Tax & Technology
Tilburg University — TiU
Open-Book Tentamensamenvating
VAK: Tax & Technology TiU (695526-M-6) · 6 EC · Semester 2
DOCENTEN: Prof. dr. A.H. Bomer · R. Lucas MSc · L. Lipiński LLM
TENTAMEN: Donderdag 11 juni 2026 · 13:00–16:00 · Open-book (alleen Canvas-materiaal)
VERBODEN: Internet · LLM's (ChatGPT e.d.) · Google Translate · USB-stick
OMVAT: 7 Dagen: AI · Bias · XAI · ADM · TOM · AVG · Handvest · AI-Act · ML · LLM's · Agenten · Blockchain
Gegenereerd door Perplexity Computer · Juni 2026 | Alle materialen afkomstig van de cursus Canvas
Tax & Technology TiU — Open-Book Tentamensamenvating Pagina 1
, Inhoudsopgave
Tentamenoverzicht & Tips
Dag 1 — AI-Fundamenten & Betrouwbare AI
– Big Data-proces
– Bias (Statistisch vs. Juridisch)
– XAI & Afweging
– ADM
– Profilering
Dag 2 — Belasting Operating Model
– TOM-componenten
– Belastingrisicobeheer
– TCF-volwassenheid
– Vijf trends
Dag 3 — Juridisch Beschermingskader
– Selectiegereedschappen
– AVG verdieping
– Handvest
– EU-beginselen
– Nationale rechtspraak (SyRI, HR)
– AI-Act classificatie
Dag 4 — Machine Learning & Deep Learning
– Traditioneel vs. ML
– Supervised ML
– Modelprestatiecijfers
– BTW-nalevingscasus
– Modelrisico's & SHAP
Dag 5 — Grote Taalmodellen
– LLM-architectuur (Aandacht / Transformers)
– Beperkingen
– Belasting Toepassingsscenario's
– Generatieve AI voor Belasting (Alarie 2024)
Dag 6 — AI-Agenten & Juridische Bescherming
– Wat is een agent?
– Belastingagentpijplijn (DAC6-casus)
– LLM's in de praktijk: Betrouwbaarheid, Vertrouwelijkheid, Aansprakelijkheid
– Motiveringsplicht — Nationale & EU-regels
Dag 7 — Blockchain
– Kerntechnologieën
– Blockchaintypen
– Smart Contracts
– Carrouselfraude
– Blockchain vs. Alternatieven
Kernliteratuursamenvatting
– Wachter e.a. — Geen recht op uitleg in de AVG
– Lipton — Interpreteerbaarheid van ML
– Alarie — Generatieve AI voor Belasting
– Fatz e.a. — Blockchain & Belastingnaleving
Volledig Alfabetisch Begrippenlijst
Tax & Technology TiU — Open-Book Tentamensamenvating Pagina 2
, TENTAMENOVERZICHT & STUDIETIPS
Datum & Tijd Donderdag 11 juni 2026 · 13:00–16:00
Formaat Schriftelijk tentamen op computer aan de Tilburg University
Open-bookregel Alleen materialen gepubliceerd op Canvas; geen USB-stick
Taal Nederlands of Engels toegestaan
Verboden Internet, LLM's (inclusief ChatGPT), Google Translate
Toegestaan Blanco kladpapier en pennen
Beoordeling Tentamencijfer (max. 10) + optioneel 0,5 punt via participatiesysteem
Wat wordt getoetst Technologiebegrip · Juridische aspecten · Risico's & kansen · Technologische oplossingen
voor belastingproblemen
Tentamenstrategietips
• Wees beknopt maar geef altijd onderbouwende argumenten — vermeld niet slechts conclusies.
• Verbind technologieconcepten aan juridische bescherming (AVG, Handvest, AI-Act) — dit is een kernthema.
• Maak duidelijk onderscheid tussen statistische bias en juridische bias — de cursus benadrukt dit herhaaldelijk.
• Ken de driedelige structuur: Big Data-proces → Fricties → Juridisch beschermingskader.
• Voor ADM-vragen: controleer altijd (1) is het volledig geautomatiseerd? (2) heeft het juridische gevolgen? (3) bestaat
er een nationale uitzondering?
• Classificatie onder de AI-Act in belastingzaken is bewust ambigu — het tentamen toetst waarschijnlijk of je beide
kanten kunt beargumenteren (hoog risico vs. overweging 59-uitsluiting).
• Voor blockchainvragen: vraag altijd: 'Heb ik alle drie de technologieën nodig (P2P + cryptografie + hashing)?' Als een
gedeelde database volstaat, is blockchain niet nodig.
• LLM-vragen zullen waarschijnlijk gaan over hallucinaties, vertrouwelijkheid (Samsung) en de zaak-Schwartz/LoDuca.
Centrale tentamenthema's (terugkerend in alle dagen)
Thema Kernbegrip
Bias Statistisch ≠ Juridisch; juridische bias → modelafwijzing; statistische bias → soms
aanvaardbaar
Uitlegbaarheid (XAI) Afweging nauwkeurigheid vs. uitlegbaarheid; transparantie + post-hoc interpreteerbaarheid
ADM Uitsluitend geautomatiseerd + juridische/significante gevolgen → AVG Art. 22; menselijke
betrokkenheid doorbreekt de keten
Profilering AVG Art. 4(4); verzamelen persoonsgegevens + geautomatiseerde verwerking om iemand in
een groep te plaatsen
Gaten in juridische AVG (alleen persoonsgegevens) + Handvest (EU-rechtsbereik) + nationaal recht →
bescherming gefragmenteerd
Menselijk toezicht Vereist in alle fasen; 'trolleyprobleem' van verantwoordelijkheid; data-geletterdheid essentieel
AI-Act in belasting Niet duidelijk hoog risico (Overweging 59); waarschijnlijk beperkt risico —
transparantieverplichtingen gelden
Tax & Technology TiU — Open-Book Tentamensamenvating Pagina 3
, AI-Fundamenten & Betrouwbare AI
1.1 Big Data-proces
Drie opeenvolgende fasen sturen het gebruik van technologie in belastingzaken:
Fase Inhoud Belangrijkste frictie
1. Ruwe belastinggegevens verzamelen van Privacy · Vertrouwelijkheid
Gegevensverzameling belastingplichtigen, ERP-systemen, derden
2. Analyse AI/ML toepassen om gegevens om te zetten in informatie en Rechtszekerheid · Proportionaliteit
patronen
3. Gebruik van Handelen naar resultaten: audits, aanslagen, handhaving Juridische bescherming (AVG,
gegevens Handvest, beginselen)
Tax & Technology I (VU) behandelt fasen 1 & 3. Tax & Technology II (TiU) richt zich op fase 2 (Analyse).
1.2 Bias — Statistisch vs. Juridisch
Statistische Bias Juridische Bias
Mate waarin een referentiewaarde afwijkt van de waarheid Beslissing die een individu ongunstiger behandelt dan
(ISO-norm) vergelijkbare personen vanwege een beschermd kenmerk
(ras, geslacht, enz.)
Kan in bepaalde omstandigheden aanvaardbaar zijn Nooit aanvaardbaar → model moet worden afgewezen
Kan worden getolereerd om juridische bias te voorkomen Gebaseerd op non-discriminatiebeginsel: gelijke behandeling
van gelijke gevallen tenzij objectief gerechtvaardigd (HvJ
117/76 Ruckdeschel)
Drie gevolgen van dit onderscheid:
• I. Het beste is beide vormen van bias te vermijden
• II. Juridische bias → model afwijzen (nultolerantie)
• III. Statistische bias kan aanvaardbaar zijn wanneer het elimineren ervan juridische bias zou introduceren (enige
tolerantie)
Vijf oorzaken van bias in de praktijk (top 5):
• A. Trainingsdata
– Labelfouten (wat geldt na 3x als fraude vs. 4x?)
– Hiaten in dataverzameling (sommige groepen ondervertegenwoordigd, bijv. geen smartphone-gebruikers)
• B. Feature-selectie
– Onvoldoende of irrelevante kenmerken; bijv. gevolgde universiteit kan niet alle relevante eigenschappen bevatten
• C. Proxy's
– Gegevens sterk gecorreleerd met beschermde klassen: postcode → ras; aankoop cosmetica → geslacht; BSN →
verblijfsstatus
• D. Monitoring
– Onvoldoende scheiding tussen monitoringfunctie en algoritmeontwikkelaars
• E. Maskering
– Bewust verbergen van discriminatoire effecten via complexe proxy's (bijv. opzettelijke discriminatie bij woning- of
baanadvertenties)
Amazon-voorbeeld (FD 10 oktober 2018)
Tax & Technology TiU — Open-Book Tentamensamenvating Pagina 4
Tilburg University — TiU
Open-Book Tentamensamenvating
VAK: Tax & Technology TiU (695526-M-6) · 6 EC · Semester 2
DOCENTEN: Prof. dr. A.H. Bomer · R. Lucas MSc · L. Lipiński LLM
TENTAMEN: Donderdag 11 juni 2026 · 13:00–16:00 · Open-book (alleen Canvas-materiaal)
VERBODEN: Internet · LLM's (ChatGPT e.d.) · Google Translate · USB-stick
OMVAT: 7 Dagen: AI · Bias · XAI · ADM · TOM · AVG · Handvest · AI-Act · ML · LLM's · Agenten · Blockchain
Gegenereerd door Perplexity Computer · Juni 2026 | Alle materialen afkomstig van de cursus Canvas
Tax & Technology TiU — Open-Book Tentamensamenvating Pagina 1
, Inhoudsopgave
Tentamenoverzicht & Tips
Dag 1 — AI-Fundamenten & Betrouwbare AI
– Big Data-proces
– Bias (Statistisch vs. Juridisch)
– XAI & Afweging
– ADM
– Profilering
Dag 2 — Belasting Operating Model
– TOM-componenten
– Belastingrisicobeheer
– TCF-volwassenheid
– Vijf trends
Dag 3 — Juridisch Beschermingskader
– Selectiegereedschappen
– AVG verdieping
– Handvest
– EU-beginselen
– Nationale rechtspraak (SyRI, HR)
– AI-Act classificatie
Dag 4 — Machine Learning & Deep Learning
– Traditioneel vs. ML
– Supervised ML
– Modelprestatiecijfers
– BTW-nalevingscasus
– Modelrisico's & SHAP
Dag 5 — Grote Taalmodellen
– LLM-architectuur (Aandacht / Transformers)
– Beperkingen
– Belasting Toepassingsscenario's
– Generatieve AI voor Belasting (Alarie 2024)
Dag 6 — AI-Agenten & Juridische Bescherming
– Wat is een agent?
– Belastingagentpijplijn (DAC6-casus)
– LLM's in de praktijk: Betrouwbaarheid, Vertrouwelijkheid, Aansprakelijkheid
– Motiveringsplicht — Nationale & EU-regels
Dag 7 — Blockchain
– Kerntechnologieën
– Blockchaintypen
– Smart Contracts
– Carrouselfraude
– Blockchain vs. Alternatieven
Kernliteratuursamenvatting
– Wachter e.a. — Geen recht op uitleg in de AVG
– Lipton — Interpreteerbaarheid van ML
– Alarie — Generatieve AI voor Belasting
– Fatz e.a. — Blockchain & Belastingnaleving
Volledig Alfabetisch Begrippenlijst
Tax & Technology TiU — Open-Book Tentamensamenvating Pagina 2
, TENTAMENOVERZICHT & STUDIETIPS
Datum & Tijd Donderdag 11 juni 2026 · 13:00–16:00
Formaat Schriftelijk tentamen op computer aan de Tilburg University
Open-bookregel Alleen materialen gepubliceerd op Canvas; geen USB-stick
Taal Nederlands of Engels toegestaan
Verboden Internet, LLM's (inclusief ChatGPT), Google Translate
Toegestaan Blanco kladpapier en pennen
Beoordeling Tentamencijfer (max. 10) + optioneel 0,5 punt via participatiesysteem
Wat wordt getoetst Technologiebegrip · Juridische aspecten · Risico's & kansen · Technologische oplossingen
voor belastingproblemen
Tentamenstrategietips
• Wees beknopt maar geef altijd onderbouwende argumenten — vermeld niet slechts conclusies.
• Verbind technologieconcepten aan juridische bescherming (AVG, Handvest, AI-Act) — dit is een kernthema.
• Maak duidelijk onderscheid tussen statistische bias en juridische bias — de cursus benadrukt dit herhaaldelijk.
• Ken de driedelige structuur: Big Data-proces → Fricties → Juridisch beschermingskader.
• Voor ADM-vragen: controleer altijd (1) is het volledig geautomatiseerd? (2) heeft het juridische gevolgen? (3) bestaat
er een nationale uitzondering?
• Classificatie onder de AI-Act in belastingzaken is bewust ambigu — het tentamen toetst waarschijnlijk of je beide
kanten kunt beargumenteren (hoog risico vs. overweging 59-uitsluiting).
• Voor blockchainvragen: vraag altijd: 'Heb ik alle drie de technologieën nodig (P2P + cryptografie + hashing)?' Als een
gedeelde database volstaat, is blockchain niet nodig.
• LLM-vragen zullen waarschijnlijk gaan over hallucinaties, vertrouwelijkheid (Samsung) en de zaak-Schwartz/LoDuca.
Centrale tentamenthema's (terugkerend in alle dagen)
Thema Kernbegrip
Bias Statistisch ≠ Juridisch; juridische bias → modelafwijzing; statistische bias → soms
aanvaardbaar
Uitlegbaarheid (XAI) Afweging nauwkeurigheid vs. uitlegbaarheid; transparantie + post-hoc interpreteerbaarheid
ADM Uitsluitend geautomatiseerd + juridische/significante gevolgen → AVG Art. 22; menselijke
betrokkenheid doorbreekt de keten
Profilering AVG Art. 4(4); verzamelen persoonsgegevens + geautomatiseerde verwerking om iemand in
een groep te plaatsen
Gaten in juridische AVG (alleen persoonsgegevens) + Handvest (EU-rechtsbereik) + nationaal recht →
bescherming gefragmenteerd
Menselijk toezicht Vereist in alle fasen; 'trolleyprobleem' van verantwoordelijkheid; data-geletterdheid essentieel
AI-Act in belasting Niet duidelijk hoog risico (Overweging 59); waarschijnlijk beperkt risico —
transparantieverplichtingen gelden
Tax & Technology TiU — Open-Book Tentamensamenvating Pagina 3
, AI-Fundamenten & Betrouwbare AI
1.1 Big Data-proces
Drie opeenvolgende fasen sturen het gebruik van technologie in belastingzaken:
Fase Inhoud Belangrijkste frictie
1. Ruwe belastinggegevens verzamelen van Privacy · Vertrouwelijkheid
Gegevensverzameling belastingplichtigen, ERP-systemen, derden
2. Analyse AI/ML toepassen om gegevens om te zetten in informatie en Rechtszekerheid · Proportionaliteit
patronen
3. Gebruik van Handelen naar resultaten: audits, aanslagen, handhaving Juridische bescherming (AVG,
gegevens Handvest, beginselen)
Tax & Technology I (VU) behandelt fasen 1 & 3. Tax & Technology II (TiU) richt zich op fase 2 (Analyse).
1.2 Bias — Statistisch vs. Juridisch
Statistische Bias Juridische Bias
Mate waarin een referentiewaarde afwijkt van de waarheid Beslissing die een individu ongunstiger behandelt dan
(ISO-norm) vergelijkbare personen vanwege een beschermd kenmerk
(ras, geslacht, enz.)
Kan in bepaalde omstandigheden aanvaardbaar zijn Nooit aanvaardbaar → model moet worden afgewezen
Kan worden getolereerd om juridische bias te voorkomen Gebaseerd op non-discriminatiebeginsel: gelijke behandeling
van gelijke gevallen tenzij objectief gerechtvaardigd (HvJ
117/76 Ruckdeschel)
Drie gevolgen van dit onderscheid:
• I. Het beste is beide vormen van bias te vermijden
• II. Juridische bias → model afwijzen (nultolerantie)
• III. Statistische bias kan aanvaardbaar zijn wanneer het elimineren ervan juridische bias zou introduceren (enige
tolerantie)
Vijf oorzaken van bias in de praktijk (top 5):
• A. Trainingsdata
– Labelfouten (wat geldt na 3x als fraude vs. 4x?)
– Hiaten in dataverzameling (sommige groepen ondervertegenwoordigd, bijv. geen smartphone-gebruikers)
• B. Feature-selectie
– Onvoldoende of irrelevante kenmerken; bijv. gevolgde universiteit kan niet alle relevante eigenschappen bevatten
• C. Proxy's
– Gegevens sterk gecorreleerd met beschermde klassen: postcode → ras; aankoop cosmetica → geslacht; BSN →
verblijfsstatus
• D. Monitoring
– Onvoldoende scheiding tussen monitoringfunctie en algoritmeontwikkelaars
• E. Maskering
– Bewust verbergen van discriminatoire effecten via complexe proxy's (bijv. opzettelijke discriminatie bij woning- of
baanadvertenties)
Amazon-voorbeeld (FD 10 oktober 2018)
Tax & Technology TiU — Open-Book Tentamensamenvating Pagina 4
