Je stuurt data naar een server, die server rekent er iets op uit, en op geen enkel moment kan iemand daar zien wat je hebt gestuurd. Dat klinkt als een tegenstrijdigheid, maar precies dit gebeurt al dagelijks op miljoenen iPhones. De techniek erachter heet homomorfe encryptie, en hij schuift langzaam op van academisch curiosum naar bruikbaar gereedschap. Tijd om uit te leggen wat het is, waar het al draait, en waarom je er de komende jaren meer over gaat horen.
Rekenen op een gesloten envelop
Gewone versleuteling beschermt data onderweg en in opslag. Wil een server er iets mee dóén, dan moet de data eerst worden ontsleuteld, en op dat moment ligt de inhoud open voor iedereen met toegang tot die server. Homomorfe encryptie haalt die stap weg: de server voert berekeningen uit op de versleutelde data zelf, en het resultaat komt er ook versleuteld uit. Alleen wie de sleutel heeft, kan de uitkomst lezen. De server heeft gerekend op iets wat hij nooit heeft gezien.
Beginner-tip:stel je een gesloten glazen kluis voor met robotarmpjes erin. Jij stopt er een envelop in, de armpjes voeren jouw opdracht uit op de inhoud, en er komt een nieuwe gesloten envelop uit. De kluis gaat nooit open, en jij bent de enige met een briefopener. Meer hoef je technisch niet te begrijpen om de rest van dit stuk te volgen.
Het idee bestaat al sinds de jaren zeventig, maar pas in 2009 bewees cryptograaf Craig Gentry dat “volledig” homomorfe encryptie (fully homomorphic encryption, kortweg FHE) echt kan: willekeurige berekeningen, niet alleen optellen of vermenigvuldigen. Zijn eerste constructie was zo traag dat één simpele bewerking minuten kostte. Sindsdien is het veld bezig met één lange inhaalrace op de klok.
Je iPhone doet het al
Het overtuigendste bewijs dat FHE de onderzoekswereld is ontgroeid, zit in de Foto’s-app. Sinds iOS 18 herkent je iPhone bezienswaardigheden op je foto’s via een functie die Apple “Verbeterd visueel zoeken” noemt. Die herkenning gebeurt tegen een database op Apple-servers, en toch krijgt Apple je foto’s nooit te zien (Bron: Apple Support).
Dat werkt zo: je toestel maakt van het relevante stukje foto een reeks getallen (een embedding), versleutelt die reeks homomorf, en stuurt hem op. De server vergelijkt de versleutelde reeks met z’n index van bezienswaardigheden en stuurt een versleuteld antwoord terug, dat alleen jouw toestel kan openen. Apple combineert dit nog met andere technieken die je IP-adres afschermen en de aanvraag loskoppelen van je account (Bron: Apple Machine Learning Research).
Het voorbeeld is klein — een foto-fragment matchen is geen taalmodel draaien — en juist daarom leerzaam. Apple koos een afgebakende taak waar het versleutelde rekenwerk te overzien is, en loste daarmee een echt privacyprobleem op. Wie wil zien hoe de rekenkant van zulke AI-taken überhaupt werkt, leest onze uitleg over wat er gebeurt als je ChatGPT iets vraagt.
De rem: duizend keer trager
Waarom draait dan niet alle AI versleuteld? Omdat de rekening fors is. Volledig homomorfe berekeningen zijn in de praktijk grofweg duizend keer trager dan dezelfde berekening op leesbare data (Bron: Wavect). Onderzoekers hebben versleutelde inferentie van kleinere taalmodellen flink versneld met GPU’s, maar een groot model in real time versleuteld draaien blijft buiten bereik.
Voor ontwikkelaars komt daar een leercurve bij die weinig lijkt op gewoon programmeren. Wie een FHE-toepassing bouwt, krijgt te maken met begrippen als noise budgets (elke bewerking voegt ruis toe aan het cijferbericht, en te veel ruis maakt het onleesbaar), polynomiale benaderingen van functies, en het slim inpakken van meerdere waarden in één versleuteld pakket (Bron: DZone).
Gevorderden:er is geen “één FHE”. De belangrijkste schema’s verschillen per taak: CKKS rekent benaderend op reële getallen en past daardoor goed bij machine learning, BGV/BFV werkt exact op gehele getallen, en TFHE is snel in logische bewerkingen per bit. De keuze van het schema, en van parameters als de polynoomgraad, bepaalt zowel je veiligheid als je snelheid. Bibliotheken als OpenFHE (referentie-implementatie voor CKKS en BGV) en het Rust-gebaseerde TFHE-rs nemen een deel van die keuzes uit handen.
Die traagheid verklaart ook waarom de interessantste vooruitgang nu van hardware komt. Gespecialiseerde versnellers en GPU-implementaties moeten het gat met gewoon rekenwerk verkleinen; het jaarlijkse State of FHE-rapport van Zama noemt hardware-versnelling de grootste ontgrendeling voor bredere adoptie (Bron: Zama). Datzelfde Zama, een Frans cryptografiebedrijf, groeide in 2025 uit tot het eerste FHE-bedrijf met een miljardenwaardering, een teken dat investeerders de techniek serieus nemen.
Waar het als eerste gaat landen
De vuistregel voor de komende jaren: FHE landt waar de data het gevoeligst is en de berekening het kleinst. Drie plekken springen eruit.
Zorg. Ziekenhuizen willen graag modellen trainen op elkaars patiëntdata, en mogen of durven die data zelden te delen. Met homomorfe encryptie kan een gezamenlijke analyse draaien zonder dat één partij de ruwe gegevens van een ander ziet. Dat past in een bredere zoektocht naar AI die in de zorg écht werkt, waarover we eerder schreven in AI in de zorg: wat werkt er in 2026 echt.
Financiën. Fraudepatronen worden pas zichtbaar over banken heen, en juist daar zit het wantrouwen. Versleuteld zoeken naar afwijkingen in de cloud, zonder dat de cloudleverancier of de andere bank iets kan meelezen, is een van de use cases waar nu concreet aan wordt gebouwd.
Cloud-AI voor gevoelige werklasten. Wie nu z’n data niet aan een Amerikaanse cloud toevertrouwt, rekent lokaal of helemaal niet. FHE biedt een derde route: wel de rekenkracht van de cloud, zonder de inhoud af te geven. Het spiegelbeeld van de aanpak waarbij je het model juist naar je eigen apparaat haalt, zoals in AI in je browser, zonder server of, nog verder in die richting, zelf de hardware neerzetten voor een volledig lokaal topmodel.
Eén misverstand verdient een aparte alinea: homomorfe encryptie is geen ontsnapping aan de AVG. Zolang de data met een sleutel herleidbaar blijft tot een persoon, blijven het persoonsgegevens en blijven de regels gelden. Wat de techniek wél doet, is het risico verschuiven: de verwerkende server ziet niets, dus een hack of een nieuwsgierige beheerder levert geen leesbare data op. Voor organisaties die moeten kunnen aantonen hoe zorgvuldig ze met besluiten en data omgaan, sluit dat aan bij de verantwoordingsplicht die we beschreven in AI nam een besluit over jou.
Wat jij hiervan gaat merken
Eerlijk is eerlijk: als consument merk je er de komende jaren vooral níets van, en dat is precies de bedoeling. De foto-zoekfunctie op je iPhone voelt als elke andere functie; dat er cryptografisch zwaar geschut onder draait, zie je nergens. Zo zal het vaker gaan. Je zorgverzekeraar, je bank of je gemeente gaat op enig moment analyses draaien waar jouw data versleuteld doorheen loopt, en het enige wat jij merkt is een dienst die er eerder niet was.
Voor wie zelf bouwt ligt het anders. De gereedschapskist is er (OpenFHE, TFHE-rs, Concrete ML voor machine learning op versleutelde data), de documentatie groeit, en de eerste generatie ontwikkelaars die dit beheerst, is schaars. Een klein experiment — een versleutelde lookup, een simpel classificatiemodel op versleutelde invoer — is een haalbaar weekendproject en leert je meer dan tien whitepapers.
Beginner-tip:wil je alleen het concept onthouden, dan is dit de zin: homomorfe encryptie laat anderen rekenen op jouw geheimen zonder dat ze die geheimen kennen. Alles daaromheen is uitvoering.
De geschiedenis van deze techniek is er een van geduld: dertig jaar theorie, vijftien jaar optimalisatie, en nu de eerste massaproducten. De vraag is niet meer óf rekenen op versleutelde data praktisch wordt, alleen nog in welke volgorde de toepassingen komen.