AI in een lokaal bestuur: hoe bouw je een aanpak die werkt?

De fase van experimenteren is voorbij. Bij veel lokale besturen is AI ondertussen aanwezig, maar een gedeelde aanpak ontbreekt. Medewerkers bouwen individuele kennis op die niet verder reikt dan henzelf, en opleidingen of tools lossen dat probleem niet op. Lokale besturen hebben iemand nodig die de technologie begrijpt én de context kent: de eigen processen, de bestuurlijke logica, de verantwoordelijkheden en de manier waarop verandering in een publieke organisatie moet landen. Iemand die van losse initiatieven een werkwijze maakt die de hele dienst, afdeling of organisatie vooruithelpt, laagdrempelig genoeg om te starten, doordacht genoeg om te blijven.

Bij veel lokale besturen is AI vandaag aanwezig zonder dat er een bewuste keuze aan voorafging. Medewerkers ontdekten tools op eigen initiatief, volgden een opleiding, begonnen te experimenteren. Dat heeft waarde: het verlaagt de drempel en creëert eerste ervaringen. Maar het levert zelden iets op dat de organisatie als geheel verder brengt. De kennis blijft hangen bij de persoon die ze heeft opgebouwd, de aanpak verschilt van dienst tot dienst, en wanneer iemand vertrekt of van functie verandert, verdwijnt de expertise mee.

Hoe ga je van die situatie naar een structurele aanpak? Niet door alles meteen groot aan te pakken, maar door een aanpak te ontwikkelen die richting geeft, die aansluit bij de dagelijkse werking en die medewerkers houvast biedt in plaats van extra complexiteit. Dit artikel beschrijft hoe ik dat doe en waarom de keuzes die daarin spelen verder gaan dan een technische beslissing.

Het probleem is geen gebrek aan interesse, maar een gebrek aan structuur

Wanneer je bij lokale besturen rondvraagt over AI, krijg je zelden het verhaal dat er helemaal niets gebeurt. Er zijn medewerkers die ChatGPT gebruiken voor teksten, dienstenhoofden die Copilot hebben aangevraagd, communicatiediensten die experimenteren met het samenvatten van verslagen.

Wat ontbreekt, is de verbinding tussen al die initiatieven. Er zijn geen gedeelde afspraken over hoe AI mag worden ingezet, geen gemeenschappelijke werkwijzen, geen manier om opgedane kennis te delen of te verankeren in de bredere organisatie.

Externe opleidingen vullen dat gat niet op. De meeste AI-opleidingen zijn generiek van opzet en werken met voorbeelden uit de privésector die weinig raakvlak hebben met de dagelijkse realiteit van een lokaal bestuur. Een medewerker die zo'n opleiding volgt, weet nadien meer over de technologie, maar staat alleen in het vertalen ervan naar de eigen werkcontext. Die vertaalslag is precies wat ontbreekt, en precies waar een structurele aanpak moet beginnen.

Een lokaal bestuur vraagt een eigen aanpak

Een lokaal bestuur is geen doorsnee organisatie. De processen zijn eigen aan de publieke sector: vergunningen, subsidies, personeelsbeheer, financiële rapportering, communicatie naar inwoners, verslaggeving van vergaderingen, afstemming tussen diensten en politieke niveaus. De verantwoordelijkheden zijn wettelijk omschreven. De omgang met persoonsgegevens is gebonden aan een strenger kader dan in de meeste private organisaties.

Wie AI wil inzetten binnen die context, moet beide werelden kennen. Niet alleen wat de technologie kan, maar ook waar ze past en waar ze risico's oplevert. Een tool die in een marketingbedrijf probleemloos werkt, kan binnen een lokale beleidscontext vragen oproepen over databeheer, transparantie of aansprakelijkheid. Die vragen vereisen geen juridische expertise, maar wel het vermogen om ze te herkennen en er op een werkbare manier mee om te gaan.

Vertrekken vanuit de werking, niet vanuit de tool

Mijn vertrekpunt is altijd de werking van de dienst zelf. Niet welke tools beschikbaar zijn, niet wat AI in theorie kan, maar hoe de dienst vandaag functioneert en waar dat wringt. Welke taken kosten onevenredig veel tijd? Waar wordt telkens opnieuw dezelfde informatie verzameld, herschreven of gecontroleerd? Waar ontstaat kwaliteitsverlies door tijdsdruk, versnipperde input of gebrek aan overzicht? En welke stappen in een werkproces vragen net menselijke beoordeling, nuance en verantwoordelijkheid?

Die analyse levert iets op wat een opleiding niet kan geven: een concreet beeld van waar AI binnen deze dienst, met deze mensen en deze processen, werkelijk iets kan betekenen. Pas op basis daarvan worden werkwijzen ontwikkeld die aansluiten bij de dagelijkse realiteit. Niet als demo of experiment, maar als ondersteuning in processen die medewerkers elke dag doorlopen.

Wat daarna minstens even belangrijk is, is de overdracht. De ontwikkelde werkwijzen worden getest met echte dossiers en taken. Medewerkers leren niet alleen hoe ze een tool bedienen, maar ook hoe ze de output kritisch beoordelen en waar nodig bijsturen. Zo ontstaat geen afhankelijkheid van externe begeleiding, maar een werkwijze die de dienst zelf in handen heeft en die ook na het traject verder kan worden toegepast. Afspraken die impliciet waren, worden expliciet. Werkwijzen die bij één medewerker zaten, worden gemeenschappelijk.

Beginnen waar de kansen het grootst zijn

Niet elke dienst is even geschikt om als eerste in een AI-traject te stappen. De keuze voor pilootdiensten is dan ook een strategische beslissing. Twee criteria spelen daarin een rol: de mate waarin een dienst openstaat voor verandering, en het potentieel om snel en zichtbaar winst te boeken in de dagelijkse werking.

Bijna elke dienst biedt mogelijkheden. Maar bij sommige is de combinatie van herhalende, tijdrovende taken en een team dat er klaar voor is bijzonder gunstig. Daar is de kans het grootst dat een eerste traject concrete resultaten oplevert die zichtbaar zijn voor de medewerkers zelf, en die anderen in de organisatie overtuigen. Dat heeft een hefboomeffect: een succesvol piloottraject maakt de volgende stap gemakkelijker.

Daarbij gaat het niet alleen om taken die individueel worden uitgevoerd. Ook processen rond interne samenwerking bieden interessante mogelijkheden: het structureren van overlegverslagen, de opmaak van briefings voor collega's, de afstemming tussen diensten rond complexe dossiers. AI kan daar helpen om informatie sneller en helderder te laten circuleren binnen de organisatie, wat de samenwerking ten goede komt zonder dat het eindoordeel of de verantwoordelijkheid verschuift.

Laagdrempelig starten zonder de organisatie te overvragen

Een van de meest voorkomende fouten bij AI-implementatie is te breed en te snel starten. Organisaties die meteen alle diensten willen betrekken, die te abstracte doelstellingen vooropstellen of die verwachten dat de meerwaarde zich vanzelf zal tonen, verzanden. Medewerkers haken af omdat het te ver van hun dagelijkse werk staat, of omdat de verandering te groot aanvoelt tegenover de opbrengst die ze zien.

Een gefaseerde opbouw biedt daarop een antwoord. De eerste fase levert altijd concrete, zichtbare resultaten op binnen de werkprocessen van de betrokken diensten. Medewerkers moeten de meerwaarde kunnen voelen in hun eigen werk. Wat werkt, wordt daarna breder uitgerold. Wat niet werkt, wordt bijgestuurd voor het een probleem wordt

Draagvlak is daarin geen bijzaak. Medewerkers die begrijpen waarom bepaalde keuzes gemaakt worden en wat die voor hun eigen takenpakket betekenen, staan anders tegenover verandering dan medewerkers die achteraf geïnformeerd worden. Dat vraagt een aanpak waarbij mensen van bij het begin betrokken zijn bij de analyse van hun eigen processen. Het verschil tussen iets dat van bovenaf wordt opgelegd en iets dat van binnenuit groeit, is in de praktijk bepalend voor of een traject beklijft.

Wat een lokaal bestuur nodig heeft

Een structurele AI-aanpak voor een lokaal bestuur is geen IT-project. Het is een verandertraject dat raakt aan hoe mensen werken, hoe kennis gedeeld wordt en hoe een organisatie omgaat met nieuwe werkwijzen. Dat vraagt begeleiding op het snijpunt van procesanalyse, communicatie en verandermanagement, door iemand die de technologie begrijpt maar er niet door gefascineerd is, en die de specifieke context van een lokaal bestuur kent.

Wat in de praktijk werkt, is een aanpak die vertrekt vanuit de werking, die bewust kiest waar te beginnen, die stap voor stap structuur opbouwt en die medewerkers in staat stelt om zelfstandig verder te gaan. Geen grote beloftes over transformatie, maar concrete ondersteuning in processen die er vandaag al toe doen.

Als je nadenkt over een meer structurele aanpak voor AI binnen jouw organisatie, vertel ik je graag hoe zo'n traject er in de praktijk uitziet.