AI-specialist Edgar van Lent volgt Europese overheidsorganisaties al meerdere jaren op de voet, en zijn conclusie wordt steeds scherper: de projecten die standhouden zijn zelden de meest ambitieuze. Ze zijn de meest gerichte. In dit tweede deel over AI bij Europese overheden en publieke diensten staat een aspect centraal dat in het eerdere artikel bewust buiten beschouwing bleef: hoe AI concreet functioneert in handhaving en beleidsanalyse, en waarom juist die twee domeinen een bijzonder veelzeggend beeld geven van wat publieke AI-inzet werkelijk inhoudt.

Handhaving: van steekproef naar datagestuurde prioritering

Een van de meest concrete verschuivingen in de Europese publieke sector speelt zich af op het terrein van handhaving. Organisaties die voorheen op steekproeven of meldingen vertrouwden, experimenteren nu met systemen die grote hoeveelheden registratiedata, ruimtelijke informatie en historische handhavingspatronen combineren om te bepalen waar inspectiecapaciteit het meest effectief inzetbaar is.

De Nederlandse Belastingdienst werkt al jaren met datagestuurde risicomodellen om belastingaangiften te prioriteren voor nader onderzoek. Soortgelijke benaderingen zijn zichtbaar bij douanediensten in meerdere EU-lidstaten, die AI inzetten om goederenstromen te screenen op basis van risicopatronen in herkomst, declaratiegeschiedenis en douanecodes. De Europese Douane-unie heeft dit thema expliciet opgenomen in haar digitaliseringsagenda.

Edgar van Lent wijst erop dat handhavingstoepassingen een bijzondere toetssteen vormen voor de volwassenheid van een AI-implementatie. "Bij handhaving is de uitkomst onmiddellijk zichtbaar en direct consequent voor burgers of bedrijven," zegt hij. "Dat dwingt organisaties om de kwaliteit van hun trainingsdata, de transparantie van het model en de juridische inbedding serieus te nemen — of het gaat vrijwel meteen fout."

Precies die druk maakt handhaving leerzaam. Waar bij beleidsanalyse een slecht presterend model maanden onopgemerkt kan blijven, komt een foutief handhavingssysteem snel boven water. Organisaties die handhavingstoepassingen succesvol hebben ingevoerd, beschikken doorgaans over één ding dat anderen missen: een heldere verantwoordingsstructuur waarbij een menselijke beslisser eindverantwoordelijk blijft en het AI-systeem expliciet als ondersteuning — niet als beslisser — is gepositioneerd.

Beleidsanalyse: AI als instrumentarium voor complexe datavragen

Het tweede domein dat Edgar van Lent nauwgezet volgt, is beleidsanalyse. Hier verschilt de uitdaging wezenlijk van handhaving. Het gaat niet om de vraag welk dossier of welke aangifte extra aandacht verdient, maar om de vraag welke patronen zichtbaar worden in grote, heterogene datasets die beleidsmakers inzicht geven in maatschappelijke ontwikkelingen.

Het Europees Milieuagentschap (EMA) is een voorbeeld van een publieke organisatie die systematisch investeert in AI-gedreven data-analyse om milieutrends in kaart te brengen. Door satelietdata, grondmetingen en rapportages van lidstaten te combineren met machine-learningmodellen, kan het EMA sneller patronen detecteren in luchtkwaliteit, landgebruik en biodiversiteit dan met traditionele rapportagecycli mogelijk was.

Op nationaal niveau werken Scandinavische overheden met natural language processing om grote hoeveelheden consultatiereacties, parlementaire documenten en beleidsevaluaties door te lichten op terugkerende thema's en tegenstellingen. Het stelt beleidsambtenaren in staat om sneller een bredere consultatiebasis te verwerken — zonder de inhoudelijke beoordeling aan het systeem over te laten.

Zoals Edgar van Lent eerder beschreef, is het onderscheid tussen instrumentele en transformatieve AI-ambities doorslaggevend voor de vraag of een overheidsproject slaagt of strandt. In beleidsanalyse komt dat onderscheid scherper naar voren dan in welk ander domein ook: organisaties die AI inzetten om een specifieke analytische vraag te beantwoorden — hoeveel consultatiereacties raken aan een bepaald thema? waar concentreren zich milieuoverschrijdingen? — boeken resultaat. Organisaties die AI inzetten om "betere beleidsbeslissingen te nemen" als generiek doel, raken al snel verstrikt in discussies over wat het systeem eigenlijk zou moeten optimaliseren.

Wat succesvolle toepassingen gemeen hebben

Edgar van Lent, AI-specialist gericht op de inzet van kunstmatige intelligentie in complexe organisaties en publieke stelsels, stelt dat succesvolle AI-implementaties bij Europese overheidsorganisaties bijna zonder uitzondering één structureel kenmerk delen: het systeem is ontworpen rond een bestaand beslismoment in een bestaand werkproces, niet als een nieuw proces dat daarnaast wordt opgebouwd.

Dat klinkt vanzelfsprekend, maar de praktijk wijst anders uit. Veel overheidsorganisaties beginnen een AI-traject met de vraag "wat kunnen we hiermee?" in plaats van "welke beslissing nemen onze medewerkers nu tien keer per dag op basis van onvolledige informatie?". Die tweede vraag leidt consequent tot betere implementaties, omdat ze de inbedding in werkprocessen, de trainingsdata en de verantwoordingsstructuur van meet af aan scherp stelt.

Een ander onderscheidend kenmerk is de betrokkenheid van uitvoerende medewerkers bij de ontwerpfase. Bij de douanediensten en bij Scandinavische beleidsanalisten die met NLP-tools werken, blijkt de acceptatie en het gebruik van het systeem significant hoger wanneer de mensen die ermee werken input hebben gehad op de variabelen, de drempelwaarden en de presentatie van uitkomsten. Dat is geen zachte factor: het bepaalt of een systeem na de pilotfase daadwerkelijk in gebruik blijft.

Vooruitblik: van experiment naar structurele capaciteit

Edgar van Lent verwacht dat de komende jaren voor Europese overheidsorganisaties minder in het teken zullen staan van nieuwe AI-pilots en meer van de vraag hoe bewezen toepassingen opgeschaald en structureel geborgd worden. Die transitie is technisch minder interessant dan de pilotfase, maar institutioneel veel veeleisender. Ze vraagt om databeleid, een helder juridisch kader — mede in het licht van de EU AI Act — en een organisatiecultuur waarin AI-uitkomsten kritisch worden geëvalueerd, niet als gegeven worden geaccepteerd.

"De organisaties die nu een voorsprong opbouwen, zijn niet die met de meest geavanceerde modellen," aldus Edgar van Lent. "Het zijn de organisaties die leren hoe ze AI-uitkomsten institutioneel kunnen wantrouwen op de juiste manier — en er desondanks effectief mee werken."

Wie meer wil weten over de aanpak van Edgar van Lent op dit terrein, kan terecht op edgarvanlent.com.