GovGPT Academy

Hoofdstuk 1. AI begrijpen en herkennen

Bronnen bij hoofdstuk 1

Kennisclip 2:25
Waar deze clip over gaat

Je ziet op welk onderzoek en welke regels de lessen van hoofdstuk 1 steunen, en waarom je ook bij die bronnen kritisch blijft lezen.

De video laadt pas als je op afspelen klikt. YouTube draait dan in de privacyvriendelijke modus.

Lees het transcript

Hoi! Fijn dat je er weer bent. De lessen in hoofdstuk 1 bouwen op onderzoek en rapporten. In deze clip zie je per les waar het op steunt.

Bij les 1.1 beschrijft de WRR, 2021, AI als een systeemtechnologie, zoals elektriciteit, die ook de overheid ingrijpend verandert. Bovens en Zouridis, 2002, beschreven hoe ICT de beslisruimte verschuift, van het loket naar systemen. Bij les 1.2 legt Shanahan, 2024, in een essay uit dat een taalmodel berekent welk woord waarschijnlijk volgt, en daardoor lijkt te denken. Bij les 1.3 telde de Algemene Rekenkamer, 2024, 433 AI-systemen bij het Rijk. Maar 5 procent stond in het Algoritmeregister. De Autoriteit Persoonsgegevens, 2026, ziet dat veel gemeentelijke organisaties er nog geen enkel algoritme in hebben gezet.

Bij les 1.4 lieten Dell'Acqua en collega's, 2026, zien dat kenniswerkers binnen het bereik van AI sneller en beter werkten. Bij een complexe taak daarbuiten vonden ze 19 procent minder vaak de juiste oplossing. Wirtz en collega's, 2019, zetten in een overzichtsartikel tien toepassingsgebieden van AI bij de overheid naast de uitdagingen. Bij les 1.5 vonden Dahl en collega's, 2024, dat taalmodellen bij juridische vragen in minstens 58 procent van de gevallen iets verzonnen. Walters en Wilder, 2023, controleerden bronnen van ChatGPT. Bij de oudere versie was 55 procent verzonnen, bij de nieuwere 18 procent. Bij les 1.6 ondervroegen Lee en collega's, 2025, 319 kenniswerkers. Meer vertrouwen in AI ging samen met minder kritisch denken. Young en collega's, 2019, beschrijven kunstmatige beslisruimte. Dat helpt kiezen welk deel van een taak je aan AI geeft.

Onderzoek naar AI gaat snel, en bronnen kunnen elkaar soms tegenspreken. Blijf daarom zelf kritisch lezen, ook bij de bronnen die wij kiezen.

De volledige bronnenlijst met links staat bij deze les op academy.civai.eu. Lees gerust een bron die je nieuwsgierig maakt. Veel succes, en tot in de volgende les!

Alle bronnen van hoofdstuk 1

Les 1.1 Waarom AI de overheid raakt

  • Wetenschappelijke Raad voor het Regeringsbeleid. (2021). Opgave AI. De nieuwe systeemtechnologie (WRR-rapport 105). WRR. https://www.wrr.nl/publicaties/rapporten/2021/11/11/opgave-ai-de-nieuwe-systeemtechnologie (opent in een nieuw tabblad)
    De WRR beschrijft AI als een systeemtechnologie, vergelijkbaar met elektriciteit en de verbrandingsmotor, die de hele samenleving en dus ook het werk van de overheid ingrijpend verandert, en noemt vijf opgaven voor de overheid (demystificatie, contextualisering, engagement, regulering en positionering). Dat maakt duidelijk waarom de omgang met AI niet alleen een ICT-vraag is, maar een vraag voor iedere ambtenaar.
  • Bovens, M., & Zouridis, S. (2002). From street-level to system-level bureaucracies: How information and communication technology is transforming administrative discretion and constitutional control. Public Administration Review, 62(2), 174–184. https://doi.org/10.1111/0033-3352.00168 (opent in een nieuw tabblad)
    Dit klassieke artikel laat zien hoe ICT in grote uitvoeringsorganisaties de beslisruimte verschuift van de ambtenaar aan het loket naar systeemontwerpers en software, met gevolgen voor de rechtsstaat. Het is de basis onder de vraag die deze cursus steeds stelt: wie beslist er eigenlijk, als AI meeschrijft?

Les 1.2 Hoe een taalmodel tekst maakt

  • Shanahan, M. (2024). Talking about large language models. Communications of the ACM, 67(2), 68–79. https://doi.org/10.1145/3624724 (opent in een nieuw tabblad)
    Dit essay legt uit dat een taalmodel in de kern berekent welke woorden waarschijnlijk volgen op een reeks tekst, en waarschuwt dat het gesprek daardoor de indruk wekt van een denkend wezen. Voor een ambtenaar betekent dat: een vloeiend antwoord over regels of beleid zegt nog niets over de juistheid ervan.

Les 1.3 AI herkennen in je organisatie

Les 1.4 Waar AI goed in is, en waar niet

  • Dell'Acqua, F., McFowland, E., Mollick, E., Lifshitz, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2026). Navigating the jagged technological frontier: Field experimental evidence of the effects of artificial intelligence on knowledge worker productivity and quality. Organization Science, 37(2), 403–423. https://doi.org/10.1287/orsc.2025.21838 (opent in een nieuw tabblad)
    Kenniswerkers met GPT-4 werkten sneller en beter bij taken binnen het bereik van AI, maar kwamen bij een complexe taak daarbuiten 19 procent minder vaak tot een juiste oplossing. Voor de overheid betekent dat: per taak kiezen, en bewust zonder AI werken waar een fout grote gevolgen heeft.
  • Wirtz, B. W., Weyerer, J. C., & Geyer, C. (2019). Artificial intelligence and the public sector: Applications and challenges. International Journal of Public Administration, 42(7), 596–615. https://doi.org/10.1080/01900692.2018.1498103 (opent in een nieuw tabblad)
    Dit overzichtsartikel brengt tien toepassingsgebieden van AI in de publieke sector in kaart, met voorbeelden per gebied, en zet daar de uitdagingen tegenover. Het geeft deelnemers een kader om bij eigen taken te bepalen waar AI kan helpen en waar de risico's te groot zijn.

Les 1.5 Waarom AI fouten maakt

  • Dahl, M., Magesh, V., Suzgun, M., & Ho, D. E. (2024). Large legal fictions: Profiling legal hallucinations in large language models. Journal of Legal Analysis, 16(1), 64–93. https://doi.org/10.1093/jla/laae003 (opent in een nieuw tabblad)
    Algemene taalmodellen zoals ChatGPT 4 bleken bij juridische vragen in minstens 58 procent van de gevallen te hallucineren, konden hun eigen fouten slecht inschatten en gingen vaak mee met onjuiste juridische aannames van de vrager. Dat is precies het verzonnen wetsartikel uit deze les.
  • Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, Artikel 14045. https://doi.org/10.1038/s41598-023-41032-5 (opent in een nieuw tabblad)
    Van 636 literatuurverwijzingen van ChatGPT bleek 55 procent (GPT-3.5) en 18 procent (GPT-4) verzonnen, en ook echte verwijzingen bevatten fouten. Een bron in een nota of raadsvoorstel die je niet zelf hebt geopend, is dus nog geen bron.

Les 1.6 Jij, AI, jij

  • Lee, H.-P., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R., & Wilson, N. (2025). The impact of generative AI on critical thinking: Self-reported reductions in cognitive effort and confidence effects from a survey of knowledge workers. In Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (pp. 1–22). ACM. https://doi.org/10.1145/3706598.3713778 (opent in een nieuw tabblad)
    Bij 319 kenniswerkers hing meer vertrouwen in generatieve AI samen met minder kritisch denken, terwijl kritisch denken verschoof naar controleren, integreren en bewaken. Dat onderbouwt de drie stappen: eerst zelf denken, dan AI gericht inzetten, en zelf controleren en besluiten.
  • Young, M. M., Bullock, J. B., & Lecy, J. D. (2019). Artificial discretion as a tool of governance: A framework for understanding the impact of artificial intelligence on public administration. Perspectives on Public Management and Governance, 2(4), 301–313. https://doi.org/10.1093/ppmgov/gvz014 (opent in een nieuw tabblad)
    De auteurs introduceren het begrip "kunstmatige beslisruimte" en vergelijken die met menselijke beslisruimte naarmate taken specifieker of complexer worden. Het helpt deelnemers te zien welk deel van een taak je aan AI kunt geven en welk oordeel bij jou blijft.
Je voortgang blijft alleen in deze browser.