AI assistent (in ontwikkeling)
In ontwikkeling: slimme ondersteuning voor digitale compliance
De hoeveelheid digitale informatie binnen organisaties groeit snel. Websites, webapps, portalen, formulieren, beleidsteksten, verklaringen, leveranciersinformatie en normenkaders veranderen continu. Daardoor wordt het steeds lastiger om te zien waar informatie ontbreekt, waar tegenstrijdigheden ontstaan en welke acties nodig zijn om digitaal in control te blijven.
De AI assistent van KEA is in ontwikkeling om organisaties hierbij te ondersteunen. De module helpt straks om digitale content beter te begrijpen, verbanden te herkennen, inconsistenties zichtbaar te maken en verbeteracties concreter te formuleren.
De AI assistent wordt ontwikkeld binnen het bredere KEA-project, waarin Sigbar B.V. en de Rijksuniversiteit Groningen samenwerken aan een AI-gedreven compliance-assistent voor publieke en semipublieke organisaties. Cilde beschrijft KEA als een platform dat organisaties helpt inzicht, overzicht en grip te krijgen en te houden op hun digitale landschap. Daarbij ligt de nadruk op digitale toegankelijkheid, veiligheid, privacy en duurzaamheid.
Deze module is nog in ontwikkeling. We zoeken organisaties die willen meedenken, testen en deelnemen aan pilots.
Waarom een AI assistent?
Veel compliancewerk bestaat uit zoeken, vergelijken, interpreteren en opvolgen. Denk aan vragen als:
Staat op verschillende websites dezelfde informatie?
Is een privacyverklaring inhoudelijk gewijzigd of alleen opnieuw opgemaakt?
Welke pagina’s gaan over hetzelfde onderwerp?
Welke content is verouderd of tegenstrijdig?
Welke informatie ontbreekt voor een normenkader?
Welke verbeteractie hoort bij deze bevinding?
Welke eigenaar moet hiermee aan de slag?
Welk bewijsstuk hoort bij welke beheersmaatregel?
Dit zijn vragen die vaak veel handmatig werk vragen. De AI assistent is bedoeld om dat proces te ondersteunen. Niet door menselijke beoordeling te vervangen, maar door sneller inzicht te geven, verbanden zichtbaar te maken en suggesties te doen die door mensen kunnen worden gecontroleerd.
KEA moet daarmee niet alleen laten zien wat er misgaat, maar ook helpen begrijpen waarom iets aandacht vraagt en hoe het verbeterd kan worden. KEA moet zich onderscheiden doordat het niet alleen constateert wat er fout gaat, maar ook waarom en hoe dit kan worden verbeterd.
Samenwerking met de Rijksuniversiteit Groningen
De AI assistent wordt ontwikkeld in samenwerking met de Rijksuniversiteit Groningen. Binnen het project vertegenwoordigt de RUG wetenschappelijke kennis op het gebied van kunstmatige intelligentie, data science, semantische data-analyse en maatschappelijke vraagstukken.
De RUG ontwikkelt binnen het project de AI-kern van KEA: een lerende, uitlegbare en energie-efficiënte AI-architectuur waarmee Nederlandstalige webcontent semantisch kan worden geanalyseerd. De AI-kern moet ruwe webinhoud omzetten naar gestructureerde kennis en daarna verbanden, inconsistenties en veranderingen in de tijd herkennen.
Deze samenwerking is belangrijk omdat digitale compliance niet alleen een technisch vraagstuk is. Het gaat ook om taal, context, betekenis, nuance en verantwoord gebruik van AI. Juist daar ligt de meerwaarde van de combinatie tussen praktijkervaring van Sigbar en wetenschappelijke kennis van de RUG.
Wat gaat de AI assistent doen?
De AI assistent wordt ontwikkeld om verschillende vormen van ondersteuning te bieden binnen KEA. De precieze functionaliteit wordt tijdens de ontwikkeling en pilots verder gevalideerd, maar de richting is duidelijk.
1. Content begrijpen en groeperen
De AI assistent moet webcontent kunnen opdelen in betekenisvolle blokken, zoals tekstsecties, koppen, lijsten, tabellen en metadata. Daarna worden deze blokken semantisch vergeleken en gegroepeerd.
Zo kan KEA straks herkennen welke pagina’s, teksten of documenten inhoudelijk over hetzelfde onderwerp gaan, ook wanneer de formulering verschilt. In het ontwikkelplan wordt beschreven dat webcontent wordt gerepresenteerd in een vectorruimte en vervolgens wordt geclusterd, zodat thematisch verwante content bij elkaar wordt gebracht.
2. Informatie en feiten structureren
Veel informatie op websites is half gestructureerd. Denk aan openingstijden, contactgegevens, beleidsinformatie, toegankelijkheidsinformatie, privacyteksten, tabellen of lijsten. De AI assistent moet helpen om zulke informatie om te zetten naar gestructureerde gegevens.
Daarvoor combineert de RUG deterministische parsers met LLM-ondersteunde extractie. In het ontwikkelplan staat dat deze aanpak wordt gebruikt om herhalende velden, zoals openingstijden, adresgegevens of beleidsteksten, samen te vatten in uniforme schema’s.
3. Tegenstrijdigheden herkennen
Organisaties hebben vaak meerdere websites, subdomeinen en portalen. Daar kan informatie op verschillende plekken net anders zijn. Soms is dat logisch, maar soms ontstaat verwarring of risico.
De AI assistent moet helpen om inconsistenties zichtbaar te maken. Bijvoorbeeld wanneer twee websites verschillende informatie geven over hetzelfde proces, wanneer een beleidsregel op Ă©Ă©n pagina is aangepast maar elders niet, of wanneer een verklaring inhoudelijk afwijkt van wat in het register staat.
In het ontwikkelplan wordt beschreven dat KEA tekstparen moet kunnen classificeren als consistent, tegenstrijdig of onvergelijkbaar. Ook wordt gewerkt aan een tijdreekscomponent die inhoudelijke wijzigingen kan onderscheiden van alleen stilistische aanpassingen.
4. Veranderingen door de tijd volgen
Digitale content verandert voortdurend. Een pagina wordt aangepast, een document wordt vervangen, een verklaring wordt opnieuw gepubliceerd of een leverancier wijzigt informatie.
De AI assistent moet helpen om zulke veranderingen beter te duiden. Niet elke wijziging is belangrijk. Een aangepaste opmaak of kleine tekstcorrectie is iets anders dan een inhoudelijke wijziging in een privacyverklaring, toegankelijkheidsverklaring of beleidstekst.
Door inhoudelijke wijzigingen te herkennen, kan KEA organisaties helpen om sneller te bepalen waar review of opvolging nodig is.
5. Bevindingen vertalen naar acties
De AI assistent moet uiteindelijk niet alleen signaleren, maar ook helpen bij de vertaalslag naar actie. Bijvoorbeeld door een bevinding samen te vatten, een mogelijke oorzaak te benoemen, een eigenaar te suggereren of een verbeteractie te formuleren.
Dat sluit aan op de bredere KEA-aanpak: inzichten worden niet los gepresenteerd, maar gekoppeld aan registerinformatie, normenkaders, uitvragen, worker-resultaten en workflow-opvolging.
Van losse signalen naar begrijpelijke uitleg
KEA bevat verschillende modules die informatie verzamelen en analyseren. De Worker module haalt technische signalen op, de Compliancy module koppelt normenkaders aan assets, de Uitvraag assistent verzamelt informatie bij teams en leveranciers, en het centrale register bewaart eigenaarschap, status en context.
De AI assistent voegt daar een extra laag aan toe: betekenis en uitleg.
Waar een worker bijvoorbeeld kan signaleren dat een toegankelijkheidsverklaring verouderd is, kan de AI assistent helpen om de inhoud te vergelijken met eerdere versies of met vergelijkbare verklaringen. Waar het register laat zien dat meerdere websites onder hetzelfde thema vallen, kan de AI assistent helpen om inhoudelijke overlap of tegenstrijdigheid zichtbaar te maken.
Zo ontstaat niet alleen data, maar ook duiding.
Uitlegbaar en controleerbaar
Voor Cilde is het belangrijk dat AI niet als black box wordt ingezet. De AI assistent moet uitlegbaar en controleerbaar zijn. In het ontwikkelplan staat dat elke voorspelling wordt gekoppeld aan de exacte brontekst en URL, zodat menselijke reviewers kunnen terugzien waarom het model tot een bepaald advies kwam. Ook wordt gewerkt aan een explainability layer waarmee beslissingen beter te begrijpen en te controleren zijn.
Dat past bij het doel van KEA: niet alleen automatiseren, maar organisaties helpen om aantoonbaar, verantwoord en herleidbaar te werken.
Daarom geldt voor de AI assistent:
AI-resultaten zijn ondersteunend, niet beslissend;
gebruikers moeten kunnen zien waarop een advies is gebaseerd;
bronverwijzingen blijven zichtbaar;
menselijke review blijft onderdeel van het proces;
bevindingen worden gekoppeld aan bewijs, context en eigenaar;
afwijkingen en onzekerheden moeten herkenbaar zijn.
Privacy, toestemming en lokaal trainen
De AI assistent wordt ontwikkeld met privacy en verantwoord AI-gebruik als uitgangspunt. Er wordt niet getraind met data waarvoor geen expliciete toestemming is gegeven. Organisatiedata wordt dus niet zomaar gebruikt om modellen te verbeteren.
Training en finetuning vinden alleen plaats wanneer daar duidelijke afspraken over zijn gemaakt en expliciete toestemming voor is gegeven. Daarbij geldt als uitgangspunt dat training lokaal op eigen machines plaatsvindt, zodat data niet onnodig wordt gedeeld met externe AI-platformen of publieke modellen.
Dit is belangrijk voor:
- bescherming van vertrouwelijke informatie;
- naleving van de AVG;
- beheersing van datastromen;
- voorkomen van ongewenst hergebruik van organisatiedata;
- aantoonbaarheid richting bestuur, privacy officer en CISO;
- voorbereiding op eisen vanuit de Europese AI Act.
Privacy by Design en Security by Design zijn onze uitgangspunten. We garanderen dat er geen persoonsgegevens worden opgeslagen of gebruikt voor AI-training. Ook wordt expliciet aandacht besteed aan uitlegbare, herleidbare en ethische AI
Relatie met het centrale register
Het centrale register vormt de basis van KEA. Daarin staan websites, webapps, applicaties, domeinen, leveranciers, eigenaren, normenkaders en lifecycle-informatie.
De AI assistent kan deze context gebruiken om analyses beter te begrijpen. Een tekst op een website is namelijk niet losstaand. Het maakt uit welke organisatie eigenaar is, welk normenkader van toepassing is, welke leverancier betrokken is en in welke lifecyclefase de voorziening zit.
Voorbeelden:
Een privacytekst wordt anders beoordeeld als er persoonsgegevens worden verwerkt.
Een toegankelijkheidsverklaring is relevanter wanneer de website onder DigiToegankelijk valt.
Een inhoudelijke wijziging vraagt eerder opvolging bij een live portaal dan bij een gearchiveerde projectsite.
Een tegenstrijdigheid is belangrijker wanneer meerdere websites naar dezelfde doelgroep communiceren.
Door AI-resultaten te koppelen aan registerdata ontstaat bruikbare stuurinformatie.
Relatie met de Compliancy module
De Compliancy module laat zien welke normenkaders van toepassing zijn en waar gaps zitten tussen de huidige en gewenste situatie. De AI assistent kan helpen om bewijs, uitleg en inhoudelijke onderbouwing beter te vinden en te structureren.
Denk aan ondersteuning bij:
het herkennen van relevante passages voor een normenkader;
het samenvatten van bewijsstukken;
het signaleren van ontbrekende informatie;
het vergelijken van maatregelen tussen normenkaders;
het duiden van nuanceverschillen;
het voorbereiden van een gap-analyse;
het formuleren van verbeteracties.
Daarmee ondersteunt de AI assistent het principe Explain once, comply to many. Informatie hoeft niet telkens opnieuw te worden uitgelegd, maar kan worden hergebruikt waar dezelfde onderbouwing relevant is.
Relatie met de Worker module
De Worker module voert automatische controles uit op websites, domeinen en digitale voorzieningen. Denk aan signalen over toegankelijkheid, veiligheid, certificaten, scripts, uptime, webarchivering en moderne internetstandaarden.
De AI assistent kan deze signalen straks helpen duiden. Bijvoorbeeld door:
bevindingen begrijpelijk samen te vatten;
patronen te herkennen over meerdere domeinen;
bevindingen te koppelen aan relevante normenkaders;
mogelijke oorzaken te suggereren;
een prioriteit of opvolgactie voor te stellen;
verschillen tussen technische signalen en tekstuele verklaringen zichtbaar te maken.
Zo worden technische signalen begrijpelijker voor niet-technische gebruikers, zoals beleidsmedewerkers, webteams, compliance officers en managers.
Relatie met de Uitvraag assistent
Niet alle informatie kan automatisch worden gevonden. Soms is input nodig van een eigenaar, leverancier, beheerder of beleidsmedewerker. De Uitvraag assistent helpt om die informatie gestructureerd op te halen.
De AI assistent kan hierbij helpen door antwoorden te analyseren en te vergelijken met bestaande registerinformatie of normenkaders.
Voorbeelden:
Komt het antwoord van een leverancier overeen met wat in het register staat?
Is een toelichting volledig genoeg voor review?
Welke antwoorden bevatten risico’s of onzekerheden?
Welke informatie ontbreekt nog?
Welke antwoorden lijken op elkaar en kunnen worden hergebruikt?
Welke antwoorden vragen menselijke beoordeling?
Antwoorden blijven altijd onderdeel van een menselijk reviewproces. De AI assistent ondersteunt, maar neemt geen bestuurlijke of compliancebesluiten zelfstandig over.
Relatie met de LCM module
De LCM module kijkt naar de levenscyclus van digitale voorzieningen: van idee en ontwikkeling tot beheer, veroudering, uitfasering en archivering.
De AI assistent kan helpen om lifecycle-informatie inhoudelijk te verrijken. Bijvoorbeeld door te signaleren dat een website nog actief communiceert terwijl deze in het register op “uit te faseren” staat, of door te herkennen dat informatie op een oude projectsite nog steeds actueel lijkt te worden gebruikt.
Ook kan de AI assistent helpen bij het vergelijken van afspraken en werkelijkheid. Denk aan archiveringsafspraken, toegankelijkheidsinformatie, leveranciersinformatie of teksten over beschikbaarheid en ondersteuning.
Wat levert deelname aan een pilot op?
Een pilot met de AI assistent helpt om vroegtijdig ervaring op te doen met AI-ondersteunde digitale governance. Je krijgt inzicht in waar de module waarde toevoegt, welke informatie bruikbaar is en welke processen beter kunnen worden ondersteund.
Een pilot kan bijvoorbeeld gericht zijn op:
semantische analyse van websites en webcontent;
herkennen van verouderde of dubbele informatie;
detecteren van tegenstrijdigheden tussen websites;
analyse van toegankelijkheids- of privacyteksten;
vergelijking van verklaringen, beleidsstukken of webpagina’s;
ondersteuning bij normenkaders en bewijsvoering;
verbetering van workflows voor review en opvolging;
validatie van uitlegbaarheid en bruikbaarheid.
Daarbij staat altijd centraal dat resultaten worden beoordeeld door mensen. De pilot is bedoeld om te leren waar AI helpt, waar menselijke expertise nodig blijft en hoe de module veilig en verantwoord kan worden ingezet.
Meet weten