AI in de publieke sector en bij goede doelen.
We bouwen AI voor de overheid, het onderwijs en goede doelen: organisaties die inwoners, studenten en gemeenschappen helpen met weinig mensen en met publiek geld. Onze tools bereiden dossiers voor, beantwoorden standaardvragen en koppelen systemen op open standaarden. Ambtenaren, docenten en medewerkers nemen de beslissingen.
Branches in de publieke sector
Het werk, en waar software past
Gemeenten, universiteiten en goede doelen hebben iets gemeen: de vraag stijgt, budgetten zijn krap en elke beslissing moet uitlegbaar zijn. Medewerkers zijn veel tijd kwijt aan documenten zoeken, dezelfde vragen beantwoorden en data overzetten tussen systemen van verschillende leveranciers.
AI in de publieke sector helpt waar het dat voorbereidende werk overneemt en het oordeel bij mensen laat. We bouwen documentverwerking, zoeken met bronvermelding, AI-agents voor dienstverlening en koppelingen op standaarden zoals de ZGW API's en LTI. Toegankelijkheid en hosting in de EU zijn daarbij het uitgangspunt.
Wat we bouwen voor de publieke sector
Dossiers voorbereiden voor besluiten
Zaakdossiers, Woo-verzoeken, verzoeken aan de examencommissie en subsidieaanvragen verzameld, gecontroleerd en samengevat voor wie het besluit neemt.
Antwoorden voor inwoners en studenten
AI-agents die standaardvragen beantwoorden uit gecontroleerde bronnen en persoonlijke zaken met een samenvatting doorgeven aan medewerkers.
Zoeken in archieven en regelgeving
Raadsbesluiten, onderwijs- en examenregelingen en rapportages over opleidingen doorzoekbaar met een vraag, met bij elk antwoord een link naar de bron.
Koppelingen op open standaarden
Common Ground, ZGW API's, LTI en SURFconext om systemen te koppelen en minder afhankelijk te zijn van één leverancier.
Verantwoording en toegankelijkheid vanaf het ontwerp
Besluitlogboeken, gegevens voor het algoritmeregister en schermen volgens WCAG 2.1 AA horen bij elke oplevering.
Verder lezen
Human-in-the-loop AI-agents: ontwerppatronen
De human-in-the-loop-patronen die we gebruiken om AI-agents veilig live te laten draaien: goedkeuringsstappen, drempels voor zekerheid, rechten voor tools, audittrails en fallbacks.
5 min leestijd
Een RAG-chatbot bouwen waar mensen op kunnen vertrouwen
Wat er nodig is om van een veelbelovend RAG-experiment een chatbot te maken die mensen vertrouwen: inlezen, hybride zoeken, bronvermelding, rechten en evaluaties.
6 min leestijd
RAG evalueren: retrieval-metrics, faithfulness en golden sets
Wil je RAG evalueren, houd dan retrieval en antwoorden apart, controleer faithfulness per bewering en bouw een golden set die je kunt vertrouwen.
5 min leestijd
Veelgestelde vragen
Sommige toepassingen in de publieke sector vallen in de categorie hoog risico, zoals beoordelen of iemand recht heeft op een uitkering, of studenten beoordelen. Die plichten gelden vanaf 2 december 2027. We signaleren die toepassingen vroeg, ontwerpen voor menselijk toezicht en documentatie, en leveren wat nodig is voor het algoritmeregister en de interne toetsing.
Ja. We installeren in je eigen cloudomgeving of bij een hostingpartij die je zelf kiest, en gebruiken modellen die in de EU draaien. Persoonsgegevens kunnen we maskeren voordat tekst een model bereikt.
Van jou. Code, configuratie en documentatie komen in de eigen repositories van je organisatie, zodat die het kan onderhouden, hergebruiken of aan een andere leverancier kan overdragen.
Met één knelpunt dat goed bekend is en een duidelijke eigenaar heeft, zoals Woo-verzoeken, vragen van studenten of de intake van subsidieaanvragen. Onze AI-readiness-checklist helpt bij het kiezen en bij het voorbereiden van de data.