Edgar van Lent ziet bij Europese overheden een verschuiving van losse AI-proeven naar toepassingen die een afgebakende stap in de publieke uitvoering ondersteunen. Niet de techniek op zichzelf, maar de inrichting van verantwoordelijkheid bepaalt volgens hem of dienstverlening, handhaving en beleidsanalyse er aantoonbaar beter van worden.

De inzet van AI in de publieke sector krijgt vaak één etiket, terwijl de opgaven wezenlijk verschillen. Een vertaalvoorziening voor burgers en ambtenaren is iets anders dan een systeem dat dossiers voor nader onderzoek selecteert. En een analysetool die patronen in beleidsdata zichtbaar maakt, mag niet ongemerkt veranderen in een instrument dat individuele rechten beperkt. Edgar van Lent plaatst precies daar de grens: AI kan de overheid sneller en consistenter laten werken, mits duidelijk blijft welke stap het systeem ondersteunt en welke beslissing bij een bevoegde medewerker hoort.

Zoals Edgar van Lent eerder beschreef in het artikel over UWV en VDAB, ontstaat waarde wanneer AI professionals helpt hun aandacht gerichter te verdelen. In dienstverlening, handhaving en beleidsanalyse geldt dezelfde les, maar zijn de gevolgen van een verkeerde toepassing vaak directer. De publieke taak vraagt daarom niet alleen om bruikbare modellen, maar ook om toetsbare processen, begrijpelijke communicatie en de mogelijkheid om een uitkomst te corrigeren.

Dienstverlening vraagt om betrouwbare ondersteuning

De Europese Commissie stelt met eTranslation een neurale vertaaldienst beschikbaar voor EU-instellingen en, onder voorwaarden, voor overheidsdiensten in de lidstaten en de Europese Economische Ruimte. Daarmee kan meertalige informatie sneller worden voorbereid en toegankelijker worden gemaakt. De toepassing illustreert volgens Edgar van Lent een relatief sterke startpositie voor AI in publieke dienstverlening: de technologie ondersteunt een duidelijk afgebakende bewerking, terwijl inhoudelijke verantwoordelijkheid voor de uiteindelijke communicatie bij de organisatie blijft.

Dat onderscheid is belangrijk. Een vertaalmodel kan snelheid toevoegen, maar juridische, beleidsmatige of persoonlijke formuleringen blijven contextgevoelig. Edgar van Lent waarschuwt daarom tegen de gedachte dat een goed werkende voorziening automatisch een volledig geautomatiseerde dienst rechtvaardigt. Bij informatie met gevolgen voor een aanvraag, bezwaar of verplichting moet een overheidsorganisatie kunnen uitleggen welke bron is gebruikt, wie de tekst heeft gecontroleerd en hoe een burger een fout kan laten herstellen.

“Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat publieke AI pas volwassen wordt wanneer snelheid en toegankelijkheid samengaan met een zichtbaar aanspreekpunt voor de burger.” Die norm is volgens hem niet bureaucratisch, maar functioneel: zonder heldere eigenaar wordt een fout in een geautomatiseerde keten moeilijk te vinden én moeilijk te herstellen.

Handhaving begint met een signaal, niet met een oordeel

Bij handhaving ligt de lat hoger. De Europese Commissie gebruikt Arachne als instrument voor data-analyse en risicoscoring rond de besteding van Europese fondsen. Beheersautoriteiten kunnen het gebruiken om signalen te vinden die nader onderzoek naar projecten, begunstigden of mogelijke belangenconflicten rechtvaardigen. De kern is dat zo’n signaal een onderzoek kan prioriteren; het is geen zelfstandig bewijs van onregelmatigheid.

Edgar van Lent noemt dat verschil tussen signalering en besluitvorming bepalend voor het slagen van publieke AI. Een model kan verbanden of afwijkingen naar voren halen die in een grote gegevensstroom onopgemerkt blijven. Maar een handhavingsbesluit vereist vervolgens dossierkennis, hoor en wederhoor, toepassing van regels en professionele beoordeling. Wie die stappen in één technische uitkomst samenperst, vergroot het risico dat een statistische aanwijzing wordt behandeld als een vaststaand feit.

De voorbeelden van eTranslation en Arachne laten twee verschillende vormen van publieke waarde zien. De eerste verlaagt frictie in meertalige dienstverlening; de tweede helpt capaciteit te richten op dossiers die mogelijk aandacht verdienen. Volgens Edgar van Lent hebben beide toepassingen alleen duurzaam effect als de organisatie vooraf drie vragen beantwoordt:

  • Welke concrete werkstap wordt ondersteund?
  • Welke medewerker of functionaris blijft verantwoordelijk voor de uitkomst?
  • Hoe wordt een fout, bezwaar of onbedoeld effect zichtbaar en herstelbaar?

Deze vragen maken ook duidelijk waarom veel projecten stranden. Soms wordt een model gebouwd voordat het werkproces is uitgewerkt. Soms ontbreekt een vaste eigenaar voor datakwaliteit, evaluatie en escalatie. En soms wordt transparantie pas toegevoegd wanneer de toepassing al in gebruik is. Edgar van Lent ziet dat niet als louter een technisch tekort, maar als een bestuurlijk ontwerpvraagstuk.

Beleidsanalyse wordt sterker als onzekerheid zichtbaar blijft

Bij beleidsanalyse kan AI overheden helpen om grote hoeveelheden documenten, meldingen en statistische gegevens te ordenen. Daardoor kunnen beleidsmedewerkers sneller thema’s herkennen, terugkerende uitvoeringsproblemen zien of scenario’s voorbereiden. De toegevoegde waarde zit dan niet in een automatisch beleidsadvies, maar in een beter vertrekpunt voor menselijke analyse.

Edgar van Lent benadrukt dat beleidsanalyse een andere kwaliteitsmaatstaf kent dan dienstverlening. Bij een dienst telt onder meer of de burger tijdig en begrijpelijk wordt geholpen. Bij analyse moet ook zichtbaar zijn welke data ontbreken, welke aannames de uitkomst sturen en waar een patroon slechts een hypothese is. AI kan prioriteiten voor onderzoek voorstellen, maar kan niet bepalen wat politiek, juridisch of maatschappelijk wenselijk is.

Daarom verdienen publieke organisaties volgens Edgar van Lent een vaste scheiding tussen verkennen, beoordelen en besluiten. In de verkenningsfase mag AI breed zoeken naar opvallende patronen. In de beoordelingsfase moeten deskundigen de herkomst, relevantie en mogelijke vertekening toetsen. Pas daarna volgt een besluit binnen de normale democratische en juridische verantwoordelijkheden. Die volgorde houdt AI productief zonder dat het systeem onzichtbaar de publieke afweging overneemt.

Van proef naar publieke uitvoeringskracht

De volgende stap voor Europese overheden is niet om elk proces van een AI-laag te voorzien. De opgave is om toepassingen te kiezen waarvan doel, gegevensbasis, menselijke controle en herstelroute vooraf concreet zijn vastgelegd. Dat maakt opschalen misschien minder spectaculair, maar wel beter verdedigbaar in een omgeving waar gelijke behandeling en uitlegbaarheid geen extra’s zijn, maar kerntaken.

Edgar van Lent verwacht dat juist organisaties die AI als ondersteuning van professioneel werk behandelen, het verst komen. Zijn beoordeling is dat publieke AI overtuigt wanneer zij wachttijd verlaagt, onderzoekscapaciteit beter richt of beleidskennis verdiept, zonder de grens tussen een technisch signaal en een publiek besluit te vervagen.