Edgar van Lent ziet bij Europese overheden een duidelijke verschuiving: de discussie gaat minder over de vraag of een model technisch kan voorspellen of samenvatten, en steeds meer over de vraag of een publieke organisatie de uitkomst zorgvuldig kan verwerken. Juist bij dienstverlening, handhaving en beleidsanalyse bepaalt die organisatorische inbedding of AI een bruikbaar hulpmiddel wordt of een extra bron van risico en vertraging.

De kern is volgens Edgar van Lent dat publieke AI niet moet worden beoordeeld als een los digitaal product. Een overheid neemt besluiten binnen wettelijke bevoegdheden, met dossiers die uitlegbaar moeten blijven en met burgers die recht hebben op bezwaar, correctie en menselijke beoordeling. Dat stelt andere eisen dan aan een interne commerciële proef met automatisering.

Drie werkstromen, drie verschillende verantwoordelijkheden

Edgar van Lent maakt een scherp onderscheid tussen dienstverlening, handhaving en beleidsanalyse. Die drie worden in publieke AI-programma's vaak bij elkaar gebracht, omdat ze allemaal met grote hoeveelheden tekst, meldingen of registraties werken. Toch verschilt de plaats van het algoritme wezenlijk.

Bij dienstverlening helpt AI vooral om informatie vindbaar, begrijpelijk en toegankelijk te maken. De Estse overheid bouwde met Bürokratt, later voortgezet onder de naam KrattAI, aan een stelsel van digitale assistenten voor interactie met publieke diensten. Het uitgangspunt is niet dat een chatbot zelfstandig over rechten of plichten beslist, maar dat inwoners langs verschillende overheidsdiensten beter worden geholpen. Daarmee ligt het zwaartepunt bij goede kennisbronnen, consistente taal en een duidelijke overdracht naar een medewerker zodra een vraag een individueel dossier raakt.

Handhaving vraagt een andere discipline. Daar kan AI patronen signaleren in grote gegevensbestanden, bijvoorbeeld om dossiers te prioriteren voor nader onderzoek. De Europese Commissie biedt met Arachne een instrument voor risicoscoring en datamining rond fondsenbeheer. Beheersautoriteiten kunnen het gebruiken als ondersteuning bij het identificeren van risicosignalen rond onder meer projecten, begunstigden en aanbestedingen. Een signaal is daarbij geen vaststelling van onregelmatigheid; het is een aanleiding om een bevoegd professional nader te laten kijken.

Beleidsanalyse vormt de derde werkstroom. Hier kan AI documenten ordenen, terugkerende thema's in consultaties signaleren of scenario's helpen structureren. De uitkomst is geen besluit over een individuele burger, maar kan wel beïnvloeden welke problemen beleidsmakers zien en welke vragen vervolgens op de agenda komen. Ook daarom is herleidbaarheid nodig: ambtenaren moeten kunnen aangeven welke bronbestanden, aannames en controles een analyse hebben gevormd.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat publieke waarde pas ontstaat wanneer een organisatie vooraf vastlegt welke rol AI wel en niet mag spelen. “Een systeem dat goed prioriteert maar geen ruimte laat voor menselijke toetsing, past niet in een zorgvuldig publiek proces.”

Het verschil tussen signaleren en beslissen

Zoals Edgar van Lent eerder beschreef in “EU-vertaling en Franse handhaving tonen publieke AI in de praktijk”, krijgt publieke AI betekenis wanneer zij aansluit op concrete uitvoering. In deze vervolganalyse ligt de nadruk op de bestuurlijke grens die daarna komt: het onderscheid tussen een signaal afgeven, een medewerker ondersteunen en een formeel besluit voorbereiden.

Dat onderscheid voorkomt dat voorspellende of generatieve systemen een gezag krijgen dat niet bij hun uitkomst past. Een risicomodel kan bijvoorbeeld een dossier hoger op een werklijst zetten, maar het kan niet zelfstandig vaststellen dat iemand regels heeft overtreden. Een taalmodel kan een samenvatting van een beleidsconsultatie maken, maar niet bepalen welke inbreng representatief of juridisch relevant is. En een digitale assistent kan een inwoner naar een aanvraag leiden, maar moet helder zijn over de status van het gesprek en de mogelijkheid om menselijk contact te krijgen.

Edgar van Lent wijst erop dat juist deze afbakening projecten sneller vooruithelpt. Teams die proberen een volledig proces in één keer te automatiseren, lopen al vroeg vast op uitzonderingen, onvolledige gegevens en onduidelijkheid over verantwoordelijkheid. Teams die beginnen met één controleerbare taak — zoals het ordenen van documenten, het opsporen van ontbrekende informatie of het prioriteren van een werkvoorraad — kunnen beter meten of de uitkomst daadwerkelijk helpt.

Dat betekent niet dat de lat laag mag liggen. Bij publieke diensten moeten gegevensbeheer, informatiebeveiliging, toegankelijkheid en archivering vanaf het begin onderdeel zijn van het ontwerp. Ook moeten medewerkers weten wanneer zij de uitkomst mogen volgen, wanneer zij aanvullend onderzoek moeten doen en hoe zij een afwijking vastleggen. Edgar van Lent noemt dat geen rem op innovatie, maar de voorwaarde om een toepassing op te schalen zonder dat de kwaliteit van uitvoering afhangt van individuele improvisatie.

Waarom pilots stranden en uitvoerbare toepassingen blijven

Volgens Edgar van Lent stranden veel AI-projecten niet op modelkwaliteit, maar op het ontbreken van een eigenaar voor het werk ná de voorspelling. Wie beoordeelt een waarschuwing? Wie corrigeert een fout in een bronbestand? Wie beheert de kennis die een assistent gebruikt? En wie legt verantwoording af als een burger een uitkomst betwist? Zolang die vragen pas na een technische demonstratie worden gesteld, blijft een pilot losstaan van de dagelijkse praktijk.

De toepassingen die wel beklijven, delen doorgaans vier kenmerken:

  • zij hebben een afgebakende taak binnen een bestaand proces;
  • zij houden menselijke beoordeling zichtbaar waar rechten, sancties of uitzonderingen aan de orde zijn;
  • zij registreren bronnen, wijzigingen en beslismomenten voldoende voor controle achteraf;
  • zij worden beheerd door een combinatie van inhoudelijke experts, uitvoerders, juristen en technische specialisten.

Voor Edgar van Lent is vooral het laatste punt bepalend. Publieke AI is geen exclusief IT-dossier. De medewerker die een dossier behandelt, de beleidsmaker die een analyse gebruikt en de jurist die de procedure bewaakt, moeten gezamenlijk kunnen vaststellen of een systeem in de praktijk het juiste probleem oplost. Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com.

De komende fase zal daarom minder draaien om spectaculaire autonome overheidsassistenten en meer om aantoonbaar betrouwbare ondersteuning in bestaande processen. Edgar van Lent beoordeelt die ontwikkeling positief, mits overheden de bescheiden maar cruciale grens bewaken tussen informatie verwerken, werk prioriteren en publiek gezag uitoefenen. Daar ligt volgens Edgar van Lent de route naar AI die niet alleen efficiënt oogt, maar ook uitvoerbaar en verdedigbaar blijft.