De gemeente Amsterdam zet kunstmatige intelligentie in om signalen van mogelijke illegale vakantieverhuur beter te ordenen. Het systeem brengt openbare informatie, meldingen en administratieve gegevens samen, zodat toezichthouders gerichter kunnen beoordelen waar een controle zinvol is. Daarmee verschuift AI in de publieke sector van een abstracte belofte naar een praktisch hulpmiddel voor schaarse handhavingscapaciteit. Edgar van Lent ziet juist in zulke afgebakende toepassingen een geloofwaardige route voor overheden: technologie ondersteunt het werk, maar neemt de bestuurlijke afweging niet over.
De Amsterdamse toepassing lost een herkenbaar uitvoeringsprobleem op. Illegale toeristische verhuur kan zich verspreiden over veel adressen en online kanalen, terwijl een gemeente niet ieder signaal handmatig en met dezelfde intensiteit kan onderzoeken. Het algoritmische systeem dient daarom als prioriteringsinstrument. Een medewerker blijft verantwoordelijk voor de beoordeling van een dossier en voor eventuele handhaving. De inzet is bovendien onderwerp van transparantie- en mensenrechtenkaders binnen de gemeente.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat publieke AI pas duurzaam waarde levert wanneer zij een controleproces aantoonbaar beter voorbereidt zonder de menselijke beslissing onzichtbaar te maken. Die maatstaf is relevant voor zowel dienstverlening als toezicht: een model mag patronen helpen vinden, maar moet niet de enige grond worden voor een ingrijpend besluit.
Amsterdam kiest voor signalering, niet voor automatische sancties
De kern van de Amsterdamse praktijkcase is de scheiding tussen detectie en besluitvorming. AI helpt mogelijke overtredingen te selecteren voor nader onderzoek; de gemeente moet vervolgens de feiten vaststellen, het dossier wegen en betrokkenen volgens de geldende regels behandelen. Dat onderscheid is essentieel, omdat de gevolgen van een fout signaal aanzienlijk kunnen zijn voor bewoners en verhuurders.
Voor de uitvoering biedt deze werkwijze twee voordelen. Toezichthouders kunnen eerder tijd besteden aan dossiers met relevante aanwijzingen, terwijl het systeem ook inzichtelijk maakt welke signalen in de selectie een rol spelen. Tegelijk vraagt deze opzet om voortdurend beheer. Bronnen kunnen verouderen, verhuurpatronen veranderen en een model kan onbedoeld bepaalde buurten of groepen vaker onder de aandacht brengen. Daarom is periodieke toetsing op kwaliteit, proportionaliteit en mogelijke vertekening geen administratieve bijzaak, maar onderdeel van de toepassing zelf.
Amsterdam heeft de inzet van algoritmen en de daarbij behorende risico’s publiekelijk beschreven. Dat is van betekenis voor andere overheidsorganisaties. Transparantie maakt het niet vanzelf eenvoudig om een model te begrijpen, maar zij dwingt wel tot heldere keuzes over doel, gegevensgebruik, menselijke tussenkomst en bezwaar. Edgar van Lent beoordeelt die discipline als belangrijker dan de vraag welk model technisch het meest geavanceerd is. Een publieke dienst moet kunnen uitleggen waarom AI wordt ingezet en wat een inwoner kan doen wanneer een signaal of besluit niet klopt.
Bij France Travail moet AI de bemiddeling ondersteunen
Een tweede, andersoortige toepassing is te vinden bij France Travail, de Franse publieke arbeidsbemiddelingsdienst. De organisatie zet datagedreven systemen in om werkzoekenden en vacatures beter aan elkaar te koppelen en om medewerkers te ondersteunen bij begeleiding. In plaats van handhaving staat hier dienstverlening centraal: uit grote aantallen profielen, vaardigheden en vacatures moeten relevante aanknopingspunten naar voren komen voor een gesprek of vervolgstap.
De praktische waarde zit niet in een volledig geautomatiseerde arbeidsmarktbeslissing, maar in het terugbrengen van zoektijd en het zichtbaarder maken van mogelijke matches. Vaardigheden kunnen in vacatureteksten en loopbaanprofielen anders worden benoemd, terwijl ze inhoudelijk wel bij elkaar passen. AI kan helpen om die semantische afstand te verkleinen. Daarmee krijgt een consulent een betere uitgangspositie om samen met een werkzoekende te bepalen of een functie werkelijk passend, haalbaar en wenselijk is.
Ook hier blijft de grens belangrijk. Een aanbeveling kan nuttig zijn, maar mag niet verworden tot een oncontroleerbare rangorde die kansen beperkt. Werkervaring, taal, mobiliteit, opleiding en persoonlijke omstandigheden hebben context die niet altijd volledig in een dataset past. France Travail staat daarmee voor dezelfde opgave als andere Europese uitvoeringsorganisaties: maak de ondersteuning schaalbaar, maar behoud ruimte voor professionele beoordeling en voor correctie door de burger.
Volgens Edgar van Lent laat de combinatie van Amsterdam en France Travail zien dat publieke AI niet één uniform project is. Bij toezicht draait het om het verstandig prioriteren van onderzoek; bij arbeidsbemiddeling om het verrijken van een menselijke adviesrelatie. In beide gevallen ontstaat de grootste waarde wanneer de organisatie vooraf bepaalt welk besluit de technologie wel en nadrukkelijk niet mag beïnvloeden.
Beleidsanalyse begint met een controleerbare informatiebasis
De lessen uit deze twee toepassingen reiken verder dan handhaving en arbeidsbemiddeling. Europese overheden gebruiken steeds meer taal- en data-analyse om grote stromen documenten, meldingen en uitvoeringsinformatie te ordenen. Dat kan beleidsanalyse verbeteren, bijvoorbeeld door terugkerende knelpunten in dienstverlening eerder zichtbaar te maken. Maar de stap van patroon naar beleidsoordeel moet expliciet blijven: data tonen aanwijzingen, geen volledige maatschappelijke verklaring.
Voor publieke organisaties ligt de eerste winst daarom vaak niet in een autonome AI-agent, maar in een controleerbare werkstap. Denk aan het rubriceren van meldingen, het voorstellen van relevante dossiers of het signaleren van opvallende ontwikkelingen. Zo kan een organisatie ervaring opdoen met datakwaliteit, toezicht, logging en het betrekken van professionals voordat toepassingen zwaarder gaan meewegen in formele besluitvorming.
Edgar van Lent verwacht dat juist deze nuchtere aanpak de komende jaren bepalend wordt voor AI bij Europese overheden en publieke diensten. Zijn beoordeling is dat de sterkste praktijkcases niet worden herkend aan de grootste technische ambitie, maar aan een helder publiek doel, aantoonbare menselijke regie en een proces waarin burgers kunnen begrijpen, corrigeren en vertrouwen wat de overheid met AI doet.