AI-implementatie bij de overheid: Deze drie vragen moeten al veel eerder op tafel komen

Een commerciële organisatie kan een AI-toepassing breed inzetten als hij sneller werkt dan de oude manier en de gebruikers er tevreden over zijn. Een gemeente kan dat niet. Een gemeente moet bij elke uitkomst kunnen uitleggen waarom een burger die uitkomst kreeg, ook als die burger het er niet mee eens is. Bijvoorbeeld vanuit de WOB. Die uitlegbaarheid is geen detail dat je later toevoegt. Het is de kern van wat publieke besluitvorming legitimiteit geeft.

AI als nieuwe laag in een lopende digitale transformatie

AI komt bij de overheid niet in een leeg landschap binnen. Veel gemeenten en ministeries hebben de afgelopen jaren al digitale transformaties doorgemaakt. Platforms zoals Microsoft 365 zijn uitgerold, dataregistratie is op orde gebracht, processen zijn opnieuw ingericht. Elke verandering vroeg om grip op het verandersucces, op wat er anders zou worden in het werk en op hoe de mensen die het werk doen zouden meebewegen.

AI is in dat licht geen nieuw vraagstuk, maar een nieuwe laag in een digitale transformatie die al loopt. Wat AI bijzonder maakt, is dat de technologie directer ingrijpt op besluitvorming, op kennis en op de manier waarop mensen hun werk doen dan veel eerdere technologie deed. Daarmee stelt AI scherper de vraag die in elke digitale transformatie binnen de overheid speelt. Hebben we grip op deze verandering of laten we hem gebeuren?

Waarom AI bij de overheid nu urgent is

Het gebruik van generatieve AI binnen de Nederlandse overheid is in één jaar vertienvoudigd. Volgens de Overheidsbrede Monitor van TNO, gepubliceerd in december 2025, ging het aantal toepassingen van 8 in 2024 naar 81 een jaar later. Gemeenten lopen voorop met 34 AI-toepassingen, ministeries volgen voorzichtig met vijf. Chatbot Guus in Goes beantwoordt vragen van burgers, de Virtuele Gemeente Assistent (GEM) wordt door 25 gemeenten ingezet, ChatAmsterdam ondersteunt ambtenaren bij hun dagelijkse werk, en de Archiefassistent helpt het Nationaal Archief documenten te ontsluiten.

Wat verder uit de monitor blijkt, is dat 78 procent van de AI-toepassingen door overheidsmedewerkers zelf wordt gebruikt. Slechts 17 procent richt zich direct op burgers. AI bij de overheid ondersteunt dus vooral interne processen, en raakt burgers indirect via wat ambtenaren ermee doen. Dat verschuift het accent van verantwoording: niet alleen burgers moeten kunnen begrijpen wat een systeem doet, ook ambtenaren moeten kunnen uitleggen waarom zij een AI-advies hebben overgenomen of juist niet.

Bij een aanzienlijk deel van de toepassingen is de risicocategorie nog niet bepaald en is geen formele impacttoets uitgevoerd. Dat betekent niet dat die toepassingen onzorgvuldig zijn ingericht. Het betekent wel dat een groot deel van de overheid nu AI-toepassingen in productie heeft zonder een formele verantwoordingsstructuur eromheen. Bij een commerciële organisatie blijft zoiets binnen de muren van de governance. Bij een gemeente of ministerie wordt het op enig moment een vraag van bestuurlijke verantwoording.

Het toeslagenschandaal heeft die les hard gemaakt. Een systeem werkte op risicoprofielen, met correlaties die statistisch verdedigbaar leken maar bestuurlijk en juridisch onhoudbaar bleken. De technische werking was goed te verklaren. De maatschappelijke en juridische gevolgen waren dat veel minder.

Wat het de overheid uiteindelijk kostte aan vertrouwen en herstelwerkzaamheden, is nog steeds zichtbaar. Sindsdien is de eis aan publieke AI-toepassingen verder gegaan dan dat ze werken. Ze moeten ook uit te leggen zijn op een manier die juridisch en maatschappelijk standhoudt.

Drie vragen die vroeg op tafel horen bij AI-implementatie

In de praktijk zien we drie vragen die in commerciële AI-trajecten zelden urgent zijn, maar in publieke trajecten van begin af aan op tafel horen.

Wie is vanuit de overheid verantwoordelijk voor een AI-besluit?

Wie is aanspreekbaar als een AI-ondersteund besluit ter discussie staat? Dat kan de leverancier van het model zijn, de afdeling die het inzet, de professional die het advies overneemt, of het bestuur dat het beleid heeft goedgekeurd. In een bedrijf wordt deze vraag pragmatisch opgelost. In een overheidsorganisatie raakt hij aan de werking van de rechtsstaat, omdat een burger het recht heeft te weten wie verantwoordelijk is voor een besluit dat hem of haar raakt.

Hoe zorg je voor uitlegbaarheid van AI, vanuit de WOB?

Een burger moet kunnen begrijpen wat een systeem heeft gedaan, en een ambtenaar moet de logica kunnen reproduceren als iemand erom vraagt. Die tweede eis is hard. Modellen zoals ChatGPT, Copilot en GPT-NL produceren output zonder dat de gebruiker altijd weet hoe het model tot die output is gekomen. Voor een chatbot die openbare gemeente-informatie samenvat is dat hanteerbaar. Voor een toepassing die invloed heeft op een individuele beslissing is dat ontoereikend.

Welke risico-classificatie geldt onder de AI-Act?

Onder de Europese AI-Act zijn hoog-risico-toepassingen aan strikte eisen onderworpen. Zonder duidelijke classificatie kun je niet vaststellen of die eisen van toepassing zijn. Bij een aanzienlijk deel van de huidige overheidstoepassingen is die classificatie nog niet gemaakt. Dat is een gat dat ergens gevuld moet worden, en bij voorkeur voordat een toezichthouder erom vraagt.

Grip op het succes van een AI-toepassing

Bij Mixit werken we vanuit het idee dat grip op het succes van dergelijke transformaties ontstaat door drie dingen in samenhang te organiseren.

1. Succes definiëren en continu meten.
2. Een passende oplossing kiezen.
3. En mensen ondersteunen in de verandering.

Dat geldt voor een platform-migratie, een data project en evengoed voor AI-implementatie binnen de overheid.

Bij AI vertaalt zich dat als volgt: succes wordt niet alleen gedefinieerd op het niveau van een werkende AI-toepassing, maar of de organisatie er beter in wordt om kansen voor AI te herkennen en te realiseren binnen de eisen die het publieke domein stelt. Een passende oplossing wordt gekozen vanuit een maatschappelijke opgave, niet vanuit een AI-tool die ergens moet landen. En de mensen die ermee gaan werken, worden niet ondersteund met een eenmalige training, maar krijgen de vaardigheden om zelf het volgende AI-vraagstuk op te pakken.

Hoe AI-implementatie bij de overheid in de praktijk moet werken

Wij werken bij Mixit aan grote digitale veranderingen, waaronder AI-implementaties binnen publieke organisaties. We hebben ervaring met de afwegingen die spelen wanneer technologie en wet- en regelgeving direct met elkaar verweven raken. Wat we zien is dat de organisaties die hun AI-toepassingen wél succesvol opschalen, een aantal dingen anders doen.

Ze beginnen niet bij de technologie maar bij de maatschappelijke opgave. Welke vraag van burgers of welk knelpunt in het werk willen we beter aanpakken? Pas als die vraag scherp is, wordt gekeken of AI daarbij past en in welke vorm. Dat klinkt vanzelfsprekend, maar in de praktijk wordt het vaak omgedraaid. Het model is er, en dan wordt gezocht waar je het kunt toepassen. Bij een commerciële organisatie kan dat soms werken. Bij de overheid leidt het bijna altijd tot toepassingen die later moeten worden teruggedraaid.

Ze betrekken professionals vroeg. Een ambtenaar die straks met de uitkomst van een AI-systeem moet werken, weet vaak het beste waar het mis kan gaan. Die kennis komt het meest naar boven als hij in de ontwerpfase een rol heeft, en niet pas in de evaluatiefase. Dat is hetzelfde principe als bij andere digitale transformaties in het publieke domein. Bij AI is het alleen urgenter, omdat de gevolgen voor besluitvorming directer doorwerken.

En ze maken legitimiteit meetbaar. Het gaat dan niet alleen om of de toepassing technisch werkt. Het gaat ook om of burgers en professionals voldoende inzicht krijgen om er vertrouwen in te hebben. Dat vraagt om indicatoren die zelden in een gemiddelde business case staan. Hoeveel mensen begrijpen waarom het systeem een bepaalde uitkomst gaf? Hoe vaak werd het advies overgenomen of juist ter discussie gesteld? En wat gebeurt er als iemand bezwaar maakt?

De AI-implementatie als bestuurderlijke opgave

Voor overheidsbestuurders betekent dit dat AI lastig volledig kan worden gedelegeerd aan een innovatie- of IT-team. De inzet van AI raakt namelijk aan publieke waarden, aan de werking van de rechtsstaat en aan het vertrouwen van burgers in hun overheid. Dat maakt bestuurlijke betrokkenheid onvermijdelijk, ook als het ongemakkelijk is omdat de technologie soms voor bestuurders zelf nieuw is.

Succesvolle AI-implementatie begint in de praktijk bij heldere kaders, en bij gesprekken op het juiste moment over wat wenselijk en aanvaardbaar is. Die gesprekken horen bij de ontwerpkeuzes zelf, niet pas bij de afsluitende toetsing van iets dat al is gebouwd. Daarmee wordt AI onderdeel van bredere organisatieverandering binnen de overheid, en precies daar zit het werk dat we bij Mixit graag oppakken.

Tot slot

De groei van AI bij de overheid is geen experiment meer. Tachtig toepassingen draaien al, en dat aantal zal de komende jaren verder groeien. De vraag is dan ook niet meer of AI een rol gaat spelen in publieke dienstverlening. De vraag is of die rol bestuurlijk en maatschappelijk verdedigbaar blijft.

Voor commerciële organisaties is effectiviteit het criterium. Voor publieke organisaties komt daar legitimiteit bovenop, en die kan niet later worden toegevoegd. Grip op verandering ontstaat hier doordat legitimiteit vanaf het begin onderdeel is van het ontwerp. Daarmee is AI-implementatie bij de overheid niet alleen een technologisch traject, maar een vraagstuk over hoe je digitale transformatie organiseert binnen de eisen van het publieke domein.

Hoe je innovatie en publieke verantwoordelijkheid in balans brengt, is een vraag die breder speelt dan AI alleen. In De 30% Club Podcast spreken we met bestuurders en veranderaars over hoe zij richting geven aan verandering in organisaties met een maatschappelijke opdracht.