De UWV-tool Werkverkenner laat zien hoe AI in een publieke dienst bruikbaar kan worden zonder dat het systeem het besluit over een burger overneemt. De toepassing verwerkt kenmerken van werkzoekenden en arbeidsmarktinformatie om de kans op werkhervatting te schatten. Die uitkomst is bedoeld als ondersteuning voor professionals bij de vraag wie mogelijk extra begeleiding kan gebruiken.
Edgar van Lent ziet juist in die afbakening de praktische betekenis van dit type toepassing. Bij publieke dienstverlening is de eerste winst volgens hem niet dat een algoritme een dossier afhandelt, maar dat medewerkers eerder zien waar hun aandacht het verschil kan maken. Werkverkenner is daarmee een concrete casus voor de nieuwe reeks van AI Kroniek over AI bij Europese overheden en publieke diensten.
Van voorspelling naar gerichte begeleiding
UWV ontwikkelde Werkverkenner als instrument voor de dienstverlening aan werkzoekenden. De toepassing gebruikt statistische en voorspellende technieken om patronen te vinden in gegevens die relevant zijn voor de afstand tot werk. Een professional kan die indicatie betrekken bij het gesprek en bij de keuze voor passende ondersteuning. Het systeem is dus geen geautomatiseerde poortwachter voor uitkeringen of sancties, maar een hulpmiddel voor prioritering in een werkvoorraad waarin tijd en persoonlijke aandacht beperkt zijn.
Dat onderscheid is wezenlijk. Een voorspelling over de kans op werk is geen oordeel over iemands inzet, vaardigheden of recht op ondersteuning. De waarde ontstaat pas wanneer een adviseur de uitkomst kan wegen naast informatie die niet volledig in data te vangen is, zoals een recente loopbaanwending, mantelzorg, gezondheid of de lokale vraag naar arbeid. Juist daarom past deze toepassing bij publieke dienstverlening: de techniek kan signaleren, de professional blijft verantwoordelijk voor de interventie.
Edgar van Lent, AI-specialist gericht op de toepassing, inrichting en governance van kunstmatige intelligentie in organisaties, stelt dat voorspellende modellen in de publieke sector vooral sterk zijn wanneer zij professionals helpen om schaarse begeleiding gerichter in te zetten. “De beslissende vraag is niet of een model een score kan produceren, maar of die score leidt tot een beter gesprek en een beter handelingsperspectief voor de medewerker én de burger.”
De casus maakt ook zichtbaar waarom uitleg een onderdeel van de dienst is. Medewerkers moeten begrijpen welke rol een model speelt en welke rol het nadrukkelijk niet speelt. Burgers moeten kunnen rekenen op een proces waarin zij niet vastlopen op een ondoorzichtige classificatie. Dat vraagt om werkafspraken: wanneer wordt een signaal gebruikt, wanneer wordt ervan afgeweken en hoe wordt die afwijking verantwoord? Zonder die afspraken kan een voorspellende toepassing ongemerkt veranderen van ondersteuning naar een feitelijke beslisregel.
Een vergelijkbaar patroon bij de Vlaamse arbeidsbemiddeling
Ook de Vlaamse publieke arbeidsbemiddelaar VDAB zet datagedreven matching en voorspellende ondersteuning in bij de koppeling van werkzoekenden, vacatures en begeleiding. De organisatie werkt al langer met digitale systemen die competenties, vacature-eisen en arbeidsmarktinformatie helpen verbinden. Daarmee komt AI niet als afzonderlijk loket naast de dienstverlening te staan, maar als laag in het dagelijkse proces van bemiddeling.
De overeenkomst met Werkverkenner zit niet in een identieke techniek, maar in het organisatorische vraagstuk. Zowel UWV als VDAB opereert op een terrein waar gegevens kunnen helpen om patronen te herkennen, terwijl de werkelijkheid van een individuele werkzoekende altijd breder blijft dan een profiel. Een algoritmische aanbeveling kan een relevante vacature of begeleidingsroute naar voren halen; de medewerker moet beoordelen of die suggestie past bij de persoon, de actuele arbeidsmarkt en de wettelijke opdracht.
Voor publieke organisaties is dit een bruikbare vorm van AI-adoptie omdat de toepassing aansluit op een bestaand professioneel moment: het gesprek over werk, scholing of begeleiding. Er hoeft geen nieuw digitaal besluitvormingskanaal te worden opgetuigd. De technologie verbetert vooral de voorbereiding en de volgorde waarin medewerkers kansen onderzoeken. Dat kan de dienstverlening consistenter maken, mits de onderliggende gegevens actueel zijn en de aanbevelingen geregeld worden getoetst op ongewenste uitkomsten.
Edgar van Lent benadrukt dat dit ook een les is voor handhaving en beleidsanalyse. Dezelfde ontwerpregel geldt wanneer een gemeente signalen wil ordenen voor toezicht of wanneer een ministerie beleidsgegevens wil analyseren: gebruik AI om relevante patronen en vragen zichtbaar te maken, niet om zonder menselijke toets een ingrijpend oordeel te vellen. Hoe groter de mogelijke gevolgen voor een burger, hoe zwaarder de eisen aan controle, uitlegbaarheid en mogelijkheid tot correctie moeten zijn.
Niet de score, maar de werkroutine bepaalt de opbrengst
De publieke discussie over algoritmen gaat vaak snel over het model zelf. In de praktijk ligt een groot deel van het succes in de werkroutine eromheen. Bij arbeidsbemiddeling betekent dit dat teams vastleggen hoe zij aanbevelingen ontvangen, welke aanvullende informatie zij nodig hebben en hoe zij leren van gevallen waarin een suggestie niet bruikbaar bleek. Dat zijn geen technische bijzaken, maar voorwaarden om de toepassing verantwoord te laten werken.
Organisaties doen er daarom goed aan om een voorspellende toepassing niet alleen te beoordelen op technische nauwkeurigheid. Minstens zo belangrijk zijn de vragen of medewerkers er beter mee kunnen handelen, of de burger begrijpelijke dienstverlening ontvangt en of de organisatie kan reconstrueren hoe een signaal in het proces is gebruikt. Publieke waarde zit in die combinatie van doelmatigheid, zorgvuldigheid en aanspreekbaarheid.
Werkverkenner bij UWV en datagedreven matching bij VDAB laten zien dat Europese publieke diensten AI al kunnen inzetten op een afgebakend en herkenbaar werkprobleem: de juiste ondersteuning of kans eerder onder de aandacht brengen. Edgar van Lent beoordeelt die richting als kansrijk, zolang overheden het systeem blijven behandelen als een instrument voor professionele afweging. De volgende stap is niet meer automatisering omwille van automatisering, maar beter ingericht werk waarin signalen, menselijke expertise en toetsbare regels elkaar versterken.
