Dat de informatiehuishouding van de overheid kraakt in zijn voegen is algemeen bekend. Na honderden uren ontwikkelen met behulp van AI ben ik ervan overtuigd dat een fors deel van die problemen vrij vlot op te lossen is met de meest recente ontwikkelingen. Maar in plaats van de mogelijkheden te omarmen, houden veel overheden AI uit angst op afstand. Wie er daadwerkelijk mee werkt, ontdekt al snel dat wat complex lijkt, dat helemaal niet hoeft te zijn.

Afgelopen maand gebeurde er iets opmerkelijks. Terwijl de meeste mensen met hun familie aan tafel zaten, experimenteerden velen zoals ik en ontdekten we hoe we in een kwartier werkende iPhone-apps konden bouwen. Dingen die voorheen onmogelijk, tijdrovend of complex leken, waren ineens in minuten gepiept.

Veel mensen met verstand van IT of auditing keken me meewarig aan toen ik dit vertelde. Maar na elke demo die ik gaf, ongeacht voor welk publiek, werd het stil. Er is echt iets aan de hand. En de implicaties zijn niet gering.

The Atlantic kopte deze week "Move Over, ChatGPT" en beschreef hoe een mediaman een miljoen van zijn tekstberichten analyseerde, een wetenschapper in een uur een compleet onderzoekspaper repliceerde, en iemand anders AI zijn MRI-scan liet analyseren.

Eerder deze week schreef Milou Brand in het FD hoe ze haar eigen interactieve handelsrobot bouwde, een heatmap van rotsduiven maakte, de impact van sneeuw op treinuitval visualiseerde en een tool creëerde die beurskoersen omzet in haiku's. Zonder ook maar een woord programmeertaal te spreken. "Het is dat mijn tokens zo nu en dan opraken, anders kwam ik niet meer aan schrijven toe," schreef ze.

De tool die dit mogelijk maakt heet Claude Code, gemaakt door Anthropic.

Ondertussen hoor ik bij de meeste overheidsorganisaties die ik wekelijks spreek en bezoek, ondanks hun maatschappelijke opgaven rondom informatie, dezelfde extreme terughoudendheid rondom AI vanwege de risico's. De ironie is pijnlijk: precies de organisaties die het meest te winnen hebben bij deze technologie, zijn het meest verlamd door angst ervoor.

Niet dat ik die zorgen over AI niet onderschrijf overigens. De Cloud Act en de Foreign Intelligence Surveillance Act geven Amerikaanse autoriteiten vergaande mogelijkheden om data op te eisen van techbedrijven. Snowden toonde in 2013 hoe ver die surveillance reikt. Die zorgen zijn valide. Maar ze zijn uitgegroeid tot een algehele verlamming die eerder schadelijk is dan ons verder helpt.

Het publieke debat over AI kent twee smaken: apocalyptische angst of naïef enthousiasme. In de eerste variant nemen robots onze banen over en worden we allemaal gemanipuleerd door algoritmes. In de tweede variant lost AI al onze problemen op als we het maar omarmen. Maar beide verhalen missen het punt. Het genuanceerde en uiterst relevante verhaal dat de derde weg vormt, mis ik in het huidige discours.

Vrijwel iedereen denkt bij AI aan chatbots waar je je informatie naartoe stuurt. Maar er is een fundamenteel andere manier om met AI te werken: je laat AI code schrijven die vervolgens lokaal op je eigen systemen draait. De AI zit niet aan je informatie, maar aan de code die haar hanteerbaar maakt. Een simpel Python-script kan een CSV-bestand met 30.000 records in een paar seconden omzetten naar 30.000 bestanden met de metadata op de goede plek. Dat script draait op jouw computer, binnen jouw firewall, zonder dat er ook maar één byte naar een Amerikaanse server gaat. En voor de mensen bij wie nu de alarmbellen afgaan over AVG, CISO of aanbestedingsregels: die zijn hier niet van toepassing. Er verlaten geen persoonsgegevens je omgeving omdat alles binnen je eigen firewall draait, en aanbestedingsregels zijn niet van toepassing omdat je niets inkoopt maar code genereert. Ik schreef hier eerder over in BusinessWise.

Bij het horen van het woord script of code verlammen veel mensen acuut. Die woorden horen bij een wereld die voor de meesten thuishoort bij programmeurs. Maar ik ondervond in zo'n 700 uur de afgelopen maanden aan den lijve dat wat professor Felienne Hermans erover zegt klopt: IT is onnodig mystiek en verrassend simpel, zeker met hulp van de nieuwe tools zoals Claude Code. Een simpel script dat informatie van jou omzet op de manier die jij wenst, is in een paar minuten gemaakt zonder enige ervaring en zonder risico.

Het dominante narratief is dat AI ofwel briljant is ofwel gevaarlijk onbetrouwbaar. Beide kloppen niet. AI is als een kleuter: vol potentieel, maar je moet het opvoeden. Je laat een kleuter niet los in een keuken met messen en zegt daarna "zie je wel, kinderen kun je niet vertrouwen." Je leert ze wat ze wel en niet mogen. Je houdt toezicht. Je corrigeert. Met de juiste structuur, regels en audits kun je AI-gegenereerde output betrouwbaar maken. Niet door blind te vertrouwen, maar door te controleren. De enige manier om met AI te kunnen werken, is door te experimenteren en te beginnen. En al vrij snel beschik je over krachten die lange tijd beloofd waren qua werken met computers en nu eindelijk binnen een paar toetsaanslagen beschikbaar komen.

Het gaat hier niet om complexe systemen die kritieke processen aansturen, maar om simpele scripts die data helpen structureren of gestructureerde data omzetten in betekenis. Met ruim 700 uur ervaring kom ik nauwelijks fouten tegen. En mocht je twijfelen: een steekproefcontrole is ook in een paar minuten gemaakt.

Tot voor kort had je programmeerkennis nodig om scripts te schrijven die je eigen data verwerken. Die drempel is verdwenen. Met AI-tools kunnen mensen zonder technische achtergrond nu werkende code laten genereren die lokaal draait. De expertise verschuift van "code schrijven" naar "weten wat je wilt en controleren of het klopt." Honderdduizenden ambtenaren werken dagelijks zelfstandig met documenten, datasets en notities. Ze maken draaitabellen in Excel, kopiëren bestanden, hernoemen mappen. Daar vraagt niemand toestemming voor. Een lokaal script dat hetzelfde doet, alleen sneller, is geen andere categorie van handelen. Het is één of twee stappen verder dan een automatische regel in je mail die berichten in het juiste mapje plaatst.

Dit principe werkt met elke AI-tool, ook met de Copilot waar veel overheidsorganisaties al voor betalen. Het gaat niet om welke AI je gebruikt, maar om hóé je het gebruikt. Het verschil zit tussen "data naar AI sturen" en "AI code laten schrijven die lokaal draait." In het eerste geval gaat je informatie naar Amerikaanse servers. In het tweede geval gaat alleen je instructie naar de AI, en blijft je data waar die hoort: bij jou.

Het AI-landschap verandert voortdurend. Anthropic en Google hebben nu de sterkste kaarten, maar dat kan over een jaar anders zijn. Het gaat niet om de specifieke tool, maar om iets groters: een deel van de grote AI-belofte is de afgelopen maanden onder onze neus ingelost. Het enige wat we nu moeten doen is ermee beginnen in het klein en ontdekken wat werkt. En vooral onderling veel uitwisselen over wat je voor elkaar gekregen hebt en hoe je dat deed. Hoe sneller medewerkers in je organisatie dit gaan doen, hoe sneller je van heel veel externe IT-leveranciers af bent.

Dit geldt voor vrijwel elke informatieuitdaging waar overheidsorganisaties mee worstelen, van Woo-verzoeken waarbij duizenden documenten moeten worden doorgespit tot archiefachterstanden die al jaren liggen te wachten, van bewaartermijnen die handmatig moeten worden bijgehouden tot datasets die verrijkt moeten worden met metadata. Wat tot voor kort tijdrovend werk was, is met AI secondenwerk geworden, en het kan allemaal lokaal op je eigen computers en veilig.

Wie nu denkt dat Woo-verzoeken, archieven en bewaartermijnen te serieus zijn voor 'een scriptje', draait de werkelijkheid om. Het gaat hier om repetitieve taken met duidelijke regels. Precies het werk waar scripts in uitblinken. Een script past dezelfde regels consistent toe op elk document, waar een mens bij document 2.847 fouten gaat maken. En auditing van een script is eenvoudiger dan auditing van duizenden handmatige handelingen: je kunt precies zien wat het doet en het met dezelfde uitkomst opnieuw draaien. Bovendien is het alternatief voor 'een scriptje' niet een perfect handmatig proces. Het alternatief is de huidige situatie, waarin die Woo-verzoeken en archiefachterstanden blijven liggen.

Dit is geen luxediscussie voor wie tijd over heeft. De informatieachterstanden bij overheidsorganisaties groeien terwijl de rest van de wereld in razend tempo capaciteit opbouwt die straks niet meer in te halen valt. Elke maand dat de angst voor Big Tech verhindert dat men naar de alternatieven kijkt, blijft werk liggen dat nu al aangepakt had kunnen worden.

Voorzichtigheid is begrijpelijk en soms verstandig. Maar wat ik zie bij de meeste overheden is geen weloverwogen afwachten. Het is terughoudendheid die leidt tot de bekende weg: Copilot voor het maken van samenvattingen en analyses. Terwijl de grootste vraagstukken rondom informatiehuishouding opgelost zouden kunnen worden met een ander perspectief op AI.

Daar komt nog iets bij. Copilot moet zonder goede metadata met brute rekenkracht door ongestructureerde documenten ploegen, elke keer opnieuw. Dat is duur en energie-intensief. Een simpel script dat lokaal op je eigen machine draait en data structureert, doet hetzelfde werk voor een fractie van de milieubelasting. Overheden zouden zich hier rekenschap van moeten geven, maar ik heb niet het idee dat dit op de radar staat bij de kwartiermakers en beslissers over AI.

Als je toch met AI aan de slag gaat, gebruik het dan op een slimme manier. Niet voor gratis letters en plaatjes, maar voor het structureren van je data en het op orde brengen van je informatiehuishouding. Wat ik hier beschrijf zijn in toenemende mate cruciale informatieskills waar de meeste informatiewerkers mee zullen moeten gaan werken.

De ironie is dat juist het niet-handelen de afhankelijkheid van Big Tech vergroot. Want organisaties die hun eigen informatiehuishouding niet op orde krijgen, worden steeds afhankelijker van externe partijen die dat wel kunnen. En die externe partijen zijn vaak precies de Amerikaanse techbedrijven waar men zo bang voor is.

De cultuur van risicomijding bij overheden wordt vaak aangevoerd als reden om niet te experimenteren. Maar diezelfde cultuur is precies de oorzaak van de problemen die ik beschrijf. Door risico's te vermijden creëren organisaties grotere risico's: groeiende achterstanden, toenemende afhankelijkheid, een kloof die steeds moeilijker te dichten wordt. En wat ik hier beschrijf is juist laag-risico. Er gaat geen data naar buiten, er wordt niets aanbesteed, en als een script niet werkt heb je alleen wat tijd verloren.

In elke organisatie lopen mensen rond die ik Wimmen en Kimmen noem: mensen die Weten Iets Meer of Kunnen Iets Meer. Ze hebben de nieuwsgierigheid van een hacker en het geduld van een onderzoeker. Ze experimenteren vaak stilletjes, want ze denken dat de baas er niet blij van wordt. De Wimmen en Kimmen beschikken over iets wat geen gespecialiseerde afdeling kan bieden: actuele kennis van de werkvloer. Ze weten waar de pijn zit omdat ze die dagelijks voelen. Terwijl veel stafafdelingen de werkelijkheid op de werkvloer uit het oog zijn verloren, kunnen deze mensen met hun creativiteit en domeinkennis oplossingen creëren die van bovenaf bedachte projecten over het hoofd zien. Dat is geen schaduw-IT. Dat is onbenut kapitaal.

Geef ze een podium. Want wat van ver komt lijkt beter, en dus wordt er veel geld verspild aan externe consultants terwijl de Wimmen en Kimmen van je eigen organisatie alleen maar ruimte nodig hebben.

De vraag 'wie onderhoudt al die scripts' komt uit een oude wereld waarin code schaars en duur was. Veel scripts hoef je helemaal niet te onderhouden. Ze doen een klus en dan ben je klaar. En als een systeem verandert, genereer je in een paar minuten een nieuw script. Vergelijk dat met de huidige situatie: organisaties die afhankelijk zijn van externe IT-leveranciers die op complexe, dure manieren iets doen wat vaak veel simpeler kan. De vraag is niet of dit perfect is, maar of het beter is dan wat we nu hebben.

Begin klein met één verzameling documenten waar je al jaren mee worstelt. Laat AI een script schrijven dat metadata extraheert, controleer het resultaat, en leer wat werkt en wat niet. De expertise van informatiespecialisten wordt niet vervangen door AI. Die expertise wordt bevrijd van het saaie handwerk, zodat mensen kunnen doen waar ze echt goed in zijn: informatie toegankelijk maken en anderen helpen vinden wat ze zoeken.

Het afgelopen kwartaal ontdekte ik hoe slecht de werelden van informatieprofessionals en IT'ers elkaar verstaan. Die kloof leidt tot grote vraagstukken en miljarden aan onnodige kosten. Maar mijn voorlopige conclusie is hoopvol: mensen die informatie echt snappen, kunnen dankzij AI sneller en makkelijker met technologie omgaan dan andersom. De oplossing die organisaties nodig hebben hoeft niet uit de IT-hoek te komen.

Want hier zit het echte probleem: te veel mensen met een mening over AI, en met beslismacht of een podium, praten over AI zonder er zelf echt mee te werken.

Bij veel gemeentes lopen kwartiermakers rond die namens de organisatie verkennen wat de kansen en bedreigingen zijn van AI. Maar geen van de kwartiermakers die ik sprak is zelf aan het uitproberen wat ik hier beschrijf, terwijl daar juist de beste kansen liggen. Ze schrijven notities over AI in plaats van ermee te werken. Die kloof tussen praten en doen kunnen we ons niet veroorloven, zeker niet bij een technologie die zo snel beweegt en maatschappelijke opgaven die zo groot zijn.

Het alternatief ligt besloten in een woord: amateur, afgeleid van het Latijnse amare, liefhebben. Noem jezelf geen AI-expert maar een AI-amateur, iemand die van het onbekende houdt en gewoon begint met experimenteren.

Op 30 januari organiseert Frank Meeuwsen een gratis workshop Claude Code bij deDigitale Fitheid Meetup in Wonders of Work naast Utrecht Centraal. Een mooie kans om hiermee te experimenteren met een beetje hulp, zodat je aan den lijve kunt ondervinden hoe makkelijk het ineens geworden is.