Overheden omarmen AI als versneller van dienstverlening, maar de retoriek loopt voor op het bewijs. Efficiëntieclaims worden zelden hard gemaakt, risico’s worden vaak als randvoorwaarden weggeparkeerd. Een nuchtere lezing vraagt: welke specifieke processen winnen aantoonbaar, tegen welke kosten, en met welke waarborgen? Zonder die precisie wordt AI een kostbare spiegel waarin bestuurders de vooruitgang vooral willen zien.
De belofte van efficiëntie
AI kan routinetaken sneller maken: triage van meldingen, documentclassificatie, automatische samenvattingen, taalhulpen voor burgers. De echte waarde zit in doorlooptijd per zaak, foutkans per beslissing en cost-to-serve. Chatbots die wachttijden verlagen maar escalaties verdubbelen leveren netto niets op. Efficiëntie is geen gevoel maar een meetreeks over maanden, inclusief piekbelasting en uitzonderingen.
Kwantificeren van winst
Begin met een nulmeting, test in schaduwmodus, en vergelijk met A/B-varianten. Log beslissingen en benodigde correcties; bereken herstelkosten en het effect op herhaalverkeer. Zonder counterfactual blijft succes anekdotisch. Publiceer methoden en KPI’s (doorlooptijd, precisie/recall, first-contact-resolution) zodat externe toetsing mogelijk is. Transparantie is geen PR, het is een kwaliteitscontrole.
De prijs van automatisering
Automatisering verschuift fouten, ze verdwijnen niet. Automation bias verleidt medewerkers tot overname van modeluitvoer, terwijl procesdrift de prestaties sluipend ondermijnt. Voeg de onzichtbare arbeid voor datakwaliteit, modelhertraining en vendor lock-in toe, en de TCO stijgt snel. Goedkoop schaalbaar is alleen waar als onderhoud en toezicht zijn meegebudgetteerd.
Transparantie en controleerbaarheid
Zonder uitlegbaarheid is bezwaarrecht uitgehold. Vereis beslislogboeken, modelkaarten, datasetsamenvattingen en reproduceerbare versies. Leg contestability-vensters vast: wanneer en hoe kan een burger een AI-gedreven stap laten herbeoordelen? Auditpaden moeten juridisch en technisch houdbaar zijn; anders worden rechtmatigheid en vertrouwen simultaan ondergraven.
Datakwaliteit en vooringenomenheid
Veel gemeentelijke datasets zijn klein, incompleet en scheef verdeeld. Postcode, taalgebruik en inzet van diensten fungeren vaak als indirecte proxies voor sociaaleconomische status. Zonder strikte feature-governance en bias-tests versterkt AI bestaande achterstanden. Kleine datavolumes vragen eenvoudiger modellen en scherpere validatie, niet bravere beloften.
Wat werkt wel
Beperk de ambitie: inzet voor retrieval bij dossieropbouw, semantische zoekfuncties voor juristen, deduplicatie in registers. Kies hybride workflows met duidelijke escalatiedrempels en mens-in-de-lus voor impactvolle beslissingen. Governance hoort operationeel te zijn: een risicoregister per use-case, een kill switch, periodieke red-teaming, en het recht om “nee” te zeggen bij dalende kwaliteit.
De meest verstandige AI-adoptie in de publieke sector is een sober project: klein beginnen, hard meten, en stoppen wanneer de belofte niet in de data verschijnt. Niet de glans van de tool, maar de aantoonbare verbetering van publieke waarden—rechtmatigheid, toegankelijkheid, doelmatigheid—moet de lat zijn. Alles daaronder is automatisering om de automatisering.
