De Nederlandse rijksoverheid staat voor een uitdaging: hoe ontwikkel je beleid dat niet alleen effectief is, maar ook breed gedragen wordt door de samenleving, terwijl je de kans op ongewenste neveneffecten minimaliseert? Traditioneel worden beleidskeuzes gemaakt op basis van een combinatie van statistieken, expertise van beleidsmakers en beperkte consultatie van belanghebbenden.
Van Hoesel en Herold hebben in hun boek ‘Beleidsontwikkeling in de 21e eeuw’ betoogd dat een bredere betrokkenheid ook van talrijke unusual suspects wenselijk is. De opkomst van de huidige vormen van kunstmatige intelligentie (AI) biedt een unieke kans om het beleidsontwikkelingsproces te herzien en te verbeteren richting daadwerkelijke Open Multi Stakeholder BeleidsOntwikkeling (OMSBO).
Wat is OMSBO?
- Beleidsontwikkeling die een voldoende mate van openheid bevat wordt Open Multi Stakeholder Beleidsontwikkeling (OMSBO) genoemd. Bij OMSBO wordt beleid ontwikkeld in samenwerking met en in interactie met burgers, maatschappelijke organisaties, bedrijven en/of andere overheden.
- De toepassing van OMSBO maakt beter gebruik van de kennis van een groter aantal partijen dan gebruikelijk, vergroot het draagvlak en geeft op transparante(re) wijze weer hoe tot strategische bevindingen en operationele acties wordt gekomen. Dit beïnvloedt in positieve zin de interacties tussen betrokken actoren.
Hoe gaat AI behulpzaam zijn bij OMSBO en tot een hogere beleidskwaliteit leiden met een significant reductie van ongewenste neveneffecten?
De huidige beleidsontwikkelingsbeperkingen overstijgen
Beleidsontwikkeling in Nederland is vaak een iteratief proces, waarbij data-analyse en feedback van belanghebbenden centraal staan. Hoewel dit proces in veel gevallen doeltreffend is, kent het beperkingen. Een van de grootste problemen is dat de consultatie vaak beperkt blijft tot specifieke groepen of organisaties, waardoor beleidsmakers niet altijd inzicht hebben in de nuances en diversiteit van meningen binnen de samenleving. Bovendien kan het proces van data-analyse traag en reactief zijn, waardoor het lastig is om snel in te spelen op actuele ontwikkelingen (Bovens & ‘t Hart, 2016).
Grootschalige interactie met burgers
AI maakt het mogelijk om op schaal met burgers te communiceren en hun meningen, zorgen en ideeën te verzamelen. Daarbij kunnen tools zoals natuurlijke taalverwerking (NLP: Natural Language Processing) worden ingezet om enorme hoeveelheden feedback te analyseren uit enquêtes, sociale media, en openbare consultaties. Hierdoor ontstaat een gedetailleerd en breed gedragen inzicht in wat er leeft in de samenleving (Zhang et al., 2021). Van belang is wel dat het een open multi stakeholder beleidsontwikkelingsproces blijft waarin de stappen en gemaakte analyses in dat proces navolgbaar en traceerbaar blijven voor alle betrokkenen (Van Hoesel & Herold, 2020).
Een voorbeeld: Stel dat de overheid nieuw klimaatbeleid ontwikkelt. Met AI kunnen beleidsmakers tienduizenden reacties op klimaatvoorstellen automatisch analyseren, waarbij patronen en sentimenten worden blootgelegd. AI-modellen kunnen daarnaast specifieke vragen beantwoorden, zoals: Welke zorgen hebben burgers over de economische impact van dit beleid? Welke groepen in de samenleving voelen zich het meest geraakt? (Sun & Scanlon, 2019).
Dit zorgt niet alleen voor meer inclusiviteit, maar verkleint ook de kans dat bepaalde groepen worden gemist of buitengesloten in het beleidsproces (Dalal et al., 2020). Dit is effectiever dan werken met een burgerberaad op dit thema.
AI en experimentele benaderingen
Naast het verzamelen van burgerfeedback, kan AI ook bijdragen aan meer experimentele benaderingen van beleidsontwikkeling. Beleidsmakers kunnen AI gebruiken om beleidsvoorstellen te simuleren, testen en verfijnen voordat ze worden uitgerold. Dit kan via technieken zoals agent-based modeling, waarbij AI-simulaties laten zien hoe verschillende groepen reageren op nieuw beleid (Gilbert & Troitzsch, 2005).
Bijvoorbeeld, als de overheid een nieuw belastingbeleid overweegt, kan AI helpen voorspellen hoe verschillende inkomensgroepen worden beïnvloed. Door deze simulaties kunnen potentiële negatieve effecten in een vroeg stadium worden geïdentificeerd en aangepakt (Tesfatsion, 2017).
Bovendien kunnen AI-modellen worden gebruikt om op basis van historische gegevens de effectiviteit van vergelijkbare beleidsmaatregelen te evalueren. Dit “lerend beleid” stelt de overheid in staat om continu verbeteringen door te voeren op basis van data en inzichten (Brynjolfsson & McAfee, 2017).
Voordelen voor beleidskwaliteit en neveneffecten
De integratie van AI in OMSBO-beleidsontwikkeling biedt diverse voordelen:
- Betere/grootschaligere representatie en gebruik van de kennis van burgers
AI kan inzichten bieden uit een breed scala aan bronnen en meningen, waardoor beleid beter aansluit bij de wensen en behoeften van de samenleving (Floridi et al., 2018). - Snellere respons
Door het gebruik van AI kunnen beleidsmakers sneller inspelen op veranderende omstandigheden, zoals economische schokken of maatschappelijke crises (Manyika et al., 2011). - Reductie van ongewenste neveneffecten
Door middel van simulaties, (large scale) uitgebreide kwalitatieve ervaring- en inzichtuitvragen en voorspellende analyses kunnen potentiële problemen vroegtijdig worden gesignaleerd en voorkomen (Silver et al., 2016). - Efficiënt gebruik van middelen
AI kan repetitieve taken, zoals data-analyse, automatiseren, waardoor beleidsmakers meer tijd kunnen besteden aan strategisch denken en besluitvorming (Davenport & Ronanki, 2018).
De (andere) ethische kant
Hoewel de voordelen van AI veelbelovend zijn, brengt de technologie ook uitdagingen met zich mee. Transparantie is een belangrijk aandachtspunt, zoals ook in e OMSBO-criteria door Herold is beschreven (Herold, 2017). Burgers moeten erop kunnen vertrouwen dat AI-systemen eerlijk en objectief zijn (Binns, 2018). Daarnaast is er de vraag hoe AI omgaat met bias in de gegevens en hoe deze bias geminimaliseerd kan worden (Barocas et al., 2016).
Een andere uitdaging is de bescherming van privacy. Bij het verzamelen en analyseren van feedback van burgers moet de overheid zorgvuldig omgaan met persoonsgegevens en voldoen aan strenge privacywetgeving, zoals de Algemene Verordening Gegevensbescherming (AVG) (Voigt & Von dem Bussche, 2017).
Op weg naar een AI-kennisdemocratie
Om AI effectief in te zetten voor beleidsontwikkeling, moet de Nederlandse rijksoverheid investeren in kennis en technologie. Dit betekent niet alleen het trainen van beleidsmakers in het gebruik van AI-tools, maar ook het opbouwen van publieke AI-systemen die open, transparant en verantwoord zijn (Wirtz et al., 2019). Een alternatief is bestaande tools zoals Synthetron en Group Decision sofware te omarmen en uit te bouwen met AI-tools.
Open kennisuitwisseling en samenwerking tussen wetenschappers, burgers en maatschappelijke organisaties is cruciaal om ervoor te zorgen dat AI op een inclusieve en ethische manier wordt ingezet. Door AI te combineren met menselijke kennis, inzichten en onderzoeksdenken, kan de rijksoverheid een nieuw tijdperk van beleidsontwikkeling ingaan: een tijdperk waarin beleid niet alleen effectiever is, maar ook in de praktijk beter tot zijn recht komt en toekomstrobuuster (duurzamer) is (Cowls & Floridi, 2018).
Tot slot
De integratie van AI in het beleidsontwikkelingsproces biedt de Nederlandse rijksoverheid een unieke kans om beleid te verbeteren. Door grootschalige interactie met burgers te combineren met een onderzoeksgerichte aanpak, kan AI bijdragen aan inclusievere en effectievere beleidsmaatregelen, met minder ongewenste neveneffecten. Hoewel er uitdagingen zijn, kan een doordachte en ethische implementatie van AI de basis leggen voor een overheid die beter in staat is om te reageren op de complexe uitdagingen van de 21e eeuw (Margetts & Dorobantu, 2019).
Max Herold
Januari, 2025
(Vocale tophit over ongeschreven regels bij de Rijksoverheid)
Literatuur
- Barocas, S., Hardt, M., & Narayanan, A. (2016). Fairness in Machine Learning. Cambridge University Press.
- Binns, R. (2018). Fairness in algorithmic decision-making: An empirical perspective. Proceedings of the 2018 ACM Conference on Fairness, Accountability, and Transparency.
- Bovens, M., & ‘t Hart, P. (2016). Understanding policy success: Rethinking public policy. Public Administration Review.
- Brynjolfsson, E., & McAfee, A. (2017). Machine, Platform, Crowd: Harnessing Our Digital Future. W.W. Norton & Company.
- Cowls, J., & Floridi, L. (2018). Prolegomena to a white paper on an ethical framework for a good AI society. Philosophy & Technology.
- Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review.
- Dalal, N., Triggs, B., & Schmid, C. (2020). Human detection using oriented histograms of flow and appearance. Proceedings of the European Conference on Computer Vision.
- Floridi, L., & Taddeo, M. (2018). What is data ethics? Philosophical Transactions of the Royal Society A.
- Gilbert, N., & Troitzsch, K. G. (2005). Simulation for the social scientist. McGraw-Hill Education.
- Herold, M. (2017) Omgaan met ongeschreven regels: hoe beleidsambtenaren zelf openheid in de beleidsontwikkeling kunnen realiseren. Managementissues
- Hoesel, P. van, Herold, M. (2020). Beleidsontwikkeling in de 21e eeuw: hoe het anders kan (en zou moeten. Boombestuurskunde
- Margetts, H., & Dorobantu, C. (2019). Rethinking public policy in the era of AI. Oxford Internet Institute.
- Manyika, J., Chui, M., Bughin, J., Dobbs, R., Bisson, P., & Marrs, A. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute.
- Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., & van den Driessche, G. (2016). Mastering the game of Go with deep neural networks and tree search. Nature.
- Sun, T. Q., & Scanlon, P. M. (2019). How big data analysis supports public policy decision making. Global Journal of Business Research.
- Tesfatsion, L. (2017). Agent-based computational economics: A constructive approach to economic theory. Handbook of Computational Economics.
- Voigt, P., & Von dem Bussche, A. (2017). The EU General Data Protection Regulation (GDPR). Springer International Publishing.
- Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2019). Artificial intelligence and the public sector—Applications and challenges. International Journal of Public Administration.
- Zhang, A., Liao, Q. V., & Bellamy, R. K. (2021). Effectiveness of AI explanations in supporting human decision-making. Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems.