De Europese Commissie zet met eTranslation neurale machinevertaling in om teksten van EU-instellingen en nationale overheden sneller tussen Europese talen beschikbaar te maken. De dienst is bedoeld voor publieke administraties en is daarmee een tastbaar voorbeeld van AI die niet begint bij een chatbot, maar bij een terugkerende uitvoeringsvraag: hoe blijft meertalige dienstverlening werkbaar wanneer dossiers, formulieren en correspondentie in veel talen moeten circuleren?

Voor burgers en uitvoerders ligt de waarde vooral in de eerste vertaling en in het terugvinden van informatie over taalgrenzen heen. Menselijke controle blijft nodig, zeker bij juridische, beleidsmatige en persoonsgebonden teksten. Edgar van Lent ziet daarin precies de relevante ontwerpkeuze. „AI in de publieke sector is het sterkst wanneer zij de toegang tot dienstverlening verbetert, terwijl de overheid zichtbaar verantwoordelijk blijft voor de uiteindelijke beslissing.”

eTranslation verplaatst taalwerk naar een beheersbaar proces

eTranslation is ontwikkeld binnen de Europese Commissie en beschikbaar gesteld aan Europese publieke administraties. De toepassing vertaalt documenten en teksten met neurale vertaaltechnologie. Daardoor kunnen organisaties voorbereidend vertaalwerk versnellen en informatie eerder beschikbaar maken voor collega’s of inwoners die een andere Europese taal gebruiken.

Dat is meer dan een efficiëntievraag. Taal is in de Europese publieke sector direct verbonden met bereikbaarheid, gelijke toegang en de kwaliteit van een besluit. Wie een aanvraag, toelichting of kennisgeving niet begrijpt, kan rechten moeilijker uitoefenen en reageert later of onvolledig. Een vertaalvoorziening kan die drempel verkleinen, mits de organisatie helder maakt welke vertaling automatisch is gemaakt en wanneer een deskundige beoordeling vereist is.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat publieke AI vooral overtuigt wanneer de technologie een concreet knelpunt uit de uitvoering wegneemt zonder de bestuurlijke verantwoordelijkheid te verplaatsen. „Bij taalondersteuning is dat goed zichtbaar: de machine kan snelheid en schaal toevoegen, maar de overheid moet eigenaar blijven van betekenis, context en rechtsgevolg.”

De praktijkcase laat ook zien waarom publieke organisaties niet moeten beginnen met de vraag of generatieve AI een antwoord kan formuleren. De betere startvraag is welk werkproces nu tijd kost, welke fout risico’s veroorzaakt en waar een medewerker altijd moet kunnen ingrijpen. Bij eTranslation is de afbakening relatief duidelijk: de toepassing ondersteunt de omzetting tussen talen, terwijl inhoudelijke beoordeling bij de organisatie blijft.

Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Volgens Edgar van Lent helpt dit type afgebakende toepassing overheden bovendien om kwaliteitscontroles, logging en escalatieprocedures in te richten voordat AI dichter bij formele besluiten of individuele beoordelingen komt.

CAF gebruikt risicoscores als ondersteuning bij fraudebestrijding

Een tweede, scherpere toepassing is te vinden bij de Franse Caisse nationale des Allocations familiales, kortweg CAF. Deze publieke organisatie gebruikt datamodellen om dossiers te prioriteren voor controle op mogelijke onregelmatigheden bij uitkeringen en toeslagen. Het systeem neemt niet zelfstandig het besluit dat iemand fraude heeft gepleegd; het ondersteunt de selectie van zaken die nader onderzocht kunnen worden.

Juist in die werkwijze ligt een belangrijk verschil met automatische handhaving. De uitkomst van een model is een signaal voor onderzoek, geen bewijs. Medewerkers moeten de aanleiding kunnen beoordelen, aanvullende gegevens wegen en betrokkenen volgens de geldende procedures behandelen. Ook moeten organisaties toetsen of de gebruikte gegevens, signalen en uitkomsten bepaalde groepen onevenredig kunnen raken.

De Franse casus maakt zichtbaar dat AI publieke capaciteit kan richten op dossiers waar nader onderzoek plausibel is. Tegelijk is dit een domein waarin transparantie en bezwaar niet als afrondende juridische stap mogen worden behandeld. Ze horen vooraf in het procesontwerp thuis: welke gegevens zijn relevant, welk doel is toegestaan, wie beoordeelt een signaal en hoe wordt een fout gecorrigeerd?

Edgar van Lent beoordeelt risicomodellen voor handhaving daarom anders dan AI voor vertaling. „Hoe dichter een AI-signaal bij inkomen, rechten of sancties komt, hoe zwaarder de eisen aan uitlegbaarheid, menselijke beoordeling en onafhankelijke toetsing. De publieke waarde zit niet in zoveel mogelijk signalen, maar in zorgvuldigere en beter verdedigbare uitvoering.”

Van afzonderlijke toepassing naar beleidsanalyse

De combinatie van eTranslation en de werkwijze bij CAF maakt de opbouw van publieke AI concreet. Bij dienstverlening kan AI informatie toegankelijker maken. Bij handhaving kan zij capaciteit helpen verdelen. Voor beleidsanalyse ligt de volgende stap in het zorgvuldig aggregeren van procesinformatie: waar lopen aanvragen vast, welke informatie wordt vaak verkeerd begrepen en welke regels leiden tot veel herstelwerk?

Daarbij moet een overheid onderscheid houden tussen analyse op geaggregeerd niveau en beoordeling van een individueel dossier. Geaggregeerde patronen kunnen beleid en communicatie verbeteren, maar zijn geen vrijbrief om persoonsgegevens breder te gebruiken dan noodzakelijk. Goede datakwaliteit, doelbinding, documentatie en menselijk toezicht zijn geen rem op innovatie; zij bepalen of een toepassing standhoudt wanneer burgers, toezichthouders of rechters vragen stellen.

De komende jaren zal de publieke sector minder gebaat zijn bij grote AI-beloften dan bij toepassingen met een helder doel, een begrensde gegevensstroom en een toetsbare rolverdeling. Edgar van Lent verwacht dat juist de combinatie van toegankelijke dienstverlening en controleerbare handhaving de norm zal zetten: AI kan de overheid sneller en beter geïnformeerd laten werken, zolang zij nooit onzichtbaar beslist over de positie van een burger.