AI voor gemeenten en overheid: assistent, geen beslisser

Gemeenten staan onder druk: minder personeel, meer wet- en regelgeving, een burger die direct antwoord verwacht en een toezichthouder die elke geautomatiseerde beslissing aan de Awb en de AI-Act toetst. Wij bouwen AI-toepassingen die ambtenaren ondersteunen — chatbots voor burgervragen, NLP voor Woo-verzoeken, automatisering van WMO-intakes — zonder dat het algoritme de eindbeslissing neemt. Mens-in-de-loop is geen extra, het is uitgangspunt.

Burger-chatbots Woo/Wob-verwerking WMO-automatisering Vergunning-AI Raadsstuk-summarization

Bespreek uw casus Bekijk toepassingen

Waarom AI voor de overheid een ander gesprek is

Een gemeente is geen webshop. Beslissingen raken het leven van burgers — uitkeringen, zorgindicaties, vergunningen, handhaving. Dat verandert hoe AI ingezet mag worden, niet of het ingezet kan worden.

De toeslagenaffaire heeft het Nederlandse vertrouwen in geautomatiseerde overheidsbeslissingen blijvend beschadigd. Voor digitaliseringsmanagers en CIO's bij gemeenten betekent dat: elke AI-toepassing wordt getoetst op uitlegbaarheid, op bias, op naleving van de Algemene wet bestuursrecht (Awb art. 4:8 motivatieplicht), op de AI-Act high-risk-classificatie, op AVG, op het Informatiebeveiligingsplan (IBP) en op de Baseline Informatiebeveiliging Overheid (BIO). Dat lijkt afschrikwekkend, maar het is goed nieuws: organisaties die AI verantwoord inzetten, halen meetbare winst zonder de risico's van een Syri- of toeslagen-scenario.

De praktijk is dat veel gemeentelijke processen niet over beslissingen gaan, maar over informatie verstrekken, formulieren invullen, dossiers samenvatten en stukken opzoeken. Een chatbot die om 23.00 uur uitlegt hoe een paspoort verlengd wordt, neemt geen beslissing. Een NLP-pipeline die een Woo-verzoek doorzoekt en concept-redacties voorstelt, neemt geen beslissing — een ambtenaar drukt nog steeds op publish. Een raadsstuk-samenvatter die 200 pagina's terugbrengt naar tien bullets voor de raadsleden, neemt geen beslissing. Juist daar zit de eerste, veilige laag van AI-impact: ondersteuning, geen vervanging.

Wij bouwen die laag. Geen experimentele algoritmes die in een onleesbare zwarte doos beslissen wie wel of geen WMO-indicatie krijgt — wel concrete tooling die de doorlooptijd van een Woo-verzoek halveert, het callcenter ontlast en raadsleden beter voorbereid de vergadering ingaat. Onze gemeentesoftware-praktijk en overheidsapps-portfolio vormen de basis; AI is een component, geen losstaand product.

Waar AI in de gemeentelijke organisatie werkt

Zes toepassingsgebieden waar de combinatie van impact, haalbaarheid en juridische ruimte op orde is. Elk scenario is opgebouwd vanuit ondersteuning, niet vervanging.

💬

Burger-chatbot voor 24/7 vragen

Een AI-chatbot op de gemeentewebsite of via WhatsApp beantwoordt vragen over paspoorten, rijbewijzen, verhuizingen, afval, parkeren en evenementen. Het model put uit uw eigen kennisbank en verwijst door naar het juiste loket of formulier. Multilingual ondersteuning (Nederlands, Engels, Turks, Arabisch, Pools) maakt informatie toegankelijk voor de hele demografie. Bij onzekerheid: directe escalatie naar een ambtenaar.

📑

Woo/Wob-verzoeken versnellen

De Wet open overheid heeft de aanvragen verveelvoudigd. NLP-modellen doorzoeken duizenden e-mails, memo's en bijlagen op relevantie voor het verzoek, stellen redacties voor op basis van de Woo-uitzonderingsgronden (artikel 5.1) en houden bij welke documenten al beoordeeld zijn. Een ambtenaar neemt elke voorgestelde redactie definitief over of niet — de tool versnelt, beslist niet.

📋

WMO/Jeugdwet-intake automation

Het eerste contactgesprek bij een WMO-aanvraag genereert een dossier waarin voorzieningen, leefsituatie en hulpvraag genoteerd worden. AI-spraak-naar-tekst plus structurering vult een gestandaardiseerd intakeformulier in conform uw verordening. De consulent corrigeert en valideert. De besluitvorming over de indicatie blijft bij de mens — Awb art. 4:8 vereist een gemotiveerd besluit dat de aanvrager kan toetsen.

🏛️

Vergunning-AI voor APV en omgevingswet

De Omgevingswet verplicht integrale beoordeling. AI-modellen toetsen aanvragen aan het omgevingsplan, signaleren strijdigheden en stellen voorschriften voor uit eerdere vergelijkbare besluiten. Bij eenvoudige aanvragen (dakkapel, uitrit) versnelt dit de afhandeling; bij complexe aanvragen krijgt de vergunningverlener een onderbouwd startdocument in plaats van een leeg sjabloon.

📰

Raadsstuk-summarization en doorzoekbaarheid

Raadsleden ontvangen wekelijks honderden pagina's aan stukken. Een LLM-pipeline genereert per stuk een samenvatting van vaste lengte, herkent moties en amendementen, en maakt het hele archief doorzoekbaar via natural-language queries. Voor bestuurssecretarissen scheelt dit handmatig leeswerk; voor raadsleden vergroot het de kwaliteit van de behandeling.

🔎

Anomalie-detectie zonder bias-risico

Daar waar Syri ten onder ging, kan anomalie-detectie wél: niet om burgers te scoren op verdacht gedrag, maar om interne processen te monitoren. Afwijkende factuurpatronen, onregelmatigheden in subsidieaanvragen vanuit dezelfde organisatie, dubbele declaraties bij leveranciers. Het model kijkt naar transacties, niet naar burgers — fundamenteel ander risicoprofiel onder de AI-Act.

AI-chatbot implementatie AI-documentverwerking Vergunningen-software Software voor gemeenten

Hoe Appfront AI bouwt voor publieke organisaties

Wij beginnen niet met een model, maar met een procesanalyse. Welke handeling kost ambtenaren de meeste tijd? Waar ontstaan klachten van burgers over onbereikbaarheid? Welke werkstroom kraakt onder de Wet open overheid of de Omgevingswet? Pas wanneer dat helder is, beoordelen we of AI zinvol is — en zo ja, of het generieke LLM-toepassing wordt, een specifiek getraind model, of helemaal geen AI maar slimme automatisering.

Onze projecten landen binnen de bestaande infrastructuur. Voor authenticatie integreren we met DigiD en eHerkenning, voor identiteitsdata met de Basisregistratie Personen (BRP, voorheen GBA) en de Registratie Niet-Ingezetenen (RNI). Suwinet-koppelingen worden alleen ingezet waar de Suwi-keten dat toestaat en met expliciete autorisatie. Wij sluiten aan op de Common Ground-principes van VNG: data bij de bron, hergebruik via standaard-API's, geen schaduwadministraties.

Pseudonimisering van BSN-nummers en andere persoonsgegevens gebeurt vóórdat data het AI-model bereikt. Trainingsdata wordt geanonimiseerd of synthetisch gegenereerd. Modellen draaien standaard binnen Nederlandse of EU-cloudregio's, of on-premise binnen het gemeentelijke datacenter. We volgen de BIO en het IBP — niet als afvinklijst, maar als architectuuruitgangspunt.

AI-ontwikkeling AI-app laten maken Gemeentewebsite laten maken Gemeente-app

Vier fasen: van probleemstelling tot productie-AI

Een AI-traject voor een gemeente vraagt meer voorbereiding dan een commercieel project. Niet vanwege techniek, maar vanwege governance. Onze fasering reflecteert dat.

Probleemverkenning en DPIA

We bespreken de use case met proceseigenaar, FG (functionaris gegevensbescherming), CISO en juridische zaken. Een DPIA (Data Protection Impact Assessment) bepaalt of de toepassing high-risk is onder de AI-Act en welke aanvullende waarborgen nodig zijn.

Proof of concept met dummy-data

Eerste validatie gebeurt op gepseudonimiseerde of synthetische data. We tonen aan dat het model werkt zonder dat productiedata risico loopt. Het PoC-resultaat is concreet: een werkende demo die proceseigenaren kunnen testen.

Pilot met mens-in-de-loop

Een afgebakende productiepilot waarin het model voorstellen doet en ambtenaren de definitieve handeling uitvoeren. We meten doorlooptijd, kwaliteit, gebruikersacceptatie en false-positives. De DPIA wordt op basis van de pilot bijgewerkt.

Productie en governance

Uitrol met monitoring, audit-logging en periodieke modelhertraining. We documenteren conform AI-Act-vereisten: datasets, evaluaties, beperkingen, escalatieprocedures. Gemeenten kunnen aantonen wat het model wel en niet doet.

Technologie en standaarden die wij gebruiken

De keuzes voor publieke organisaties verschillen van een doorsnee enterprise-stack. Open source heeft de voorkeur waar mogelijk; vendor-lock-in op een Amerikaanse cloud-LLM is voor veel gemeenten onaanvaardbaar omwille van de Schrems II-implicaties en de eis van data-residentie binnen de EU. Wij werken daarom standaard met modellen die binnen EU-regio's gedraaid kunnen worden, of die volledig on-premise inzetbaar zijn.

Voor chatbots en document-AI zetten we Llama-, Mistral- en Phi-modellen in op gehoste GPU's binnen Nederland of de EU, met retrieval-augmented generation (RAG) zodat het model uit uw eigen kennisbank antwoordt. Voor klassieke ML-toepassingen (anomalie-detectie, classificatie van aanvragen) gebruiken we scikit-learn en XGBoost — uitlegbaar, controleerbaar, geen blackbox. Frontend-componenten bouwen we met React en de NL Design System-componentenbibliotheek, zodat de toepassing past bij de standaard van NLDS en de gemeentelijke huisstijl.

Llama 3 Mistral Phi-3 LangChain Haystack RAG scikit-learn XGBoost PostgreSQL DigiD eHerkenning Common Ground NL Design System Docker Kubernetes

AI-Act, AVG en Awb: wat dit voor u betekent

Compliance is geen sluitpost in een gemeentelijk AI-project. Het is uitgangspunt. Vier kaders die wij in elke architectuurkeuze meenemen.

AI-Act high-risk classificatie

Toepassingen die invloed hebben op toegang tot publieke diensten, sociale zekerheid of essentiële voorzieningen vallen onder Annex III en gelden als high-risk. Dat brengt eisen mee rond risicomanagement, datakwaliteit, technische documentatie, transparantie, menselijk toezicht en accuratesse. Wij ontwerpen het systeem zo dat documentatie en toezicht ingebakken zijn — niet achteraf gereconstrueerd.

Awb art. 4:8 en motivatieplicht

Een besluit van de overheid moet gemotiveerd zijn op een manier die de burger kan toetsen. "Het algoritme zei nee" volstaat niet. Onze AI-toepassingen produceren tekstuele onderbouwing die als motivering kan dienen, of leveren een onderbouwd voorstel dat de ambtenaar in eigen woorden bevestigt. De juridische beslissing blijft bij de mens.

AVG, BIO en IBP

Persoonsgegevens worden gepseudonimiseerd vóór modelinvoer waar mogelijk. Logging is conform de BIO ingericht — niet meer dan nodig, niet minder dan vereist. Het IBP van de gemeente vormt de baseline; wij integreren binnen de bestaande beveiligingsarchitectuur, geen losse silo.

Bias en non-discriminatie

Modellen die getraind zijn op historische data kunnen historische ongelijkheid reproduceren. Wij testen op disparate impact langs nationaliteit, woonwijk, leeftijd en geslacht. Modellen die gevoelige attributen als proxy voor besluitvorming gebruiken, worden niet ingezet — punt. Bij twijfel: rule-based fallback met menselijke beslisser.

AI-documentverwerking Interim AI tech lead AI-geletterdheid training

Voorbeeldtrajecten uit de gemeentelijke praktijk

Drie scenario's die illustreren hoe een gemeentelijke AI-toepassing er concreet uitziet — vanuit probleem, via DPIA, naar productie.

Een Woo-team dat 40% sneller redactes oplevert

Een middelgrote gemeente ontvangt structureel meer Woo-verzoeken dan voorheen onder de Wob. Het juridisch team heeft beperkte capaciteit. Een NLP-pipeline scant de verzochte documenten, herkent persoonsgegevens, bedrijfsvertrouwelijke informatie en concept-besluitvormingstukken (Woo art. 5.1 en 5.2), en produceert een eerste redactievoorstel. De jurist beoordeelt en past aan — geen handmatige zoektocht meer naar elke BSN of e-mailadres.

Burgerservicenummer-vrije anonimisering voor onderzoek

Een gemeente wil patronen in WMO-aanvragen analyseren om beleid te onderbouwen. BSN's en NAW-gegevens worden via een pseudonimisering-pipeline omgezet voordat de data het analytics-platform bereikt. Het analyseteam werkt met sleutels die niet herleidbaar zijn naar individuele burgers. De ruwe data blijft binnen de bron-applicatie, conform Common Ground.

Een meertalige burger-chatbot voor het 14+-loket

Een gemeente met een diverse bevolking ontvangt vragen via telefoon, e-mail, WhatsApp en website. Een chatbot put uit de geïndexeerde inhoud van gemeentewebsite, productencatalogus en FAQ's, beantwoordt in vijf talen en escaleert naar de juiste afdeling bij complexe casussen. De backend logt elke interactie voor audit en kwaliteitsmonitoring; geen gesprek wordt gebruikt voor training zonder expliciete review.

Een raadsinformatiesysteem dat vraagstukken samenvat

Voor de raadsvergadering ontvangen leden een agenda met tientallen stukken. Een AI-laag genereert per agendapunt een samenvatting met kernpunten, eerdere besluitvorming, financieel beslag en relevante moties. Raadsleden klikken door naar het volledige stuk wanneer nodig. Voor de griffie betekent dit minder vragen vooraf en betere debatkwaliteit.

Veelgestelde vragen over AI in de overheid

Mag een AI-systeem bij een gemeente besluiten nemen?

Niet zelfstandig. De Algemene wet bestuursrecht vereist een gemotiveerd besluit dat aan een specifiek bestuursorgaan toerekenbaar is. AI mag voorstellen produceren, dossiers samenvatten en uitzonderingen signaleren, maar de eindbeslissing wordt genomen door een ambtenaar of bestuurder die de motivering onderschrijft. Mens-in-de-loop is geen extra waarborg, het is wettelijk uitgangspunt.

Valt onze toepassing onder de AI-Act high-risk-categorie?

Dat hangt af van de toepassing. Annex III van de AI-Act benoemt onder meer toegang tot publieke diensten, sociale zekerheid en essentiële voorzieningen als high-risk-domeinen. Een chatbot die productinformatie geeft is doorgaans geen high-risk; een model dat voorstellen doet over toekenning van uitkeringen wel. Wij voeren deze beoordeling uit in de DPIA-fase aan het begin van het project.

Kunnen we cloud-LLM's zoals OpenAI gebruiken?

Voor data zonder persoonsgegevens of bedrijfsvertrouwelijkheid kan dat overwogen worden. Voor processen met BSN's, BRP-data of zaakgegevens raden we open-source modellen aan die binnen EU-regio's of on-premise draaien. Schrems II en de eis van data-residentie wegen zwaar; het is bovendien lastig uit te leggen aan burgers wanneer hun data via een Amerikaanse cloud loopt.

Hoe voorkomen we dat het model bias reproduceert?

Door bias-testing als onderdeel van de modelvalidatie te bouwen, niet als achteraf-controle. We meten disparate impact langs relevante demografische assen, controleren of het model proxy-variabelen gebruikt voor beschermde kenmerken, en stellen een drempel waaronder het model niet in productie mag. Bij twijfel valt het systeem terug op rule-based logica met menselijke beoordeling — beter een trager proces dan een Syri-herhaling.

Hoe integreert AI met DigiD, eHerkenning en Common Ground?

DigiD en eHerkenning regelen authenticatie van burgers en bedrijven; AI-toepassingen authenticeren via deze kanalen wanneer interactie persoonlijk is. Voor data-uitwisseling sluiten we aan op Common Ground-API's: data blijft bij de bron, hergebruik gebeurt via standaarden zoals StUF en NLX. We bouwen geen schaduwdatabases; we koppelen.

Wat als het model tegen de bedoelingen van de Awb in toch impliciet beslist?

Dat is precies waar interface-ontwerp telt. We zorgen dat ambtenaren de AI-output nooit als kant-en-klaar besluit voorgeschoteld krijgen. Het systeem toont een voorstel met onderbouwing, vraagt expliciet om bevestiging of aanpassing, en logt de menselijke handeling. Een ambtenaar kan op die manier altijd aantonen waarom een besluit zo is genomen — niet "het systeem deed dit", maar "ik nam dit besluit, dit was de input die ik gebruikte".

Hoeveel tijd kost een AI-project bij een gemeente?

De technische bouw is vaak korter dan de governance-trajecten. Een proof of concept staat doorgaans binnen enkele weken. Een DPIA, advies van de FG, beoordeling door de IBP-coördinator en aansluiting op het IB-beleid kosten meer kalendertijd. Wij plannen die parallel — start de governance bij het begin, niet aan het eind.

Werken jullie samen met VNG of GovTech-leveranciers?

We zijn gewend te werken in landschappen waar VNG-Realisatie, GovTech-leveranciers en gemeentelijke ICT-afdelingen al actief zijn. Onze rol is meestal die van AI-partner: wij bouwen de toepassing, de gemeente of haar leveranciers leveren de bestaande infrastructuur. Geen rip-and-replace; integratie met bestaande zaaksystemen, DMS'en en CRM-platforms.

AI inzetten in uw gemeente of overheidsorganisatie?

Bespreek uw casus met een team dat thuis is in zowel AI-techniek als de Awb, AI-Act en BIO. We brengen samen in kaart waar AI veilig en met meetbare impact bijdraagt — en waar het beter niet ingezet wordt.

Plan een gesprek