Hoe begint een overheid met AI, van eenvoudig naar complex?
Dit artikel is van 17 februari 2026. Veel overheden vragen zich af hoe zij met AI kunnen beginnen, op een manier die past bij hun techniek én hun organisatie. Het advies in het stuk: maak bewuste keuzes, begin eenvoudig en stap daarna op.
- Prompt-templates: vaste instructies voor een taalmodel, bijvoorbeeld voor een gelijkwaardige beantwoording van vragen of schrijfhulp bij een raadsstuk. Dit is een lage drempel.
- Een herbruikbare assistent (GPT, Gemini-gem, skill of agent), eventueel met functies die andere systemen aanroepen. Voorbeeld: bezwaren samenvatten of een aanvraag op volledigheid laten controleren — ter voorbereiding, niet als automatisch besluit.
- RAG: een taalmodel gekoppeld aan een eigen, goedgekeurde kennisbank van beleid, verordeningen of procedures.
- Beeldherkenning in de openbare ruimte: bijvoorbeeld signalen van dumping, parkeerdruk of schade. Dit raakt camera’s, privacy en mogelijk hoog-risicogebruik onder de AI-verordening; begin nooit zonder juridische en ethische toets.
- Multimodaal: tekst, beeld en data samen, bijvoorbeeld een melding met foto, of een tekening naast een formulier.
- Procesautomatisering (in het artikel genoemd: n8n of Copilot Studio): systemen en AI koppelen, bijvoorbeeld een melding doorzetten of een zaaksysteem aan e-mail en een model verbinden.
- Een API vanuit bestaande software: samenvatten of conceptcorrespondentie vanuit het zaaksysteem of CRM, met menselijke controle.
- Tijdreeksanalyse: patronen in de tijd, bijvoorbeeld drukte aan de balie of seizoenspatronen in aanvragen.
- Anomaliedetectie: afwijkingen in data, bijvoorbeeld bijzondere boekingen. Een afwijking is nog geen fraude en mag niet automatisch als verwijt worden behandeld.
- IoT-gegevens: sensoren voor verlichting, luchtkwaliteit, bruggen of containers, met duidelijke afspraken over doel en bewaartermijn.
- Unsupervised learning: patronen zonder vooraf vastgelegde labels, bijvoorbeeld clustering van klachten. Gebruik dit als hulpmiddel bij beleid, niet als etiket op mensen.
- Supervised learning: voorspellen op basis van historische uitkomsten, bijvoorbeeld onderhoud van infra. Toepassingen die schooluitval, dakloosheid of vergelijkbare persoonsrisico’s inschatten, zijn juridisch en ethisch extra gevoelig en vragen een zware toets (AVG, AI-verordening, mogelijk IAMA).
Het gaat om de juiste techniek op het juiste moment, gedragen door de organisatie, verankerd in governance en passend bij het bestaande data- en applicatielandschap — in lijn met de OECD AI-principes en het NIST AI RMF.