Stappenplan voor de implemen­tatie van AI in Gemeenten

Op basis van de aanpak en alle leerervaringen van de pilot bij de gemeente Breda, aangevuld met de ervaringen in de gemeenten Losser, Zeist en Tilburg, is onderstaand stappenplan ontwikkeld voor een verantwoorde implementatie van AI in je gemeente.​​​​​​​

Zoals eerder gememoreerd, is de succesvolle pilot opgeschaald naar drie gemeenten: Losser, Zeist en Tilburg. In deze gemeenten is getoetst of de aanpak vanuit Breda ook daar werkzaam is. In dit hoofdstuk wordt per stap ingezoomd op wat deze gemeenten hebben gedaan en wat daarvan kan worden geleerd. Interessant om alvast te benoemen is dat alle drie de gemeenten de terminologie van het “reisbureau” hebben losgelaten, terwijl de werkwijze qua bezetting en rolverdeling wel is overgenomen.

1

Open een reisbureau

De eerste stap in de route is het openen van een Reisbureau, waar medewerkers van de gemeente samen met een AI-specialist (de reisadviseur) een persoonlijke ‘reis’ uitstippelen.


In overleg met groepen medewerkers inventariseer je welke dagelijkse taken veel tijd kosten en waar AI kan ondersteunen. Dit kunnen routinetaken zijn zoals samenvattingen maken of notuleren, maar ook complexere zaken zoals beleidsanalyses. De reisadviseur helpt bij het omzetten van deze taken in concrete AI-toepassingen, waarbij medewerkers leren hoe ze AI effectief kunnen inzetten in hun werk. Elke reis bestaat uit meerdere taken, die zorgvuldig worden getest en geëvalueerd.


Richt binnen dit Reisbureau een digitale omgeving in, zoals een Teams-omgeving, waar reizigers vragen kunnen stellen en succesverhalen kunnen delen. Introduceer een plek waar reizigers hun prompts met elkaar kunnen delen. Gebruik bijvoorbeeld de Prompt Library die is ingebouwd in Copilot. Na drie maanden evalueer je: welke toepassingen werken goed, waar zit weerstand en welke lessen nemen we mee?


Privacy en security-collega's zijn een vast onderdeel van dit reisbureau. Alle geplande AI-taken worden voorgelegd aan deze ‘douane’. Elke twee weken toetst een security- en privacy officer of de toepassing voldoet aan de regels. Soms zijn er risico’s die met extra maatregelen kunnen worden ondervangen, zoals het gebruik van gemeentelaptops in plaats van privé-apparaten. In andere gevallen worden taken helemaal uitgesloten, zoals gevoelige gesprekken binnen het sociaal domein. Deze ‘douanecheck’ voorkomt dat AI onbedoeld gevoelige informatie verwerkt en zorgt voor een veilige integratie.



Stem de grootte van het reisbureau af

De grootte van het reisbureau kan wisselen, net als in de reisbranche. Je hebt grote reisbureaus die tientallen reizen tegelijk organiseren, maar ook kleine dorps reisbureaus die bijvoorbeeld 3 reizen per keer begeleiden. Stem de grootte van het reisbureau af op het aantal reizen dat je organiseert. In de gemeente Breda was de franchisenemer 30 uur per week actief, de productmanager 36 uur en de reisadviseur ook 36 uur. Deze inzet is gebaseerd op 150 licenties, waarbij er ongeveer 60 medewerkers tegelijk werden bediend.

De succesvolle pilot Ambtenaar 2.0 is in 3 gemeenten opgeschaald; de gemeenten Losser, Zeist en Tilburg. In die 3 gemeenten is getoetst of de aanpak vanuit Breda ook bij hen zo zou werken. We benoemen interessante bevindingen, die in sommige gevallen bevestigend zijn, en soms aanvullend. Ook afwijkingen ten opzichte van de originele methodiek benoemen we per gemeente. 


Interessant is dat door alle 3 de gemeenten de terminologie over het reisbureau is losgelaten, waarbij de werkwijze qua bezetting en rollen wel is overgenomen. 

Losser

Losser is een kleinere gemeente van ruim 23.000 inwoners onder de rook van Enschede, met ongeveer 250 medewerkers. Het reisbureau werd hier bemenst door twee personen, waarbij de taken uit de oorspronkelijke Bredase methodiek logisch over deze twee rollen zijn verdeeld. Dankzij de korte lijnen binnen de organisatie en de laagdrempelige infosessies kon het reisbureau in Losser snel en effectief werken. Een interne kartrekker met affiniteit voor (AI-)technologie en data speelde daarbij een belangrijke rol: door proactief en verbindend op te treden wist hij collega’s mee te nemen en ontstond er ruimte om te experimenteren.


Waar Breda met een vaste sprintduur van zes weken werkte, koos Losser voor meer flexibiliteit. Een begeleide sprint kan hier drie, zes of zelfs twaalf weken duren, zolang het maar past bij het tempo en de behoefte van het team. Het gekaderd oefenen staat centraal. Aan het begin van elke reis is er niet alleen aandacht voor techniek, privacy en archief, maar ook voor ethiek.


Losser heeft bovendien ervaring opgedaan met zowel de Copilot Chat-variant (M365 zonder betaalde licentie) als de volledige M365 Copilot-licentie. De chatvariant werkt prima voor basisgebruik, maar kent beperkingen zodra je bijvoorbeeld veel documenten wilt uploaden of uitgebreid wilt zoeken in eigen bestanden. In die situaties biedt de betaalde Copilot-licentie duidelijk meerwaarde. Gebruik je die functies minder, dan kan de chatvariant ook al voldoen.

L

Zeist

Z

In de gemeente Zeist zetten ongeveer 600 medewerkers zich in voor meer dan 66.500 inwoners.


In Zeist is de aanpak niet als losstaand experiment ingericht, maar gekoppeld aan het al bestaande AI Kernteam in de organisatie. Zeist koos ervoor om het reisbureau-concept te vertalen naar een praktische werkvorm. Collega's meldden zich als groepen aan en werkten samen aan een concrete uitdaging. Zo werd niet eerst een aparte structuur gebouwd, maar gewerkt 'in de praktijk, met de praktijk'.


Zeist werkte oplossingsgericht, beginnende met een kick-off per groep. "Is deze uitdaging geschikt om op te lossen met AI, wat zijn de pijnpunten, wensen en verwachtingen?" Er werden casussen opgesteld en kaders gesteld zodat eventuele winst in tijd, kwaliteit of werkgeluk later beter gemeten konden worden. De groepen gingen aan de slag met tools, prompts of agents die hun uitdaging aanpakten en kregen continu begeleiding vanuit het AI Kernteam. De privacy-expert is onderdeel van het team en denkt mee in plaats van tegen - zo kon Zeist snel én zorgvuldig meters maken.

Tilburg

Tilburg is een grote gemeente met meer dan 230.000 inwoners en ruim 2.200 medewerkers.


Tilburg startte met twee hypotheses, waarbij nadrukkelijk werd ingestoken op het toetsen van de methodiek niet alleen op Copilot, maar op AI-initiatieven in het algemeen. Hierdoor had de deelname niet alleen betrekking op persoonlijke efficiëntie en productiviteit, maar droeg deze ook bij aan het opstellen van een value case, waarbij de toegevoegde waarde voor zowel medewerker als burger kon worden meegenomen.


Door de toegenomen scope, interesse en adoptiesnelheid bleek het structureel inbedden van privacy en trainingscapaciteit een knelpunt. Capaciteit was onvoldoende continu beschikbaar, waarna werd besloten op te schalen om in de toekomst aan de toenemende vraag te kunnen voldoen.

T

2

Maak van medewerkers, vaardige reizigers

AI werkt pas optimaal als medewerkers snappen hoe ze het kunnen gebruiken. Daarom moet ‘prompten’ net zo vanzelfsprekend worden als het schrijven van een e-mail.


In deze fase breid je de trainingen en begeleiding uit, zodat AI-geletterdheid binnen de organisatie groeit. Organiseer trainingen waarin medewerkers weten wat AI is en leren hoe ze AI effectief kunnen inzetten. Gebruik de metafoor van de ‘superslimme stagiaire’: AI is altijd beschikbaar en werkt razendsnel, maar heeft sturing nodig en kan fouten maken.


Daarnaast is het cruciaal om een AI-community te creëren waarin collega’s van elkaar leren. Het reisbureau blijft actief om maatwerkbegeleiding te bieden, maar medewerkers moeten ook zelfstandig op ontdekkingstocht kunnen. Faciliteer daarom een online omgeving met wekelijkse tips, praktijkvoorbeelden en organiseer ‘promptathons’ waarin teams samen AI-uitdagingen oplossen. Maak gebruik van key-users: collega’s die al verder zijn met AI en als ambassadeur hun kennis delen. Hoe meer medewerkers ervaring opdoen en successen boeken, hoe sneller AI zich als een olievlek verspreidt binnen de organisatie.


Let op: Bedenk ook dat Breda inmiddels veel ervaring heeft met reizen en prompts; als nieuwe gemeente hoef je dus niet te pionieren naar plekken waar nog niemand is geweest. Bekijk de toolkit voor alle documentatie.

Losser

L

Naast de gekaderde sprint heeft Losser 75% van alle medewerkers vrijwillig weten te trainen met een zelf ontwikkelde training. Deze korte, praktische sessies gaven collega’s precies het zetje dat nodig was om te gaan experimenteren met Copilot Chat.


Daarnaast werkte Losser met leerkringen: groepen medewerkers die samen in één sprint zitten en daardoor van elkaars vragen, aanpak en ervaringen kunnen leren. Deze werkwijze bleek zeer effectief en zorgde ervoor dat kennis en vaardigheden zich snel binnen de organisatie verspreidden.

Zeist

In Zeist is kennisdeling vanaf het begin een vast onderdeel van de aanpak geweest. Het AI Kernteam werkt niet alleen aan experimenten, maar vooral aan het vergroten van AI-geletterdheid in de organisatie. Tijdens elk experiment delen de groepen hun bevindingen, prompts en resultaten met elkaar via een interne omgeving in Teams. Daar worden successen, leerpunten en voorbeeldprompts verzameld, zodat iedereen kan meeliften op de ervaringen van anderen.


Daarnaast organiseert het AI Kernteam kennissessies onder de noemer AI Café, waarin onderwerpen worden besproken zoals prompt design, duurzaamheid, en ethiek. In de cafés zit ook altijd een praktisch aspect: hoe helpt AI mij in mijn werk vandaag?


Collega’s die verder zijn, treden op als ambassadeurs binnen hun teams en begeleiden anderen om op gang te komen. Zo ontstaat een lerende gemeenschap waarin kennis voortdurend in beweging is. Het AI Kernteam verzamelt, cureert en verspreidt die kennis weer op een gestructureerde manier. In Zeist verspreidt AI zich daardoor als vanzelf via mensen, niet via beleid.

Z

Tilburg

T

Tilburg pakte de training rond AI grondig en strategisch aan. Er werd bewust gekozen voor het inschakelen van een extern bureau en het clusteren van functies, zodat medewerkers met vergelijkbare rollen gezamenlijk konden worden opgeleid. Deze groepsaanpak maakte het leerproces efficiënter en effectiever, terwijl individuele begeleiding aanzienlijk meer tijd en middelen zou vergen.


Het doel was om medewerkers snel op het juiste kennisniveau te brengen via training en begeleiding. De ervaring leerde dat zodra men het potentieel van de technologie ervoer, nieuwe en betere ideeën ontstonden over hoe deze optimaal benut konden worden. Een goede training was daarbij cruciaal. Dankzij deze aanpak kreeg de reisadviseur bovendien ruimte om meer coördinerende taken op zich te nemen, die eerder bij de productmanager lagen.
De verplichte training vormde wel een mogelijke bottleneck, omdat deze centraal werd georganiseerd, wat vroeg dat medewerkers beschikbaar waren of tijd vrijmaakten om deel te nemen.

3

Meet de impact en versnel de adoptie

Een AI-pilot zonder impactmeting is niet aan te raden. Daarom meet je vanaf dag één de resultaten.

Hoeveel tijd besparen medewerkers door AI? Hoeveel taken worden efficiënter uitgevoerd? Wat is de tevredenheid onder gebruikers? Maar ook: waar zitten mogelijke juridische of ethische bezwaren? Dit kan via enquêtes, werkplekinterviews en data-analyse van AI-gebruik. Wanneer we weten bij welke functiegroepen de meeste (tijds)winst te behalen valt, kun je vervolgens daar starten met de uitrol.


Dat is ook de reden om gebruik te maken van persona's. Door gebruik te maken van groepen medewerkers met vergelijkbare taken, versnel je de adoptie en boek je snel goede resultaten. Met standaard reizen of excursies hebben we in Breda snel geleerd waarvoor Copilot kan worden ingezet! Op deze manier zien medewerkers de toegevoegde waarde en kunnen ze daar ook specifieke trainingen op krijgen.


Reisverslagen

Losser

leren door te doen 

Losser leerde door te doen: medewerkers gebruikten AI voor hun eigen werk, van raadsstukken samenvatten tot data-analyse. Zo ontdekten ze al experimenterend waar AI echt helpt. Tegelijk ontwikkelde de gemeente met Saxion een ethisch kader om af te wegen wanneer inzet van AI wenselijk is — praktisch, zorgvuldig en direct toepasbaar.

Een bloemlezing van de use cases:

  • Specifiek case samenvatten grotere EU stukken, bijvoorbeeld energieverbruik door de regio
  • Learning by doing prompts schrijven
  • Cognos gebruikt voor uploaden foto in Copilot. Analyse maken van wat hij zag en wat welke grafiek betekende.
  • Samenvatten raadsstukken
  • CBS cijfers aanleveren

L

Zeist

leren met opzet

Z

In Zeist wordt elk experiment vanaf de start geëvalueerd. De nadruk ligt op drie vragen: levert het tijdswinst op, verbetert het de kwaliteit, en vergroot het het werkplezier? De betrokken teams formuleren vooraf hun verwachtingen, zodat effecten achteraf meetbaar zijn. Het goed in beeld brengen van de voor- en nadelen van AI is lastiger dan het lijkt, dus zorg voor een goede nulmeting.


De evaluatie gebeurt niet met dikke rapporten, maar in korte werkgesprekken waarin gebruikers hun ervaringen delen en verbeterpunten bespreken. Zo ontstaat een continu leerproces waarin inzichten direct worden toegepast in nieuwe experimenten.


Use cases:

  • Duidelijke taal
  • Recruiters
  • KCC
  • Vastgoed en ruimtelijke ontwikkeling
  • Projectbureau en projectplannen
  • Verslaglegging en notulen
  • Analyse assistent voor de directie
  • Online media adviseur
  • WCAG scanner
  • Een Brainstorm gedragswetenschapper

Tilburg

leren met structuur

Door de toenemende AI-volwassenheid werd al snel van persoonlijke efficiëntie overgestapt naar meer procesdenken. Hierdoor ontstonden grotere, schaalbare ideeën die gekoppeld konden worden aan afdelings- en organisatiedoelen, en daarmee ook de burger en beleidsvoering raakten. De bijbehorende value case zorgde voor draagvlak binnen de organisatie om AI te omarmen en zo gestelde doelen te behalen.


Use cases Tilburg

  • Elimineren van administratieve lasten door transcriptie
  • Advies geven op basis van regelgeving
  • Analyseren van klantsignalen (tekst) uit diverse bronnen zoals FIXI, KCC en CRM-systemen
  • Schrijfassistentie bij beleidsstukken
  • Documentanalyse voor automatische verwerking (bijvoorbeeld facturen en (bodem)onderzoeksrapporten)

T

4

Van pilot naar standaard werkwijze – AI als integraal onderdeel van de organisatie

De laatste stap is het volledig integreren van AI in de organisatie. Dit betekent dat AI niet langer een experiment is, maar een standaard hulpmiddel in het dagelijkse werk.


Je hebt als het ware een echte digitale collega. Een belangrijk aspect van deze fase is het blijven aanpassen en innoveren. AI ontwikkelt zich razendsnel en wat vandaag werkt, kan over een paar maanden alweer verouderd zijn. Zorg daarom voor een flexibele aanpak waarin nieuwe AI-mogelijkheden snel kunnen worden getest en geïmplementeerd. Gemeente Breda ontdekte dat sommige AI-functionaliteiten in het begin minder goed werkten, maar later verbeterden. Blijf dus experimenteren, blijf leren en zorg ervoor dat AI een vast onderdeel wordt van de werkcultuur. Op die manier blijft de organisatie wendbaar en toekomstbestendig.



Hoe kun je het structureel goed inbedden in de organisatie?

Losser

L

Losser heeft één medewerker opgeleid tot Prompt Engineer. Hij speelt een belangrijke rol in het structureel vormgeven van de AI-uitdagingen waar de gemeente de komende jaren mee te maken krijgt.


De sprintmethodiek wordt in Losser continu verbeterd met behulp van het Starfish-model. Daarmee kijken teams systematisch naar wat goed gaat, wat beter kan, waar ze mee moeten beginnen en wat juist moet worden afgebouwd. Zo blijft de werkwijze zich ontwikkelen en sluiten de sprints steeds beter aan op de praktijk.

Tilburg

T

Vrijwel alle AI-vraagstukken bleken te koppelen aan zowel een business case als een value case, direct en indirect. Hierdoor raakten deze vraagstukken alle lagen en afdelingen van de organisatie en hun doelen. Tilburg nam een kwartiermaker AI aan en voorzag daarmee in een duurzame, structurele rol, omdat AI-adoptie vele aandachtsgebieden kende.


Wat in Tilburg werd ervaren, was dat het gebruik van AI verschoof van ‘een teen in het water’ naar het aanpakken van grotere vraagstukken, zodra de organisatie werd begeleid door structuren die dit ondersteunden – zoals de methodiek in deze pilot. De AI-volwassenheid binnen de organisatie nam toe, maar iedereen startte op een ander punt op deze ladder, vaak zonder zicht op waar zij zich bevonden. Het zichtbaar maken van deze ladder werd dan ook een belangrijk onderdeel voor de organisatie richting de toekomst.

Zeist

In Zeist is AI al geen los experiment meer, maar onderdeel van het dagelijkse werk. Het AI Kernteam fungeert als vaste spil: het begeleidt teams, bewaakt privacy en ethiek en zorgt dat kennis behouden blijft.


AI wordt steeds vaker meegenomen in reguliere processen zoals besluitvorming en communicatie. Wat goed werkt, wordt opgeschaald; wat niet werkt, wordt aangepast. Zo groeit Zeist stap voor stap naar een organisatie waar AI gewoon bij het werk hoort.


Een goede learning hiervoor is om beleidsmakers vanaf het begin te betrekken en parallel aan de experimentele fase te werken aan een langetermijnvisie. Als AI eenmaal in je organisatie zit, is het namelijk moeilijk om er na een experiment weer volledig mee te stoppen.

Z

Deel dit artikel

Volgende pagina

Toolkit