Er is geen overheidsorganisatie meer waar AI niet op de agenda staat. Bestuurders willen het, leveranciers beloven het, en medewerkers vragen zich af wat het voor hún werk betekent. Tegelijkertijd is er een groeiende kloof tussen de verwachting en de werkelijkheid. Tijd om nuchter te kijken naar wat AI wél en niet kan betekenen voor publieke organisaties.
Het patroon is inmiddels herkenbaar: een leverancier komt langs met een indrukwekkende demo, er wordt een pilot opgetuigd, en zes maanden later is het stil. Dat overkomt niet één organisatie — dat overkomt vrijwel iedereen die AI op deze manier probeert in te voeren. Het is geen incident, het is een patroon. En de oorzaak ligt zelden bij de technologie.
Waarom AI-pilots stranden
In de praktijk struikelen AI-trajecten op een handvol terugkerende randvoorwaarden:
- Data is verspreid en onvolledig. AI-modellen zijn zo goed als de data die ze krijgen. In de publieke sector is data versnipperd over legacy-systemen, basisregistraties en losse spreadsheets — niet gestandaardiseerd, niet altijd herleidbaar.
- Werkprocessen zijn niet expliciet. Als u niet precies weet hóe een beslissing tot stand komt, kunt u dat proces niet automatiseren of ondersteunen. AI maakt impliciete processen niet ineens helder; het vergroot juist de verwarring.
- De output is onbetrouwbaar. Een model dat soms goed antwoordt en soms niet ondermijnt sneller het vertrouwen dan het waarde toevoegt. Eén zichtbare misser blijft langer hangen dan honderd correcte antwoorden.
- Beslissingen zijn niet uitlegbaar. In de publieke sector moet elke beslissing herleidbaar zijn. Black-box modellen voldoen daar per definitie niet aan — niet voor de toezichthouder, niet voor de burger, niet voor de medewerker zelf.
- De pilot schaalt niet op. Een werkende demo is iets anders dan een productiesysteem dat aansluit op autorisatie, basisregistraties en bestaande werkprocessen. Daar sneuvelen de meeste trajecten — niet bij het model, maar bij de integratie.
De rode draad: AI is geen losse laag die u erbovenop legt. Zonder fundering wordt het een dure proeftuin.
Waar AI wél verschil maakt
De grootste winst zit niet in spectaculaire toepassingen, maar in de stille verbeteringen die dagelijks tijd en fouten besparen.
Kwaliteitscontrole in softwareontwikkeling
Bij Flowmesh zetten we AI in als kwaliteitslaag in het ontwikkelproces. Niet als vervanging van de developer, maar als extra paar ogen dat systematisch meekijkt:
- Code review: AI-modellen die patronen herkennen die tot bugs of beveiligingsproblemen leiden — consistent, zonder vermoeidheid, bij elke commit.
- Documentatie: automatisch gegenereerde technische documentatie die altijd actueel is, omdat ze rechtstreeks uit de code wordt afgeleid.
- Testgeneratie: AI die edge cases identificeert die een mens over het hoofd ziet, en er tests voor schrijft.
Dit is geen toekomstmuziek. Dit doen we nu, in productie, bij elk project.
Informatieondersteuning
Veel publieke organisaties beheren grote hoeveelheden informatie: regelgeving, procedures, kennisbanken, beleidsdocumenten. AI kan helpen om die informatie vindbaar en bruikbaar te maken:
- Zoeken op betekenis in plaats van op exacte zoektermen
- Samenvatten van lange beleidsdocumenten voor verschillende doelgroepen
- Signaleren van inconsistenties tussen documenten of versies
Procesondersteuning
Niet het overnemen van beslissingen, maar het voorbereiden ervan:
- Classificatie van binnenkomende meldingen, aanvragen of documenten
- Prioritering op basis van urgentie en complexiteit
- Conceptantwoorden die een medewerker kan beoordelen en aanpassen
De mens blijft beslissen. AI doet het voorwerk.
Vijf principes voor AI in de publieke sector
Op basis van onze ervaring hanteren we vijf principes die bepalen of AI-inzet verantwoord en effectief is:
-
Begin bij het probleem, niet bij de technologie. Welk concreet knelpunt wilt u oplossen? Als het antwoord "we willen iets met AI" is, bent u nog niet klaar.
-
Eis transparantie. In de publieke sector moet elke beslissing uitlegbaar zijn. Black-box modellen zijn daarmee per definitie ongeschikt voor besluitvorming. Gebruik AI voor ondersteuning, niet voor autonome besluiten.
-
Houd de mens in de loop. AI mag voorbereiden, signaleren en suggereren. De eindverantwoordelijkheid ligt altijd bij een mens. Dit is niet alleen ethisch juist, het is ook de enige manier om vertrouwen op te bouwen.
-
Begin klein, meet resultaat. Start met één afgebakend proces. Meet de situatie voor en na. Schaal pas op als het aantoonbaar werkt.
-
Investeer in data vóór u investeert in AI. Zonder schone, gestructureerde en toegankelijke data is elke AI-investering weggegooid geld. Datahuishouding is geen bijzaak — het is de fundering.
Wat Flowmesh wél en niet doet
Tegen die achtergrond is onze positie nuchter:
- Wij bouwen geen losse AI-oplossingen. Voor chatbots, copilots of LLM-experimenten op zichzelf bent u beter af bij een AI-bureau.
- Wij brengen de randvoorwaarden op orde. Data structureren, processen expliciet maken, koppelvlakken bouwen naar basisregistraties en bestaande systemen — zodat AI ergens op kan landen.
- Wij zetten AI gericht in waar het aantoonbaar waarde toevoegt. Als brug tussen technologie en werkproces, niet als vervanging ervan. Geen experimenten om het experimenteren.
De nuchtere conclusie
AI is geen revolutie die morgen alles verandert. Het is gereedschap dat, mits goed ingezet, processen efficiënter en software betrouwbaarder maakt. De organisaties die daar het meest van profiteren zijn niet de organisaties met het grootste AI-budget, maar de organisaties die hun fundering eerst op orde hebben.
Bij Flowmesh helpen we organisaties om die basis te leggen — en vervolgens AI in te zetten op de plekken waar het aantoonbaar waarde toevoegt. Geen demo's voor de bühne, maar werkend gereedschap in productie.