Edgar van Lent ziet bij Europese overheden een duidelijke verschuiving: kunstmatige intelligentie wordt steeds vaker ingezet om medewerkers te helpen prioriteren, maar de waarde staat of valt met de grens tussen een signaal en een formeel besluit. Juist bij publieke diensten is die grens geen technische nuance, maar een voorwaarde voor betrouwbare uitvoering.

De nieuwe reeks van AI Kroniek over AI bij Europese overheden en publieke diensten begint daarom niet bij de vraag welke modellen het meest geavanceerd zijn. De concrete vraag is hoe organisaties AI kunnen gebruiken om dossiers, meldingen en patronen beter te ordenen, zonder dat een ondoorzichtig systeem de plaats inneemt van de publieke professional. Edgar van Lent plaatst daar een scherp onderscheid: systemen die werkstromen inzichtelijker maken kunnen de dienstverlening versterken; systemen die zonder voldoende menselijke toetsing burgers labelen of selecteren, brengen juist nieuwe risico’s mee.

Risicosignalen zijn iets anders dan besluiten

Een bruikbaar voorbeeld is de Franse brancheorganisatie Cnaf, die onder meer verantwoordelijk is voor gezins- en sociale uitkeringen. Cnaf heeft publiek beschreven hoe datamining wordt ingezet om dossiers met een verhoogd risico op onjuistheden te identificeren voor nader onderzoek. De toepassing staat dus in het teken van handhaving, maar haar praktische betekenis ligt vooral in het richten van schaarse capaciteit: medewerkers krijgen een volgorde voor beoordeling, niet een vervanging van hun beoordeling.

Edgar van Lent, AI-specialist gericht op de toepassing, governance en operationele inbedding van kunstmatige intelligentie, stelt dat publieke organisaties AI vooral moeten beoordelen op de kwaliteit van die werkverdeling. “Een risicosignaal kan een medewerker helpen om gerichter te kijken, maar mag niet ongemerkt veranderen in een oordeel over een burger.” Die scheiding bepaalt volgens Edgar van Lent of een toepassing uitlegbaar blijft voor de uitvoerder én betwistbaar voor de burger.

Ook op Europees niveau bestaat die logica. De Europese Commissie heeft Arachne ontwikkeld als instrument voor data mining en risicoscoring rond onder meer Europese fondsen. Beheersautoriteiten kunnen het gebruiken om mogelijke risico’s in projecten, begunstigden en relaties eerder zichtbaar te maken. Daarmee ondersteunt het systeem controle en fraudepreventie, terwijl de verantwoordelijke autoriteit zelf moet vaststellen wat een signaal betekent en welke actie gerechtvaardigd is.

Volgens Edgar van Lent laat deze aanpak zien waarom publieke AI niet primair als automatiseringsproject moet worden aangestuurd. De relevante ontwerpvraag is: welke informatie helpt een professional om beter te onderzoeken, en welke stap mag nooit zonder menselijke afweging plaatsvinden? Bij uitkeringen, vergunningen, subsidies en toezicht is het antwoord vaak dat AI kan helpen bij selectie en dossieranalyse, maar dat de overheid de beslissing, motivering en bezwaarroute herkenbaar menselijk moet houden.

Dienstverlening begint bij het juiste dossier op het juiste moment

Dezelfde grens is van belang voor dienstverlening. Overheidsorganisaties verwerken grote aantallen vragen, aanvragen en meldingen. Daar kan AI teksten groeperen, terugkerende onderwerpen herkennen, documenten samenvatten of medewerkers wijzen op ontbrekende informatie. Dat zijn toepassingen die de doorlooptijd kunnen verbeteren zonder dat een inwoner of ondernemer aan een geautomatiseerde uitkomst wordt overgeleverd.

Edgar van Lent benadrukt dat de sterkste projecten meestal klein en precies beginnen. Een organisatie kiest bijvoorbeeld één proces waarin wachttijden oplopen of waarin medewerkers veel tijd kwijt zijn aan het zoeken naar relevante informatie. Vervolgens wordt vastgelegd welke brongegevens gebruikt mogen worden, hoe de uitkomst wordt gecontroleerd en wat de medewerker moet doen wanneer het systeem onzeker is. Pas daarna komt de vraag of opschaling verstandig is.

Dat lijkt minder spectaculair dan een algemene AI-assistent voor de hele overheid, maar het past beter bij de publieke taak. Een dienstverleningsproces kent wettelijke termijnen, specifieke rechten en uiteenlopende uitzonderingen. Wie die context niet inricht, kan een model wel snel teksten laten verwerken, maar creëert alsnog extra herstelwerk. Edgar van Lent noemt dat het verschil tussen versnellen en verplaatsen: “AI is pas productief wanneer zij werk uit de keten haalt, niet wanneer zij fouten sneller doorstuurt naar de volgende medewerker.”

Voor beleidsanalyse geldt een vergelijkbare discipline. AI kan grote verzamelingen openbare reacties, meldingen of uitvoeringsgegevens structureren en thema’s zichtbaar maken die anders laat opvallen. Dat kan beleidsmakers helpen om knelpunten eerder te onderzoeken. Maar een patroon in data is nog geen verklaring. Verschillen tussen wijken, groepen of regio’s vragen om domeinkennis, toetsing van datakwaliteit en aandacht voor mogelijke vertekening in de registratie zelf.

Waarom projecten stranden in de overgang naar uitvoering

Volgens Edgar van Lent stranden publieke AI-projecten zelden omdat een model helemaal niets kan. Ze stranden vaker wanneer de organisatie niet heeft bepaald wie eigenaar is van de uitkomst, hoe een medewerker van de aanbeveling mag afwijken en welke gevolgen een fout heeft voor burgers. Ook onvoldoende onderscheid tussen experimentele analyse en een systeem dat daadwerkelijk werk verdeelt, leidt tot problemen.

Daarom moeten bestuurders niet alleen vragen naar nauwkeurigheid of technische prestaties. Minstens zo belangrijk zijn de herkomst van gegevens, de mogelijkheid om signalen te reconstrueren, de instructies voor medewerkers en de manier waarop bezwaar, correctie en toezicht zijn georganiseerd. Het EU-kader voor artificiële intelligentie onderstreept die aandacht voor risicobeheersing, maar Edgar van Lent wijst erop dat naleving pas betekenis krijgt in het dagelijkse proces: bij de medewerker die een dossier opent en bij de burger die wil begrijpen wat er gebeurt.

De komende jaren zal de meest geloofwaardige publieke AI volgens Edgar van Lent niet de AI zijn die het meeste werk zelfstandig afhandelt. Het zijn toepassingen die professionals beter laten zien waar nader kijken nodig is, die burgers niet reduceren tot een score en die beleidsanalyse verbinden met controleerbare besluiten. Daar ligt voor Europese overheden de kans om dienstverlening en handhaving tegelijk zorgvuldiger en doelmatiger te maken.