant van die gedachte. Niet alles wat blijft bestaan, hoeft ook te blijven bestaan. Soms is goed informatiebeheer juist het vermogen om data zorgvuldig te laten verdwijnen — en te kunnen bewijzen dat dat ook daadwerkelijk is gebeurd.

Zie ook: https://i-archon.com/

Photo by COPPERTIST WU

—————————  Translated by ChatGPT   —————————-

The Digital Time Bomb of Forgotten Data

Last week I wrote about the shift from security by obscurity to security by evidence. The essence of that argument was that we can increasingly no longer rely on the idea that something is safe simply because nobody (any longer) knows that it exists. In a digital world where search technology and AI are becoming increasingly capable of finding and combining information, hidden is no longer the same as safe.

But there is another side to this story that concerns me more and more: it is not only information that we deliberately keep hidden that can be found; information that we ourselves have long forgotten can also resurface. And perhaps that is one of the greatest and least visible digital risks we have created ourselves over the past decades.

Data lives longer than the systems that created it

We have produced enormous amounts of digital information in applications, databases, file servers, mailboxes, document management systems and countless other environments. Those systems were subsequently replaced, migrated or decommissioned. Processes changed, organizations merged or disappeared, and employees who once knew exactly why certain information had been stored left the organization. But the data remained. Data therefore often lives longer than the application, the process and even the people who created and understood it.

An old database may still exist somewhere, a forgotten file share may contain thousands of documents, and an old backup may contain information that is no longer used. In an earlier blog about the Data Flower, this was actually a positive idea: applications and processes are temporary petals, while data forms the lasting digital heritage. We are now also seeing the other side of that idea. Precisely because data lives longer than the systems and people who know it, that same characteristic can become a problem. We have forgotten how much digital information we have created without properly registering and documenting it.

Digital archaeology

Sometimes it is not only the context of the information that has disappeared, but also the technology with which that information was originally created. Who still remembers Wang documents? Who still works with WordPerfect? And who remembers exactly how old dBase files were structured? The bits may still be there, but the ability to read them and the context needed to understand them have increasingly disappeared. Tracking down legacy data therefore becomes a form of digital archaeology: we dig through old digital layers and try to discover what we once put there.

This is precisely where AI can play a surprisingly powerful role. A human being cannot possibly open and assess millions of old files one by one, but AI can recognize text, including through OCR, identify file formats, detect patterns and classify documents by their content. A document with an incomprehensible filename can suddenly be recognized as a contract, a customer record or a document containing privacy-sensitive information. This is where AI changes from a generative tool into a digital detective: not to create something new, but to discover what is actually still there.

Forgotten does not mean gone

The recent discovery of the so-called data vault at the Dutch Tax Administration shows how large this problem can become. A large amount of old and unsorted information had apparently remained for years in a closed environment. What had once been intended as a temporary solution for information that could not simply be destroyed had become part of the permanent information landscape. The interesting question is not so much who was to blame, but rather how easily a temporary digital solution can become a permanent digital attic. And in that attic, millions of files can remain whose contents nobody really knows anymore.

That is dangerous, especially now that AI can make large amounts of seemingly inaccessible information searchable and usable again. Among millions of old documents there may be personal data, financial information, confidential correspondence, trade secrets or other information that we had long forgotten still existed somewhere. The question therefore changes from “Who knows that this information still exists?” to “Who can find this information?” That is a fundamental difference.

Data sometimes needs to be forgotten

There is also a human dimension to data destruction. In Europe, we have been talking for years about the right to be forgotten. That right is a remarkable paradox in our digital world. We have built technology that allows information to be retained longer and more reliably than ever, while people sometimes have the right not to be haunted forever by their digital past. This does not, of course, mean that anyone can simply have any digital memory erased; there may be legal, societal or historical reasons to preserve information. But the principle is important: personal data is not necessarily meant to exist forever.

Here too, it is about the lifecycle of data. Some information becomes an archive, other information must be destroyed, and sometimes the right to be forgotten is the reason information should actually disappear. But if personal data once ended up in several systems, was subsequently migrated and then also copied into backups and exports, deleting one record does not constitute forgetting. It is simply one less copy.

From digital time bomb to digital hygiene

Perhaps we should therefore look at legacy data differently. Not as an annoying remnant of the past, but as an unresolved information inventory whose contents we unfortunately no longer know, whose context has disappeared and for which we may not even know how many copies exist. AI makes this risk greater, but at the same time it offers an important part of the solution. The same technology that can pick the valuable “raisins” out of the digital pudding can also help us examine, organize and clean up that digital pudding.

Not everything needs to be preserved, and not everything can simply be thrown away. But everything that still exists deserves a conscious decision at some point. That is why we need to clean up our digital attics: not by blindly deleting everything, but by first knowing what we have, why we have it, how long we need to keep it and when it can safely disappear. And above all, we need to be able to prove what we did afterwards. Because ultimately, the same principle applies here: forgotten data is not destroyed data, and data that cannot be found is not necessarily safe data.

In my story about the Data Flower, I once wrote the following variation on a well-known Dutch verse:

Applications wither, processes fade,
but our data, will always remain.

At the time, this was mainly an ode to data-centric thinking. I now see the other side of that idea as well. Not everything that continues to exist needs to continue to exist. Sometimes good information management is precisely the ability to let data disappear carefully — and to be able to prove that it has actually happened.