De inzet van AI bij handhaving begint niet met een chatbot, maar met de selectie van dossiers die menselijke aandacht verdienen. Het risicoscoresysteem Arachne van de Europese Commissie ondersteunt beheersautoriteiten die Europese fondsen uitvoeren bij het signaleren van mogelijke belangenconflicten, fraude en onregelmatigheden. Het systeem brengt gegevens uit uiteenlopende bronnen samen en helpt organisaties om controles gerichter voor te bereiden.

Voor publieke diensten is dat een relevante toepassing, omdat capaciteit voor toezicht en controle per definitie schaars is. Edgar van Lent ziet hierin een nuchter uitgangspunt voor AI in de overheid: niet het automatiseren van een besluit over een burger of onderneming, maar het beter onderbouwen van de volgorde waarin medewerkers dossiers onderzoeken. De waarde zit volgens hem in het zichtbaar maken van patronen die in losse registraties minder snel opvallen.

Risicosignalering rond Europese middelen

Arachne is ontwikkeld als instrument voor risicoscoring bij de uitvoering van Europese structuur- en investeringsfondsen. Beheersautoriteiten en andere betrokken instanties kunnen het gebruiken om projecten, begunstigden en relaties te analyseren op signalen die nader onderzoek kunnen rechtvaardigen. De toepassing is daarmee geen vervanging van een controleur en ook geen systeem dat zelfstandig vaststelt dat sprake is van fraude. Zij ondersteunt de voorbereiding van een menselijke beoordeling.

Dat onderscheid is essentieel. Overheidsorganisaties werken met publieke middelen, maar hun signalen kunnen betrekking hebben op bedrijven, instellingen en personen die recht hebben op een zorgvuldige behandeling. Een score is hooguit een aanleiding om documenten, eigendomsrelaties of eerdere projectgegevens nader te bekijken. De feitelijke beoordeling moet herleidbaar blijven tot controleerbare informatie en tot een medewerker die verantwoordelijkheid draagt.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat AI in de publieke handhaving vooral sterk is wanneer het de kwaliteit van de voorselectie verhoogt zonder de rechtsbescherming uit het proces te halen. „Een risicosignaal is geen oordeel; het is een opdracht om beter te kijken.”

De aanpak laat zien waarom publieke AI-projecten vaak meer baat hebben bij afgebakende werkstromen dan bij brede ambities. Een systeem als Arachne heeft een duidelijk procesmoment: vóór of tijdens de controle van fondsen. Het resultaat is eveneens begrensd: een risico-indicatie die een toezichthouder kan toetsen. Daardoor kunnen organisatie, data-eigenaren en juridische functies concreet vastleggen welke gegevens worden gebruikt, wie de uitkomst mag zien en welke vervolgstappen zijn toegestaan.

Franse uitkeringscontrole als tweede praktijkvoorbeeld

Een tweede publiek bekende toepassing staat bij de Franse kinderbijslag- en gezinsuitkeringsorganisatie Caisse nationale des Allocations familiales, doorgaans CAF genoemd. Deze organisatie gebruikt datamining en risicoscoring om controles op mogelijke onjuiste uitkeringssituaties gerichter in te zetten. De toepassing richt zich op dossiers die aanleiding geven tot verificatie; zij is niet hetzelfde als een automatisch besluit over het recht op een uitkering.

De Franse casus maakt de bestuurlijke gevoeligheid zichtbaarder dan bij fondsenbeheer. Bij uitkeringen kan een selectie voor controle direct merkbaar zijn voor burgers. Daarom zijn vragen over gegevenskwaliteit, uitlegbaarheid, mogelijke vertekening en bezwaar niet bijkomstig. Ze horen bij het ontwerp van de dienstverlening. Een model dat vooral historische controlepatronen herhaalt, kan bestaande verschillen in toezicht onbedoeld versterken. Ook een technisch goed werkende score vraagt dus om periodieke toetsing op proportionaliteit.

Tegelijk laat CAF zien dat AI niet uitsluitend een instrument voor opsporing hoeft te zijn. Wanneer controles beter worden geprioriteerd, kunnen medewerkers tijd vrijmaken voor dossiers die inhoudelijke uitleg, herstel of persoonlijk contact vereisen. Dat kan de kwaliteit van de publieke dienstverlening verbeteren, mits de organisatie niet alleen stuurt op het vinden van afwijkingen. Ook foutieve signalen, doorlooptijden en de ervaring van burgers moeten onderdeel zijn van de evaluatie.

Volgens Edgar van Lent ligt daar de praktische les voor Europese uitvoeringsorganisaties. „De publieke waarde van AI ontstaat niet door zoveel mogelijk dossiers te laten beoordelen, maar door menselijk werk precies daar in te zetten waar context en professioneel oordeel nodig zijn.” Voor leidinggevenden betekent dit dat de invoering niet bij de keuze voor een model mag stoppen. Zij moeten ook vastleggen hoe medewerkers met signalen omgaan, wanneer een uitkomst wordt genegeerd en hoe fouten worden gecorrigeerd.

Van pilot naar bestuurbare publieke toepassing

De twee voorbeelden hebben een verschillende doelgroep en opdracht, maar dezelfde ontwerpkeuze: AI ondersteunt de selectie en analyse, terwijl een mens verantwoordelijk blijft voor het vervolg. Juist die verdeling is bruikbaar voor andere overheidstaken, zoals het prioriteren van vergunningcontroles, het opsporen van onvolledige subsidiedossiers of het analyseren van grote hoeveelheden beleidsreacties. Niet iedere taak leent zich voor dezelfde dataverwerking, maar het patroon is overdraagbaar.

Voor een bestuurbare invoering zijn vier vragen doorslaggevend:

  • Welk concreet werkprobleem wordt opgelost, en welke beslissing blijft nadrukkelijk menselijk?
  • Zijn de gebruikte gegevens relevant, actueel en aantoonbaar rechtmatig beschikbaar?
  • Kan een medewerker uitleggen waarom een dossier nader wordt bekeken en de score gemotiveerd naast zich neerleggen?
  • Worden uitkomsten, foutsignalen en mogelijke ongelijke effecten structureel geëvalueerd?

Deze vragen sluiten aan bij de Europese beweging naar striktere eisen rond risicovolle AI. Voor publieke organisaties is compliance echter niet alleen een juridische controle achteraf. Goede documentatie, toegangsbeheer en toezicht op modelprestaties zijn voorwaarden om vertrouwen te behouden wanneer AI invloed heeft op de volgorde van dienstverlening of handhaving.

Edgar van Lent beoordeelt de komende fase daarom als minder spectaculair, maar belangrijker dan de eerste golf van AI-proeven. Overheden die AI koppelen aan één controleerbaar proces, menselijke toetsing organiseren en zichtbaar leren van fouten, kunnen hun capaciteit gerichter inzetten. De maatstaf is daarbij niet hoeveel dossiers een algoritme beoordeelt, maar of de publieke dienst aantoonbaar zorgvuldiger, consistenter en beter uitlegbaar wordt.