Politiewerk in het AI-tijdperk: sneller en beter opsporen, maar altijd verantwoord

Surveillance: van losse signalen naar gevalideerde informatie

Surveillance is in essentie: data verzamelen, combineren, analyseren en interveniëren. De praktijk start vaak klein—met een melding, een getuige, een beeldfragment en groeit vervolgens snel naar een netwerk van bronnen. Camera’s, sensoren, registratiesystemen, open bronnen en sociale media: informatie komt van meerdere kanten tegelijk binnen.

Voor de politie is dan één stap cruciaal: validatie. Wat klopt? Wat is ruis? Welke informatie is betrouwbaar genoeg om direct op te handelen? Dat proces bepaalt het verschil tussen snelheid en overhaasting.

Wat een tragische casus zichtbaar maakt over datagedreven opsporing

De tragische aanslag op Peter R. de Vries laat zien hoe krachtig datagedreven opsporing kan zijn als bronnen effectief worden samengebracht.

In zo’n situatie ontstaat al snel een tijdlijn: gebeurtenissen met bijbehorende datapuntjes die je op een kaart kunt leggen. Ooggetuigenverklaringen, camerabeelden, en informatie die zich razendsnel via sociale media verspreidt. Het opsporingsbeeld wordt groter: de kaart groeit mee met de realiteit.

Een belangrijk kantelpunt is lokalisatie: waar is het voertuig? Waar beweegt het naartoe? Systemen voor automatische nummerplaatherkenning (ANPR) kunnen daarbij helpen. ANPR-camera’s hangen verspreid door Nederland; een ‘hit’ kan voldoende zijn om een voertuig opnieuw te lokaliseren en het zoekgebied te versmallen. In deze casus werd zichtbaar hoe snel dat kan gaan: binnen een uur volgde een aanhouding op de snelweg.

Tragisch in aanleiding, maar illustratief in les: datagedreven werken kan de snelheid en effectiviteit van opsporing vergroten, mits informatie goed wordt verzameld en gevalideerd, en processen strak zijn ingericht.

De verschuiving: data is explosief gegroeid

Wat vroeger een beperkt aantal bronnen was, is nu een enorme datavermeerdering. Niet alleen politiedata, maar data die in de maatschappij overal ontstaat: door telefoons, platformen, wearables, voertuigen, betaalprocessen. Data zit letterlijk in onze zakken en aan onze polsen.

Dat betekent dat surveillance in de praktijk niet alleen complexer wordt door meer data, maar ook door andere soorten data, van wisselende kwaliteit, met verschillende eigenaars en verschillende juridische kaders. De centrale uitdaging verschuift daarmee van ‘krijgen we genoeg data?’ naar ‘hoe blijven we selectief, proportioneel en verantwoord?’

AI verandert de hele veiligheidsorganisatie

AI komt niet “bovenop” bestaande werkwijzen. Het werkt door in meerdere lagen tegelijk:

• In de opsporing: ondersteuning bij detectie, filtering en het leggen van verbanden tussen datapunten.
• In de inzet van capaciteit: beter onderbouwde keuzes over waar en wanneer aanwezigheid nodig is.
• In contact met burgers: bijvoorbeeld via chatbots of virtuele agenten om bereikbaarheid en dienstverlening te versterken.
• In de organisatie zelf: nieuwe rollen, nieuwe vaardigheden, nieuwe vormen van besluitvorming en toezicht.

Daarmee verandert ook het personeelsvraagstuk. Het gaat niet alleen om agenten op straat, maar ook om mensen die AI-systemen kunnen ontwerpen, inregelen, monitoren en verantwoorden. Dat vraagt een ander type capaciteit en een andere manier van organiseren.

Publieke waarden: veiligheid én privacy horen bij elkaar

AI wordt vaak verkocht onder het mom van “meer veiligheid” en “efficiëntie”. Dat zijn belangrijke publieke waarden. Maar publieke organisaties hebben méér publieke waarden te beschermen: het recht op privacy, non-discriminatie en transparantie.

Daarom is “kan het?” nooit de enige vraag. “Mag het?” en “willen we dit?” horen er altijd bij, zeker wanneer AI leidt tot het verzamelen, combineren en opslaan van persoonsgegevens.

Wat TNO doet: technologie en inbedding vanaf het begin

TNO neemt, afhankelijk van de vraag, verschillende rollen aan. TNO brengt verschillende expertises in. We nemen zowel een technisch perspectief waarin wordt gericht op de ontwikkeling van experimentele technologie en mogelijke toepassingen, maar ook een organisatiekundig perspectief. Ook vanuit een organisatiekundig perspectief: welke eisen moet je stellen aan technologie zodat het werkt in een sociale omgeving, en vice versa, binnen wet- en regelgeving en in lijn met publieke waarden?

De sleutel zit in timing: niet pas nadenken over ethische, juridische en sociale consequenties als de technologie er al is, maar gedurende het hele ontwikkelproces. En óók kritisch durven zijn op de oplossingsrichting: niet elk probleem is technologisch op te lossen. Soms ligt een sociale oplossing meer voor de hand.

De kernvraag is dus: doen we met AI de goede dingen en doen we die dingen ook goed?

Kijken naar 2040: minder voorspellen, meer anticiperen

Voorspellen is lastig, zeker in een domein dat zo snel beweegt. Juist daarom is anticiperen essentieel. Dat vraagt een ander innovatie- en veranderproces. Traditioneel ontwikkelen en jaren later implementeren past niet meer bij de snelheid waarop AI zich ontwikkelt.

Wie invloed wil hebben, moet vroeg betrokken zijn: in de fase waarin R&D plaatsvindt, waar ontwerpkeuzes worden gemaakt die later moeilijk terug te draaien zijn. Dat betekent ook dat publieke organisaties moeten nadenken over nieuwe capaciteit en expertise in het innovatieproces: hoe zorg je dat je kunt meebeslissen, toetsen en bijsturen?