Stad Halle verwerkt elk jaar een grote stroom meldingen van burgers. Zwerfvuil, vragen over vergunningen, defecten, mobiliteitsissues… Ze komen binnen via mail, app, website en telefoon. Medewerkers zetten zich elke dag in om ze snel en correct te verwerken. Toch blijft het proces sterk afhankelijk van ervaring, interpretatie en versnipperde informatiebronnen.
Stad Halle voelde dat dit efficiënter kon. Binnen het Programma Innovatieve Overheidsopdrachten (PIO) van VLAIO onderzochten ze in samenwerking met MONDEA en NXTGN of generatieve AI dit meldingsproces slimmer, consistenter en minder belastend kan maken. Niet om medewerkers te vervangen, maar door hen beter te ondersteunen.
Wat leerden we uit dit traject en gelijkaardige projecten? Mondeaan Ine Plovie zet ze op een rij.
1. Start bij een proces waar AI echt meerwaarde kan bieden
De eerste reflex bij een AI-traject is technologisch. Welk model kies je? Welk platform? Welke leverancier? Wij draaiden die vraag om: waar loopt het vandaag vast?
In Halle bleek het vragen- en meldingenproces het meest geschikte startpunt. Het meldingenproces raakt de hele organisatie en verbindt verschillende diensten. Het combineert grote volumes, veel vrije tekst en variatie in urgentie. Bovendien zijn fouten hier snel zichtbaar voor burgers. Dat maakt het proces geschikt om AI in te zetten op vier functies: intake, triage, dispatching en antwoordvorming bij meldingen. Het proces biedt ook genoeg controlepunten om AI-fouten vroegtijdig op te vangen. ‘Human-in-the-loop’ is hier geen slogan, maar een architectuurkeuze.
2. AI kan al veel, maar lokale context blijft doorslaggevend
In Halle ontwikkelden we vier prototypes en testten we ze op 32 meldingen. De tests vonden plaats in een vroege ontwikkelfase, zonder GIS-koppelingen, zonder dynamische lokale regels en met een beperkte kennisbank. Het resultaat? De gemiddelde bruikbaarheidsscore was 2,34 op 5. Geen topscore, maar toch zagen we duidelijke sterktes:
- AI herkende adressen en straatnamen consistent, ook bij schrijffouten (“bevrydingzplein”).
- Sentimentanalyse werkte betrouwbaar: medewerkers bevestigden dat AI de emotionele toon van meldingen meestal correct inschatte.
- Samenvattingen en titels waren sterk: lange, chaotische teksten werden omgezet naar bruikbare kernboodschappen.
- De hoofdcategorie voor de volgende stap werd vaak correct bepaald. Een goede basis voor geautomatiseerde triage.
Waar struikelde AI dan bijvoorbeeld wel mee? Het woord ‘vergunningen’ dat overal van toepassing kan zijn, meldingen over mobiliteit die voor burgers snel levensgevaarlijk zijn of lokale afwijkende afspraken en rolverdelingen.
Alleen door te testen, bij te sturen en medewerkers te betrekken, konden we deze moeilijkheden aanpakken.
3. AI rendeert pas als je denkt in herbruikbare bouwstenen, niet in toepassingen
De klassieke digitaliseringsreflex is: één probleem, één toepassing. Maar dat model werkt niet voor AI.
Verschillende functies kan je breed inzetten over verschillende processen heen. Functies zoals samenvatten, categoriseren, ontbrekende informatie detecteren en conceptantwoorden kan je toepassen bij zowel klantcontact, als interne werkopdrachten en stedelijke communicatie. Hoe meer je die bouwstenen hergebruikt, hoe groter de impact op je dienstverlening en de kwaliteit ervan.
4. Niet het model, maar data, integraties en governance bepalen het succes
Leveranciers bevestigden wat de prototypes al aantoonden: intake, voorstel van triage en conceptantwoorden zijn vandaag technisch haalbaar, op voorwaarde dat ‘de AI’ goeie instructies krijgt. Daar zien we enkele uitdagingen:
- Datakwaliteit: Generatieve AI is maar zo goed als de kennisbank die erachter zit. Verouderde of intern georiënteerde kennis zorgen voor fouten.
- Integraties: koppelingen met meldingssystemen, GIS, CRAB en intern documentbeheer bepalen de kwaliteit en de kost
- Governance: wie stuurt de AI bij? Wie bewaakt de kwaliteit? Welke foutenmarge is aanvaardbaar? Op deze vragen bestaan geen standaardantwoorden. Je moet ze als organisatie zelf uitwerken.
5. AI invoeren vraagt een doordacht verandertraject
Stad Halle koos bewust voor generatieve AI om medewerkers te ondersteunen en niet te vervangen. Dat vraagt meer dan een goede tool. Het vraagt een gefaseerde aanpak, realistische verwachtingen en medewerkers die van bij het begin betrokken worden.
Meer dan een lokaal experiment
De bevindingen uit Halle toetsten we ook af tijdens een werksessie met andere lokale besturen. Daaruit bleek snel dat de uitdagingen breed herkenbaar zijn. Meldingenbeheer is in veel besturen een arbeidsintensief kernproces, met gelijkaardige knelpunten in intake, triage en kennisontsluiting.
Lokale regels, bevoegdheden en accenten blijven altijd contextgebonden. Maar net de generieke AI-componenten lenen zich wel voor een gedeelde aanpak.
Daardoor is dit traject meer dan een experiment in Halle. Het toont hoe lokale besturen in Vlaanderen kunnen bouwen aan een schaalbare en werkbare aanpak voor AI in meldingenbeheer.
Wat kan jouw bestuur meenemen uit dit traject?
- Vertrek vanuit een procesvraag, niet vanuit een technologiekeuze. Kijk waar medewerkers vandaag onnodig tijd verliezen en waar burgers frictie ervaren.
- Kies een geschikt startproces met voldoende volume, vrije tekst en meerdere menselijke controlepunten. Meldingenbeheer is vaak een logische kandidaat, maar ook niet de enige.
- Breng eerst je data en werking op orde vóór je AI introduceert. Verouderde kennisitems en ontbrekende bevoegdhedenstructuur zijn de grootste risicofactor.
- Houd rekening met een foutenmarge. AI werkt niet vlekkeloos. Met goede begeleiding en menselijke controle kan ze wel veel repetitief werk uit handen nemen.
- Denk in herbruikbare componenten. Vermijd losse AI-piloten. Werk vanuit een bredere visie, zodat toepassingen op termijn op elkaar aansluiten.
Meer lezen over dit project?
Het volledige eindrapport is beschikbaar via de VLAIO-website.
