Vertrouwen in AI bij de overheid: waarom het de waarde van AI meer bepaalt dan de techniek

Een herkenbaar patroon: een model dat in de testomgeving goed presteert, levert in de uitvoering minder op dan verwacht. Medewerkers controleren bijvoorbeeld elke uitkomst handmatig na, teamleiders durven het niet breed uit te rollen, of bij de eerste kritische Kamervraag gaat het project in de wacht. De businesscase klopte op papier, maar de baten kunnen dan uitblijven.

De oorzaak hoeft dan niet bij de algoritmes te liggen. De rem kan zitten bij mensen die de uitkomsten niet vertrouwen, en bij organisaties die niet hebben ingericht wat nodig is om dat vertrouwen te verdienen. Hieronder leest u waar dat vertrouwen stukloopt en hoe u het meeneemt in de manier waarop u de waarde van AI meet.

Werkende AI die toch weinig oplevert

Wie AI-waarde alleen meet aan nauwkeurigheid of doorlooptijd van een model, mist het grootste deel van het verhaal. Een vraag die daarbij hoort: gebruiken mensen de uitkomst in hun werk?

In een artikel op iBestuur over het Data & AI Impact Report 2026 van SAS staat dat de rem op waarde vooral zit in het feit dat mensen de uitkomsten niet altijd vertrouwen. Het onderzoek, uitgevoerd door IDC, beschrijft vertrouwen als een directe economische factor. Investeringen in governance, datakwaliteit, uitlegbaarheid en toezicht hangen samen met de waarde die organisaties uit AI halen.

Dat is het nagaan waard voor uw eigen toepassing. Als een team elke voorspelling opnieuw zelf beoordeelt, is het de vraag hoeveel van de beoogde tijdwinst in de praktijk overblijft.

Waarom de lat voor AI hoger ligt dan voor mensen

Binnen de overheid kan de lat voor een fout van een systeem hoger liggen dan voor een fout van een medewerker. De Omgevingsdienst Midden-Holland zegt dat in haar AI-beleid met zoveel woorden: bij een fout van een AI-toepassing zijn we veel kritischer dan bij een menselijke fout, en dat kan het vertrouwen van stakeholders kosten.

Dat is geen irrationele reactie. Bij een systeem moet u vooraf regelen wie de uitleg geeft en wie aanspreekbaar is.

Houd er dus rekening mee dat een zichtbare fout het vertrouwen in een toepassing kan schaden. Dat risico hoort in uw risicoanalyse, en ook in uw planning.

Vertrouwen speelt op meerdere niveaus tegelijk

Vertrouwen in AI bij de overheid is geen enkelvoudig probleem. Het speelt bij verschillende groepen, en elke groep vraagt iets anders.

De medewerker in de uitvoering

De professional die met de uitkomst moet werken, wil weten waarop die uitkomst gebaseerd is en wanneer hij ervan mag afwijken. Zonder dat antwoord kan hij het systeem gaan negeren of het juist blind volgen. Beide zijn ongewenst.

Bestuur en management

Bestuurders en ambtelijke leiding moeten verantwoording kunnen afleggen over wat de organisatie doet, elk vanuit hun eigen rol. Zij willen kunnen uitleggen wat het systeem doet, wie toezicht houdt en wat er gebeurt als het misgaat. Kunnen ze dat niet, dan kan dat voor hen een reden zijn om een traject te pauzeren of te stoppen.

De burger

In onderzoek van EY naar AI bij de Nederlandse overheid staat dat 39% van de ondervraagden vertrouwen heeft in het vermogen van overheden om AI op de juiste manier te beheren. Uit de samenvatting blijkt niet welke groep is ondervraagd; behandel het cijfer daarom als een indicatie voor die onderzoeksgroep. De AI-barometer die Nederland Digitaal in april 2026 publiceerde laat zien dat Nederlanders meer AI gebruiken en het tegelijk minder vertrouwen. Zelfs onder Gen Z, waarvan 90% AI gebruikt, staat ruim de helft (54%) er positief tegenover.

Voor een uitvoeringsorganisatie is dat een aandachtspunt: reken erop dat een deel van de burgers kritisch meekijkt. Volgens dezelfde barometer is de vraag om sterke regulering groter dan ooit.

Cultuur als rem naast legacy

Verouderde systemen en beperkte toegang tot data zijn reële problemen. Toch noemt EY in hetzelfde rapport angst voor fouten en controleverlies als de echte rem, plus een cultuur die vernieuwing als risico ziet. Een geïnterviewde zegt het scherp: “We hebben 20 jaar lang mensen gepromoveerd die geen fouten maakten, dat blokkeert vooruitgang.”

In een blog van de Universiteit Twente over publiek management staat een verwante waarschuwing. Bureaucratie draait op professionals met vakmanschap, oordeelsvermogen en juridische sensitiviteit. Een AI-traject dat de organisatie behandelt als een machine waarin u een onderdeel vervangt, sluit niet aan op hoe het werk werkelijk gebeurt.

Ons advies: betrek de mensen die het werk doen vanaf het begin. Zij weten waar de uitzonderingen zitten, en hun inbreng kan zowel de oplossing als het draagvlak ten goede komen. Pioniers in het EY-onderzoek betrekken medewerkers bij de ontwikkeling van AI-oplossingen, naast strenge ethische kaders en actieve communicatie met burgers.

Het risico van afschuiven op het systeem

Er is ook een omgekeerd probleem: te veel vertrouwen op de verkeerde manier. Het AIV-advies AI: technologie, macht en democratische waarden waarschuwt dat leunen op niet-transparante algoritmes kan leiden tot het afschuiven van verantwoordelijkheid op “het systeem”. Bij onjuiste data of foute uitkomsten worden mensen dan onterecht benadeeld, en is achteraf nauwelijks aan te tonen waar het misging.

Het advies noemt als voorbeeld de algoritmes die het ministerie van Buitenlandse Zaken gebruikte bij visumaanvragen en die de Autoriteit Persoonsgegevens als problematisch aanmerkte.

Gezond vertrouwen is dus gekalibreerd vertrouwen. Medewerkers volgen het systeem waar het betrouwbaar is en wijken af waar hun eigen oordeel nodig is. Dat moet u ontwerpen; het ontstaat niet vanzelf.

Zo meet u AI-waarde met vertrouwen erin

Wie de waarde van AI wil aantonen, moet vertrouwen meetbaar maken naast de klassieke prestatiecijfers. Een paar indicatoren die u kunt overwegen:

• Gebruiksgraad: in welk deel van de dossiers gebruiken medewerkers de uitkomst daadwerkelijk? Een hoge gebruiksgraad zegt op zichzelf weinig over vertrouwen; het kan ook gaan om gewoonte of tijdsdruk. Vraag daarom ook waarom medewerkers de uitkomst wel of niet gebruiken.
• Afwijkingspercentage: hoe vaak wijkt een medewerker af van het advies, en om welke reden? Het percentage alleen is geen maat voor vertrouwen. Zowel een heel laag als een heel hoog percentage kan reden zijn om door te vragen; wat normaal is, verschilt per toepassing.
• Nacontrole-tijd: hoeveel tijd gaat er zitten in het handmatig controleren van uitkomsten? Hier kan een verschil tussen de businesscase en de werkelijkheid zichtbaar worden.
• Uitlegbaarheid in de praktijk: kan een behandelaar binnen een paar minuten aan een burger of collega uitleggen waarom het systeem tot een uitkomst kwam?
• Bezwaren en klachten: veranderen aantal en aard van bezwaren na invoering?
• Incidentafhandeling: is vastgelegd wie verantwoordelijk is bij een fout, en hoe snel die wordt opgespoord en hersteld?

Leg een nulmeting vast voordat u live gaat. Zonder vertrekpunt kunt u later niet laten zien wat er veranderd is, en dan wint in de discussie het sterkste gevoel.

Wees ook realistisch over tijd. Hoe en hoe snel vertrouwen in een toepassing ontstaat, verschilt per toepassing en organisatie, en is vooraf moeilijk te voorspellen. Wilt u in een pilot meer weten dan of het model technisch werkt, neem gebruik en nacontrole dan al tijdens de pilot mee in de meting.

Waar u kunt beginnen

Kies één AI-toepassing die al draait of bijna live gaat. Organiseer een sessie van een uur met twee of drie behandelaars die ermee werken en stel hun drie vragen: wanneer vertrouwt u de uitkomst, wanneer niet, en hoeveel tijd kost het nacontroleren?

Zet de antwoorden naast de oorspronkelijke businesscase. Een verschil daartussen geeft aanwijzingen waar een vertrouwensprobleem kan zitten. Om te bepalen waar uw volgende investering heen moet, toetst u die aanwijzingen daarna aan de indicatoren hierboven.

Zo maken we dit. AI schrijft de eerste versie, een tweede AI controleert, en een mens van Twentynext leest en keurt elk artikel goed voordat het live gaat. We controleren feiten en bronnen zorgvuldig, maar kunnen juistheid en volledigheid niet garanderen. Zie onze disclaimer.