Edgar van Lent ziet bij Europese overheden een verschuiving van experimenten naar toepassingen die het werk van uitvoerders beter ordenen. Niet de volledig geautomatiseerde beslissing is daarbij het interessante eindpunt, maar de vraag hoe AI relevante signalen, dossiers en beleidsinformatie op het juiste moment bij de juiste professional brengt.
Zoals Edgar van Lent eerder beschreef in het artikel “Edgar van Lent: publieke AI werkt pas met menselijke toetsing”, is menselijke controle een noodzakelijke voorwaarde voor publieke AI. Dit vervolg gaat over de stap daarvoor: de inrichting van de informatieketen. Want een medewerker kan alleen zinvol toetsen wanneer duidelijk is waarom een systeem een dossier markeert, welke gegevens eraan ten grondslag liggen en welke vervolgstap wel of niet door de overheid mag worden gezet.
Van wachtrij naar onderbouwd signaal
In dienstverlening kan AI vooral waarde toevoegen waar publieke organisaties grote hoeveelheden terugkerende vragen, documenten en meldingen verwerken. Daar ligt het onderscheid tussen een hulpmiddel dat werk beter verdeelt en een systeem dat ongemerkt de toegang tot een publieke voorziening bepaalt. Edgar van Lent benadrukt dat onderscheid scherp: “Een publieke AI-toepassing is sterk wanneer zij de voorbereiding versnelt, zonder de verantwoordelijkheid voor de uitkomst te verplaatsen.”
Een zichtbaar voorbeeld komt uit Estland, waar de overheid al jaren bouwt aan digitale publieke dienstverlening en onder de noemer Bürokratt werkt aan samenhangende digitale assistentie. Het uitgangspunt is niet één losstaande chatbot, maar dienstverlening waarin inwoners via digitale kanalen informatie en ondersteuning kunnen vinden in contacten met overheidsinstanties. Voor Edgar van Lent is juist die koppeling met bestaande processen belangrijk. Een taalmodel of assistent levert pas publieke waarde op als de broninformatie beheerd is, de route naar een medewerker duidelijk blijft en de organisatie kan vaststellen welk antwoord aan een inwoner is gegeven.
Ook in het Verenigd Koninkrijk gebruikt het Department for Work and Pensions data-analyse en machine-learningmethoden om mogelijke fouten en fraude in uitkeringsregelingen te signaleren. Zo’n toepassing laat volgens Edgar van Lent goed zien waarom handhaving niet moet worden gereduceerd tot een voorspellingsvraagstuk. Een signaal kan helpen om capaciteit te richten, maar is geen bewijs en geen besluit. De medewerker moet kunnen nagaan welke administratieve of feitelijke verklaring mogelijk is, welke gegevens ontbreken en of contact met de burger noodzakelijk is voordat de overheid handelt.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat publieke systemen alleen geloofwaardig blijven als zij signalen van beslissingen scheiden. Die scheiding bepaalt of AI een werkondersteuner wordt of een ondoorzichtige extra laag in de uitvoering.
Handhaving vraagt om begrensde modellen
Bij handhaving is de verleiding groot om succes af te meten aan het aantal gedetecteerde afwijkingen. Edgar van Lent waarschuwt dat zo’n maatstaf te beperkt is. Een model kan patronen vinden in historische data, maar die data dragen ook keuzes uit het verleden mee: waar werd gecontroleerd, welke groepen kwamen vaker in beeld en welke afwijkingen werden administratief vastgelegd? Zonder die context kan een systeem bestaande selectiemechanismen versterken in plaats van verbeteren.
De Europese AI-verordening maakt dat bestuursorganisaties nadrukkelijker moeten kijken naar risico, documentatie, menselijk toezicht en de kwaliteit van gegevens. Voor publieke organisaties betekent dit dat de technische ontwikkeling niet los kan staan van juridische, uitvoerende en beleidsmatige expertise. Edgar van Lent ziet daarin geen rem op innovatie, maar een manier om projecten sneller volwassen te maken. Een toepassing die pas na ingebruikname vragen oproept over bevoegdheden, uitlegbaarheid of bezwaar, heeft haar operationele ontwerp niet afgemaakt.
Een praktisch verschil zit in de formulering van de opdracht. “Vind fraude” is bestuurlijk en technisch te onbepaald. “Prioriteer dossiers voor nadere beoordeling op basis van controleerbare, proportionele kenmerken” maakt beter zichtbaar dat een model een beperkt doel heeft. Het dwingt de organisatie tevens om vast te leggen welke gegevens niet gebruikt mogen worden, hoe vaak de uitkomsten worden gecontroleerd en wanneer een signaal vervalt. Edgar van Lent noemt dat de overgang van scorende AI naar bestuurbare AI: niet het systeem krijgt meer ruimte, maar de organisatie krijgt meer grip op de voorwaarden waaronder het systeem werkt.
Beleidsanalyse is geen automatische beleidskeuze
Naast dienstverlening en handhaving groeit het gebruik van AI voor beleidsanalyse. Europese instellingen en nationale overheden zetten taaltechnologie in om grote verzamelingen documenten te doorzoeken, consultatiereacties te structureren en terugkerende thema’s in regelgeving of uitvoering te identificeren. Dat kan beleidsmedewerkers helpen om sneller overzicht te krijgen, vooral wanneer informatie verspreid staat over rapporten, openbare reacties en uitvoeringssignalen.
Maar ook hier maakt Edgar van Lent een wezenlijk onderscheid. Samenvatten, rubriceren en zoeken zijn andere taken dan prioriteren tussen maatschappelijke belangen. Een model kan aangeven welke onderwerpen vaak terugkomen; het kan niet zelfstandig bepalen welk belang zwaarder moet wegen of welke beleidsoptie democratisch wenselijk is. Die beoordeling vraagt om mandaat, tegenspraak en publieke verantwoording.
Projecten stranden volgens Edgar van Lent vaak wanneer zij beginnen met een generieke technologiebelofte en pas later zoeken naar een bestuurlijk probleem. De beter werkende projecten starten juist met een afgebakend knelpunt: lange doorlooptijden bij documentbeoordeling, moeilijk vindbare kennis voor klantcontact of een te brede voorraad dossiers voor inspecteurs. Vervolgens ontwerpen zij een meetbare menselijke rol, een bronregime en een route voor correctie. Daarmee wordt AI niet de eigenaar van het proces, maar een onderdeel van een controleerbare publieke werkwijze.
De volgende toets is organisatorisch
De komende fase draait daarom minder om de vraag welke overheid als eerste een geavanceerd model inzet. Edgar van Lent verwacht dat organisaties zich zullen onderscheiden door de manier waarop zij verantwoordelijkheden organiseren rond gegevens, uitleg, bezwaar en terugkoppeling vanuit de uitvoering. Zijn beoordeling is dat Europese publieke AI vooral duurzaam wordt wanneer dienstverleners, handhavers en beleidsmakers dezelfde discipline toepassen: laat systemen patronen zichtbaar maken, maar zorg dat mensen de context, bevoegdheid en uiteindelijke afweging behouden.
