De Vlaamse overheid zet kunstmatige intelligentie in om subsidieaanvragen en uitbetalingen te controleren. Het gaat om een nieuwe aanpak die nu wordt ingevoerd om misbruik sneller te signaleren en fouten te verminderen. De inzet is in Vlaanderen en richt zich op verschillende subsidieprogramma’s. De overheid belooft te werken binnen de AVG en kijkt naar de Europese AI-verordening en de gevolgen voor de overheid.
Vlaanderen start proef met AI
De overheid gebruikt algoritmen om patronen en afwijkingen in subsidiegegevens te vinden. Zo kan het systeem opvallende aanvragen markeren voor extra controle. Dat moet de doorlooptijd verkorten en gerichte controles mogelijk maken. Het gaat om een proef die kan worden uitgebreid als de resultaten overtuigen.
De inzet betreft zowel nieuwe aanvragen als betalingen achteraf. Het systeem kijkt bijvoorbeeld naar inconsistenties tussen aangeleverde documenten en openbare registers. Tekstanalyse kan helpen om beschrijvingen in dossiers snel te vergelijken. Medewerkers gebruiken de signalen om hun onderzoek te prioriteren.
De overheid noemt op het moment van schrijven geen merknaam of model. De inzet blijft daarom technisch op hoofdlijnen: datamodellen zoeken naar risico-indicatoren. Regels en statistiek worden gecombineerd met machine learning. De eindbeoordeling ligt bij een medewerker.
Doel: sneller en eerlijker toezicht
Met AI wil Vlaanderen het toezicht sneller en nauwkeuriger maken. Minder tijd gaat dan naar dossiers met laag risico, meer tijd naar dossiers met rode vlaggen. Dat kan de werkdruk verlagen en de kans op fouten in toekenningen beperken. Ook kan het herstel achteraf sneller verlopen.
Het doel is niet om automatisch subsidies te weigeren. Het systeem geeft een signaal, geen eindbesluit. Menselijke controle blijft verplicht, zeker bij negatieve gevolgen voor aanvragers. Zo wil de overheid de kans op verkeerde beslissingen beperken.
Een bijkomend doel is gelijke behandeling. Als regels transparant zijn en controles consistent, ervaren aanvragers meer voorspelbaarheid. Dat vraagt wel om duidelijke criteria en uitleg bij elk signaal. Zonder uitleg is het moeilijk om bezwaar te maken.
Hoe het systeem werkt
Het model gebruikt anomaliedetectie: een methode die afwijkingen in data opspoort. Dat kan wijzen op fraude, maar ook op onschuldige uitzonderingen. Daarom volgt altijd een menselijke check. Het systeem blijft een hulpmiddel, geen vervanging van beleid.
Tekstanalyse vat grote hoeveelheden documenten samen en zoekt overeenkomsten. Dit helpt om gelijke gevallen gelijk te beoordelen. Het vermindert ook repetitieve taken voor medewerkers. Zo komt meer tijd vrij voor moeilijke dossiers.
Datakoppeling gebeurt bij voorkeur met betrouwbare bronnen, zoals registers en eerdere dossierhistorie. Toegang wordt gelogd en beperkt tot wat nodig is (dataminimalisatie). De overheid moet daarbij versleuteling en toegangsrechten strikt toepassen. Onnodige gegevens worden niet gebruikt of snel verwijderd.
AVG stelt harde grenzen
De Algemene Verordening Gegevensbescherming (AVG) geldt volledig voor dit soort toezicht. Dat betekent: een duidelijke wettelijke grondslag, een doelbinding en dataminimalisatie. De overheid moet alleen die data verwerken die nodig zijn voor controle. En zij moet kunnen uitleggen waarom dat nodig is.
Een DPIA, een gegevensbeschermingseffectbeoordeling, ligt voor de hand. Die analyseert privacyrisico’s en beschrijft maatregelen, zoals versleuteling en pseudonimisering. Ook beschrijft zij bewaartermijnen en toegangsbeperkingen. Op het moment van schrijven zijn daarover nog geen details publiek.
Profilering kan tot discriminatie leiden als data of aannames scheef zijn. Daarom zijn tests op bias en nauwkeurigheid nodig, liefst met externe audits. Burgers moeten recht houden op menselijke tussenkomst, uitleg en bezwaar. Deze rechten gelden ook als een algoritme een dossier heeft beïnvloed.
AI-verordening eist toezicht
De Europese AI-verordening (AI Act) classificeert algoritmen in de overheid vaak als hoog risico. Dat geldt zeker wanneer systemen beslissen of sturen over publieke diensten of financiële voordelen. Subsidiecontrole valt daar in de praktijk vaak onder. Dan zijn strenge eisen van kracht.
AI-systemen die toegang tot publieke diensten of voordelen beoordelen, vallen in de EU in de categorie hoog risico en vereisen menselijk toezicht, kwaliteitsdata en uitgebreide logging.
Voor hoogrisicosystemen zijn een risicobeheerproces, duidelijke documentatie en logging verplicht. Ook is menselijke toezicht en uitlegbaarheid nodig. Aanvragers moeten weten dat AI is gebruikt en hoe zij bezwaar kunnen maken. Audits en conformiteitsbeoordelingen horen daarbij.
Transparantie richting burgers is een praktische toets. Heldere informatie over datagebruik en criteria voorkomt wantrouwen. Publiceer daarom methoden, foutmarges en procedures voor herstel. Dat vergroot de legitimiteit van het systeem.
Lessen uit Nederlandse zaak
De Nederlandse toeslagenaffaire liet zien wat mis kan gaan met risicoselectie. Onduidelijke criteria en eenzijdige data leidden tot oneerlijke uitkomsten. Dat ondermijnde vertrouwen en veroorzaakte grote schade. Vlaanderen wil die fouten vermijden met menselijk toezicht en duidelijke regels.
Belangrijk is om signalen niet als bewijs te behandelen. Een signaal is een startpunt voor onderzoek, geen eindconclusie. Dossiers moeten ook zonder algoritme logisch te onderbouwen zijn. Zo blijft de rechtvaardigheid centraal staan.
Externe controle helpt om blinde vlekken te vinden. Denk aan toetsing door rekenkamers, toezichthouders of academische partners. Publieke rapportage over prestaties en klachten versterkt de checks-and-balances. Dat maakt de inzet van AI in subsidiecontrole beter en veiliger voor iedereen.
