S08E87 - Politie en machine learning: dreigingsdetectie en bias herkennen

Oscar Wijsman en Ruud Staijen, beiden werkzaam bij de Nederlandse politie, zien hoe 65.000 medewerkers dagelijks met AI en data moeten omgaan zonder blind te vertrouwen op de uitkomst. Automation bias ligt op de loer: te veel leunen op AI-output zonder kritisch te blijven kijken naar de bron. Ze delen hoe je gemanipuleerde data herkent, waarom oude fouten binnen de organisatie actief besproken worden, en welke stappen nodig zijn voor verantwoorde Artificial Intelligence-implementatie.

Bij de politie ging het ontwikkelen van nieuwe procedures vroeger twee jaar duren, nu gebeurt dit in weken door voorlopers binnen de organisatie als voorbeeld te gebruiken. Morgen kun je in je eigen team achterhalen wie al verder is met AI en die kennis informeel delen, inclusief de fouten die daarbij horen.

Onderwerpen

• Herkennen en omgaan met gemanipuleerde data in politieonderzoek
• Kennisdeling binnen grote organisaties door verhalen en voorlopers in plaats van formele training
• Automation bias voorkomen door verificatie en behoud van vakmanschap naast AI-gebruik
• Leren van eerdere fouten zoals het Landdecker-arrest voor verantwoorde data-implementatie
• Praktische vertaling van de AI Act door actieve inbreng vanuit dagelijkse werkpraktijk

Links

• Podcast: AIToday Live podcast
• Evenement: Bezoek de Cloud Expo | 2 en 3 december 2026 - Cloud Expo
• Kaartspel: AI Game Changer - Generative AI editie

Genoemde entiteiten: Europol - Politieacademie - Europol AI Strategic Group

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

Copy Transcript Copied

1
00:00:01,520 --> 00:00:09,519
Welkom terug bij het tweede deel van het gesprek met Oscar Wijsman en Ruud Staijen van de Nederlandse politie.

2
00:00:09,519 --> 00:00:22,519
In het eerste deel hoorde je hoe data en AI bijdragen aan veiligheid, wat proportionaliteit inhoudt en hoe het Landsdecker arrest de manier van werken bij de politie heeft veranderd.

3
00:00:22,519 --> 00:00:31,519
We eindigden bij het verhaal over de crypto-telefoons en de eerste stappen richting AI, met de samenwerking met het Openbaar Ministerie.

4
00:00:31,519 --> 00:00:43,520
Vandaag gaat het verder. Je hoort hoe de politie met machine learning, dreigingen tegen personen proberen op te sporen, hoe je omgaat met bias en gemanipuleerde data.

5
00:00:43,520 --> 00:00:47,520
En wat je kunt leren van fouten uit het verleden.

6
00:00:48,520 --> 00:00:55,520
Deze week is het bij ons Data Expo week. De hele week hoort je sprekers van het evenement.

7
00:00:55,520 --> 00:01:07,519
Data Expo zelf vindt plaats op 9 en 10 september in de Jaarbeurs in Utrecht. Je ticket is gratis. De link om het te bestellen vind je in de shownotes.

8
00:01:07,519 --> 00:01:12,519
Hier is het tweede deel van het gesprek met Oscar en Ruud.

9
00:01:12,599 --> 00:01:15,238
Begin je dus met een hele goede gerichte vraag.

10
00:01:16,759 --> 00:01:17,799
Ja, toch?

11
00:01:18,679 --> 00:01:20,119
En dan is het ook, hoe krijg ik dat eruit.

12
00:01:20,119 --> 00:01:23,559
Nou, dat is gelukt hè om dat er dan uit te halen en vervolgens ontwikkel je.

13
00:01:23,878 --> 00:01:24,999
Is ook proportionaliteit.

14
00:01:25,159 --> 00:01:26,039
En haal je het.

15
00:01:26,358 --> 00:01:30,358
Want je doet niet alle data openzetten, je probeert een manier te vinden om gericht.

16
00:01:30,358 --> 00:01:32,438
De soort dingen eruit te halen.

17
00:01:32,679 --> 00:01:38,758
Dus ja, AI heeft aan de ene kant iets onheilspellends van alles en iedereen en open.

18
00:01:38,759 --> 00:01:42,758
En aan de andere kant kun je het ook gebruiken om privacy te beschermen.

19
00:01:42,759 --> 00:01:44,119
Kun je het ook gebruiken.

20
00:01:44,119 --> 00:01:50,679
Dus wij zijn opnieuw aan het uitvinden, hoe de balans is tussen vrijheid en veiligheid.

21
00:01:50,999 --> 00:01:52,999
En het is de Nederlandse samenleving.

22
00:01:53,159 --> 00:01:54,678
Misschien op de Europese samenleving.

23
00:01:54,999 --> 00:01:57,799
Dus wat je vooral doet, is wat we zeggen de heavy lifting.

24
00:01:57,799 --> 00:01:59,878
Dat is het werk wat je niet met de hand kan doen.

25
00:01:59,878 --> 00:02:02,999
En het voordeel is, je kunt die machine ook dingen laten filteren.

26
00:02:02,999 --> 00:02:07,079
Stel zo'n telefoon, daar heb je heel veel data in, maar er zit ook een heel medisch dossier in.

27
00:02:07,079 --> 00:02:09,399
Nou, daar mag je gewoon niet aankomen.

28
00:02:09,479 --> 00:02:12,358
Als je dat handmatig zou doen, dan moet je er eigenlijk eerst doorheen.

29
00:02:14,039 --> 00:02:17,238
Dan lees je dus persoon X allemaal markeert.

30
00:02:17,238 --> 00:02:18,999
En denk je, nou dat is allemaal relevant.

31
00:02:18,999 --> 00:02:20,038
Maar heb je het wel gelezen.

32
00:02:20,038 --> 00:02:23,159
Terwijl als je dat de machine laat doen, kunnen dat gewoon automatisch uitgooien.

33
00:02:23,159 --> 00:02:25,878
En dan heb je daar geen.

34
00:02:26,359 --> 00:02:31,079
Dat betekent ook wat voor data maturity of de data gedreven werken, kennis ervan hebben.

35
00:02:31,079 --> 00:02:36,519
En dat in zo'n brede gebruikersgroep van 65.000 medewerkers, dat betekent best wel wat.

36
00:02:37,159 --> 00:02:39,799
Hoe krijg je de mensen op het niveau dat nodig is?

37
00:02:39,799 --> 00:02:42,198
En wat voor niveaus hebben jullie?

38
00:02:42,199 --> 00:02:43,878
Dan moet je ook nog realistisch zijn.

39
00:02:46,758 --> 00:02:50,999
Toen we begonnen, is het altijd verstandig om even goed te analyseren.

40
00:02:50,999 --> 00:02:54,999
Toen hebben we met de hulp van een externe partij tien grote dataverzamelingen.

41
00:02:54,999 --> 00:03:00,678
en collega's uit die dataverzamelingen hebben we een soort scan gedaan.

42
00:03:01,958 --> 00:03:05,238
Voor de nerds onder ons, daar heeft een soort model.

43
00:03:05,318 --> 00:03:06,359
Dan kun je kijken.

44
00:03:06,359 --> 00:03:09,238
Ja dan zie je dat je aan het begin van een revolutie staat.

45
00:03:09,238 --> 00:03:13,558
En dat veel collega's die kennis nog niet hebben, procedures niet ingeregeld zijn.

46
00:03:13,878 --> 00:03:15,718
Kortom, je bent aan het ontdekken.

47
00:03:15,799 --> 00:03:21,079
Je kunt net kruipen en je moet leren lopen en je moet leren fietsen en je moet leren autorijden.

48
00:03:21,079 --> 00:03:22,919
Dat hebben we nu onlangs weer gedaan.

49
00:03:22,919 --> 00:03:25,399
En dan zie je wel dat dat vooruit gaat.

50
00:03:25,718 --> 00:03:27,238
En dan ga je op zoek.

51
00:03:27,238 --> 00:03:28,199
Op zoek naar de wind.

52
00:03:28,199 --> 00:03:29,879
Da waar wind is, kun je zeilen.

53
00:03:29,879 --> 00:03:34,999
Als collega's openstaan en ze willen, dan is dat een mooie plek om voorbeelden te halen.

54
00:03:34,998 --> 00:03:39,399
Dus als programmadirecteur zoek ik altijd naar mensen die in die voorhoede zitten.

55
00:03:39,398 --> 00:03:40,999
Daar maak je coalities mee.

56
00:03:40,998 --> 00:03:43,399
Je doet het altijd samen, alleen heeft helemaal geen zin.

57
00:03:43,398 --> 00:03:46,119
Altijd samen, en dat zijn dan weer de voorbeelden voor de rest.

58
00:03:46,439 --> 00:03:50,279
Dat leidt dan uiteindelijk tot bijvoorbeeld hun opleidingscatalogus.

59
00:03:50,278 --> 00:03:56,199
We hebben inmiddels een stuk of twintig opleidingen gemaakt samen met het politieveld, samen met de Politieacademie.

60
00:03:56,439 --> 00:04:02,519
En dat zijn de stapjes op weg naar inzicht, naar meer volwassenheid.

61
00:04:02,519 --> 00:04:06,838
Ja, want voor mijn beeld, gewoon politie op straat, die doet ook heel veel observaties.

62
00:04:06,838 --> 00:04:08,519
Dat zijn weer datapunten.

63
00:04:08,519 --> 00:04:13,558
Maar ja, de vraag is: is bij hun bekend dat de datapunt weer heel erg belangrijk is voor later.

64
00:04:14,039 --> 00:04:16,199
Dit zit wel onze DNA.

65
00:04:16,199 --> 00:04:23,319
Als je teruggaat naar de tijd van voor AI en voor grote dataverzamelingen, dan schreven wij dingen op en onze taal heet dat een mutatie.

66
00:04:23,319 --> 00:04:26,599
Je schrijft iets op wat je bijzonder vindt, wat afwijkend is.

67
00:04:26,599 --> 00:04:28,919
Dat staat in onze registratieve systemen.

68
00:04:28,919 --> 00:04:31,799
Wij hebben als een van de weinige landen nationale politie.

69
00:04:31,799 --> 00:04:40,678
En het is niet zelden geweest dat iemand die bij een verkeerscontrole toch even het bronnenplaatje opschreef, later de sleutel heeft gehad tot het oplossen van een moord.

70
00:04:40,678 --> 00:04:43,558
Dus dit weten wij echt wel, hoe dit zit.

71
00:04:44,519 --> 00:04:51,479
Maar je zei het een tijdje geleden al, de een kijkt linksom, de ander rechtsom, wat zie je en wat is dan afwijkend.

72
00:04:51,479 --> 00:04:53,239
Dit is ook een beetje het vak.

73
00:04:53,238 --> 00:04:55,878
Dus de politie schrijft best veel op.

74
00:04:56,359 --> 00:04:59,319
Daar komt bij dat techniek straks steeds meer kan.

75
00:04:59,639 --> 00:05:01,079
Camera's, sensoren.

76
00:05:01,079 --> 00:05:04,519
Daar komt het internet bij, dan schrijven mensen zelf dingen op.

77
00:05:04,519 --> 00:05:06,998
Dus die databerg die groeit.

78
00:05:07,079 --> 00:05:12,919
En daar moet je de speld in de hooiberg vinden, zoals Goldraad ooit zei.

79
00:05:12,919 --> 00:05:18,118
En als je die dan goed kunt duiden, want soms heb je de data, maar weet je niet wat ze betekent.

80
00:05:18,118 --> 00:05:20,839
Als je die goed kunt duiden, dan heb je de sleutel de zaak.

81
00:05:20,838 --> 00:05:22,039
Hoe ga je daarmee om?

82
00:05:22,118 --> 00:05:25,319
Want aan de ene kant heb je zoiets als automation bias.

83
00:05:25,398 --> 00:05:30,759
Dus dat je eigenlijk te veel gaat leunen op wat je als ondersteuning krijgt.

84
00:05:31,879 --> 00:05:42,359
Ik kan me zo voorstellen dat een politieagent misschien juist het omgekeerde heeft en dan misschien wat meer op zijn kennis ervaring, intuïtie vaart.

85
00:05:42,359 --> 00:05:45,478
Hoe zorg je dat je dat in balans krijgt?

86
00:05:45,478 --> 00:05:47,879
Laat ik beginnen bij de kernen van het politiewerk.

87
00:05:47,879 --> 00:05:50,439
Dit was voor al die data niet anders.

88
00:05:50,439 --> 00:05:56,599
Als een getuige overtuigd een verhaal vertelde, wilde dat nog niet zeggen dat dat de waarheid was.

89
00:05:56,598 --> 00:05:59,239
Want soms in het schema is een kleur anders.

90
00:05:59,239 --> 00:06:02,798
En politiemensen, die stapelen verschillende aanwijzingen.

91
00:06:02,798 --> 00:06:04,838
En die kijken naar inconsistenties.

92
00:06:04,838 --> 00:06:06,999
Of die kijken naar dingen die logisch zijn.

93
00:06:06,999 --> 00:06:09,239
Dat probeer je ook in de data te doen.

94
00:06:09,239 --> 00:06:16,958
Wat wel zo is, in onze moderne tijd van data, dat je op moet passen dat je niet jumping to conclusions.

95
00:06:17,199 --> 00:06:18,799
Waar zit ik nou naar te kijken?

96
00:06:18,798 --> 00:06:20,159
Van wie is die data?

97
00:06:20,158 --> 00:06:21,519
Hoe is die geregistreerd?

98
00:06:21,519 --> 00:06:22,559
Zit er een bias in?

99
00:06:22,559 --> 00:06:24,319
Zit er een bias in de software?

100
00:06:24,319 --> 00:06:26,239
Zit er een bias in de data?

101
00:06:26,239 --> 00:06:28,559
Zit er een bias in steekproef?

102
00:06:28,718 --> 00:06:31,999
Want data is maar een steekproef van alles wat buiten gebeurd is.

103
00:06:31,999 --> 00:06:37,278
Dus de vakman, de vakvrouw, die is zich bewust van die omstandigheden.

104
00:06:38,239 --> 00:06:40,799
Ja, dat zit eigenlijk ook in dat onderwijs.

105
00:06:40,798 --> 00:06:43,679
Wij moeten leren van dingen die niet goed gegaan zijn.

106
00:06:43,679 --> 00:06:49,598
Op de Data Expo zei ik, wij hebben ook al een paar uitgeleidingen gehad, dat is ook van alle tijden.

107
00:06:49,918 --> 00:06:52,399
En het is heel goed om van die uitgeleid te leren.

108
00:06:52,398 --> 00:06:52,958
Zeker.

109
00:06:52,958 --> 00:06:56,158
Ik wil wel zo een uitgeleid horen.

110
00:06:56,478 --> 00:07:03,918
Maar ik ben benieuwd, wat zou je mensen meegeven die niet dat politie DNA hebben, die zit in organisatie, werken ook heel veel met data.

111
00:07:04,158 --> 00:07:11,519
Hoe ontwikkel je nou dat gevoel dat je let op die inconsistentie.

112
00:07:11,759 --> 00:07:15,679
Het helpt als je een open cultuur hebt waarin verhalen verteld worden.

113
00:07:15,678 --> 00:07:19,838
Want je leert vaak van de fouten of de successen van anderen.

114
00:07:19,999 --> 00:07:25,118
Maar dan moet je dat kunnen delen zonder dat dat gelijk allerlei consequenties heeft.

115
00:07:25,918 --> 00:07:28,559
Je kunt ook theorie uitleren.

116
00:07:29,119 --> 00:07:35,519
Maar mijn ervaring is dat het echte werk doet het beter dan het theorieboekje.

117
00:07:36,319 --> 00:07:38,478
Laten we een uitgeleid pakken.

118
00:07:40,398 --> 00:07:42,799
We hadden het net over het Landdeckarrest.

119
00:07:43,439 --> 00:07:49,358
Het Landeckarrest zegt eigenlijk, we zijn heel goed in het verzamelen van data, maar we moeten het ook weer opruimen.

120
00:07:49,359 --> 00:07:51,598
en we moeten kijken wie toestemming geeft.

121
00:07:51,598 --> 00:07:55,278
Ja, als je dit van afstand bekijkt met de kennis van nu, is dit logisch.

122
00:07:55,278 --> 00:07:58,319
Maar vijf of tien jaar geleden dachten wij niet zo.

123
00:07:58,319 --> 00:08:00,799
Want er stond niet zoveel jaar.

124
00:08:01,759 --> 00:08:07,838
Dit soort inzichten zeggen iets over hoe wij met de data van het publiek omgaan.

125
00:08:07,918 --> 00:08:11,598
En het is niet voor niks dat we daar grote trajecten op gezet hebben om dit beter te doen.

126
00:08:11,918 --> 00:08:13,598
Nog zo'n voorbeeld.

127
00:08:15,199 --> 00:08:21,199
Laten we bijvoorbeeld de techniek nemen, je telefoon straalt aan op een paal.

128
00:08:21,199 --> 00:08:23,598
en dat bepaalt eigenlijk je positie.

129
00:08:23,599 --> 00:08:28,639
Maar de weersomstandigheden kunnen invloed hebben op de overdracht van die gegevens.

130
00:08:28,639 --> 00:08:31,119
Dus soms gaat er iets in de techniek fout.

131
00:08:31,119 --> 00:08:37,837
En als je daar je hele zaak op baseert, je moet eigenlijk weten naar welke data je zit te kijken.

132
00:08:38,239 --> 00:08:42,078
Soms hebben wij boeven die dit spelletje ook kennen.

133
00:08:42,078 --> 00:08:43,919
En die manipuleren data.

134
00:08:44,158 --> 00:08:49,119
Het is fijn als je weet dat de vijand dat af en toe doet, je komen uit de forensische wereld.

135
00:08:49,119 --> 00:08:56,319
En soms hebben we daar zaken gehad, waar is het onverklaarbaar, hoe het DNA van Jan Piet of Klaas op die was het er gewoon neergegroeid.

136
00:08:56,639 --> 00:08:59,439
Maar het is fijn als je een paar van die verhalen gehoord hebt.

137
00:08:59,439 --> 00:09:01,998
Want dan stop je in je systeem.

138
00:09:02,319 --> 00:09:03,918
Dat dat ook een mogelijkheid is.

139
00:09:03,918 --> 00:09:06,559
Heb jij ook zo'n war story, Oscar?

140
00:09:06,879 --> 00:09:07,998
Echt zo'n war story.

141
00:09:08,239 --> 00:09:10,319
Het is nou een war story is?

142
00:09:12,079 --> 00:09:21,679
Een van de dingen die we wel echt hebben moeten leren ook, is als je al puur kijkt naar je data, dat is wat Ruud ook zegt, die data niet altijd te werkelijk is.

143
00:09:21,678 --> 00:09:25,119
Dus er kan ook gewoon gemanipuleerde data tussen zitten.

144
00:09:25,359 --> 00:09:27,199
Die moet je wel kunnen herkennen.

145
00:09:27,999 --> 00:09:34,479
Het risico is, is dat je gewoon in eerste instantie gewoon een verkeerde kant oploopt, in een opsporingsonderzoek.

146
00:09:34,479 --> 00:09:39,278
En daar gewoon eigenlijk onnodig tijd aan besteedt die je niet aan andere dingen kunt besteden, is te herkennen.

147
00:09:39,359 --> 00:09:39,918
Sorry?

148
00:09:39,918 --> 00:09:41,598
Is het te herkennen?

149
00:09:41,918 --> 00:09:45,119
Ja, het is natuurlijk een beetje de vraag of je het kunt herkennen.

150
00:09:45,759 --> 00:09:52,639
Toen we het eerste mee geconfronteerd worden, was het nog wat lastig te herkennen dan op een gegeven moment weet je van wacht even, maar dit is gewoon nep.

151
00:09:53,199 --> 00:09:59,439
En niet alle collega's weten meteen wat wel en wat niet echt is, aan data.

152
00:09:59,439 --> 00:10:01,678
Dus dat is wel een check die je moet doen.

153
00:10:01,678 --> 00:10:04,398
Overigens is dat niet iets waarvan we zeggen, nou dat is alleen nu met AI.

154
00:10:04,398 --> 00:10:13,119
Want iedereen denkt bij misbruik van AI aan allemaal gegenereerd AI, dus de deepfakes en alles wat daarmee gebeurt, die zijn wel een belangrijk element inmiddels.

155
00:10:13,598 --> 00:10:15,919
De digitale criminaliteit.

156
00:10:15,918 --> 00:10:21,119
Maar ook in het verleden konden criminelen gewoon best wel soms data manipuleren.

157
00:10:21,119 --> 00:10:22,639
Mals doel.

158
00:10:22,798 --> 00:10:25,838
Of opsporingsonderzoek bijvoorbeeld frustreren.

159
00:10:25,838 --> 00:10:29,998
Of juist om sporen uit te wissen, of om gewoon dwaalsporen neer te leggen.

160
00:10:29,999 --> 00:10:32,079
Dus die kun je fysiek maken een dwaalspoor.

161
00:10:32,398 --> 00:10:34,398
Je loopt bijvoorbeeld achteruit ergens naartoe.

162
00:10:34,398 --> 00:10:36,319
En dan lijkt het net alsof je de andere kant op gelopen bent.

163
00:10:37,119 --> 00:10:37,918
In alle tijden.

164
00:10:38,318 --> 00:10:42,719
Dus in die zin is het niks nieuws, maar digitaal kun je dat soort sporen ook gewoon eigenlijk creëren.

165
00:10:43,759 --> 00:10:47,198
Dat is iets dat hebben we moeten leren om te herkennen.

166
00:10:47,199 --> 00:10:49,839
En nu we dat weten, moeten we er ook natuurlijk op kunnen acten.

167
00:10:49,838 --> 00:10:53,359
En stop je het in lessen, en komt het in werkprocedures.

168
00:10:54,158 --> 00:10:59,398
Ik ben zelf heel erg van het verhalen vertellen, leren van anderen.

169
00:10:57,439 --> 00:11:02,918
Hoe vaak krijg je je carrière nou dat je met dit soort dingen te maken hebt.

170
00:11:03,158 --> 00:11:06,438
Dus we moeten een manier vinden om snel die overdracht te doen.

171
00:11:06,438 --> 00:11:08,918
Daar overigens nog wel een thema in het leren.

172
00:11:08,918 --> 00:11:13,479
Dat als je het leren zou doen op de oude manier, dan kan je tempo niet bijhouden.

173
00:11:13,719 --> 00:11:26,839
Dus je ziet ook dat in het onderwijs, de politieacademie en het veld en de collega's die digitaal vaardig zijn, die zijn allerlei coalities aan het maken om snellere manieren van leren en kennisoverdracht te hebben.

174
00:11:26,839 --> 00:11:28,279
Heb je een voorbeeld?

175
00:11:28,278 --> 00:11:35,558
Ja, vroeger, als het onderwijs was, dan stopten we dat in procedures en dan ging dat naar een politieonderwijscommissie.

176
00:11:35,558 --> 00:11:40,119
En dan schreven we plannen en dan twee jaar later kwam het in het onderwijs terug.

177
00:11:40,278 --> 00:11:48,038
En inmiddels is het zo dat we samen met de politieacademie allerlei netwerken bij elkaar brengen, die wel geordend op principes en dingen wegzetten.

178
00:11:48,038 --> 00:11:53,398
Maar dat betekent het eigenlijk dat het ontwikkelingstempo van een opleiding of een training.

179
00:11:53,398 --> 00:11:55,079
Ja, dat is weken.

180
00:11:55,398 --> 00:11:58,759
Soms als er echt iets is, dagen.

181
00:11:58,999 --> 00:12:00,599
Want dan moet je snel schakelen.

182
00:12:00,599 --> 00:12:09,158
Maar dat kan alleen maar als je loosely koppelt, zouden de IT zeggen als je de business, het veld, daar waar het gebeurt.

183
00:12:09,318 --> 00:12:15,719
Koppelt met bijvoorbeeld de IT, met platformen, daar heb ik het niet over techniek alleen, daar heb ik het ook over netwerken en mensen.

184
00:12:16,038 --> 00:12:19,558
Die op een ingenieuze manier hun achterban bereiken.

185
00:12:19,558 --> 00:12:21,238
Maar het is een compleet nieuw spelletje.

186
00:12:21,239 --> 00:12:22,038
Zeker.

187
00:12:22,199 --> 00:12:25,719
Wat kunnen bedrijven daarvan leren, hoe je dat bij elkaar samen moet brengen.

188
00:12:25,959 --> 00:12:27,398
Veel bedrijven doet dit natuurlijk al.

189
00:12:27,719 --> 00:12:35,959
Als je naar Brown Paper Companies kijkt, naar netwerken, naar joint ventures, naar mergers en acquisitions, die doen niet anders dan kijken waar de waarde zit.

190
00:12:36,839 --> 00:12:38,999
Ja, snelheid.

191
00:12:38,999 --> 00:12:42,598
En uit de theorie weten we dat snelheid is geld.

192
00:12:42,599 --> 00:12:44,519
En snelheid is kosten.

193
00:12:44,839 --> 00:12:46,439
Dus snelheid is belangrijk.

194
00:12:46,438 --> 00:12:51,479
Daar betekent dat je je koppelvlakken moet standaardiseren, of dat nou mensen zijn of technieken zijn.

195
00:12:51,719 --> 00:12:55,479
Dat betekent dat mensen de waarden moeten kunnen herkennen, anders komen ze niet.

196
00:12:55,719 --> 00:12:57,318
Dus je bent op zoek.

197
00:12:57,398 --> 00:13:00,599
Dat zijn vaak ook weer verhalen, je zou het marketing kunnen noemen.

198
00:13:00,599 --> 00:13:03,558
Je bent op zoek naar daar waar de slimste oplossingen zijn.

199
00:13:03,558 --> 00:13:06,918
En dan is zo iemand als Oscar, want dat ga ik toch even doen.

200
00:13:07,239 --> 00:13:12,119
Dank voor heel veel jaar, Oscar gaat met pensioen voor de luisteraars.

201
00:13:12,119 --> 00:13:13,879
Heel veel jaren wijsheid.

202
00:13:14,199 --> 00:13:18,278
Mij behoeden en veel collega's behoeden voor de verkeerde weg inslaan.

203
00:13:18,278 --> 00:13:19,639
Veel wijsheid.

204
00:13:19,639 --> 00:13:22,438
Wijsman, wijsheid is niet voor niks.

205
00:13:22,759 --> 00:13:25,719
En een hele geweldige leuke samenwerking.

206
00:13:25,719 --> 00:13:29,879
Dus je moet mensen hebben die je vertellen wat er gebeurt.

207
00:13:29,879 --> 00:13:34,119
Je moet voorbeelden hebben, je moet voor elkaar leren, je moet openstaan.

208
00:13:35,479 --> 00:13:38,038
De wereld verandert en we vinden onszelf opnieuw uit.

209
00:13:38,038 --> 00:13:39,479
En sommige mensen helpen erbij.

210
00:13:39,479 --> 00:13:40,199
Dank Oscar.

211
00:13:41,318 --> 00:13:44,278
Dankje voor deze hele mooie mooie woorden.

212
00:13:44,278 --> 00:13:48,679
Dan zal ik dan eigenlijk de vraag die gesteld met.

213
00:13:48,678 --> 00:13:50,039
Ik let altijd te veel.

214
00:13:50,119 --> 00:13:51,879
Ja, dankjewel.

215
00:13:51,879 --> 00:13:58,119
Overigens, ik heb ook heel veel van Ruud geleerd, want Ruud is een politieman met enorm veel ervaring.

216
00:13:58,359 --> 00:14:01,639
Zowel overal ook op straat, ook forensisch.

217
00:14:03,639 --> 00:14:06,999
In de forensische opsporing om die naar een hoger niveau te tillen.

218
00:14:07,078 --> 00:14:11,239
Dus als ik jou ook ergens van mag bedanken, is dat een van de hele belangrijke dingen.

219
00:14:11,239 --> 00:14:18,038
En tien jaar geleden werkten wij met elkaar al samen en Ruud heeft toen het hele aanvalsprogramma eigenlijk gewoon gemanaged.

220
00:14:18,038 --> 00:14:24,359
En gewoon de politie, met alles wat we nu kunnen, want we natuurlijk al die data die we nu hebben, we werden één korps in 2013.

221
00:14:24,359 --> 00:14:33,798
Met een IT, waarvan onze toenmalige CIO zei: ik ben eigenlijk wel CEO van de politie, maar je kunt mij beter zien als directeur van het grootste IT-museum ter wereld.

222
00:14:34,918 --> 00:14:36,999
Het werkt voor een deel allemaal ook nog.

223
00:14:38,759 --> 00:14:39,799
Daar moesten wij van af.

224
00:14:40,199 --> 00:14:46,918
Onder andere Ruud heeft daar grote bijdrage in geleverd om te zorgen dat wat wij nu kunnen, ook technologisch, dat we daartoe ook in staat zijn.

225
00:14:46,918 --> 00:14:49,398
En dan ga ik de echte vraag beantwoorden.

226
00:14:50,119 --> 00:14:55,158
Ik denk dat het voor bedrijven, maar ook voor andere organisaties, ook niet commercieel.

227
00:14:55,239 --> 00:15:02,279
Heel belangrijk is, om vooral ook te blijven investeren, constant in het opleiden en het tijd geven om kennis op te doen.

228
00:15:02,278 --> 00:15:05,558
Je hoort soms dan wel zeggen, ja, maar dat kost toch allemaal een heleboel geld.

229
00:15:05,558 --> 00:15:10,199
En het standaard antwoord is wat ik altijd geef, is wat da je wat het kost als je het niet doet.

230
00:15:10,519 --> 00:15:12,359
Maar toch raken hier iets.

231
00:15:12,439 --> 00:15:16,359
Want wat je ziet, is door het vragen aan taalmodellen.

232
00:15:16,598 --> 00:15:19,719
Dat mensen nog makkelijker kennis op doen.

233
00:15:19,719 --> 00:15:27,159
Dat we zien dat het opdoen van kennis steeds verder verwater, mag ik het zo noemen.

234
00:15:27,158 --> 00:15:30,599
Ja, het is een beetje iedereen denk ik wel, wat je alles staat nu online.

235
00:15:30,598 --> 00:15:34,359
En je moet alles vinden en dan gaat het allemaal vanzelf als je het leert.

236
00:15:34,359 --> 00:15:37,799
In die zin zijn gewoon toch bijeenkomsten waar mensen elkaar kunnen ontmoeten.

237
00:15:37,798 --> 00:15:40,198
Ik denk daar het Expo daar een mooi voorbeeld van is.

238
00:15:40,199 --> 00:15:45,439
van de congres, met weliswaar gewoon toch ook wel een deels commercieel insteken, want het is allemaal niet voor niks.
239
00:15:45,759 --> 00:15:52,239
Maar het is ook een plek waar je gewoon heel veel anderen kunt ontmoeten, die voor een deel dezelfde problemen hebben.
 239
00:15:52,879 --> 00:15:57,919
Veel keuze is ook uit allerlei verschillende presentaties die gegeven worden op allerlei gebieden.
 240
00:15:58,078 --> 00:16:04,718
En ook daar in die combinatie gewoon kijken van wacht eens, nu hoor ik iets, dan had ik toch een ander beeld bij.
 241
00:16:04,719 --> 00:16:10,079
En dan kun je vervolg kijken van kan ik daarop doorpakken, kan ik daarop op doorleren.
 242
00:16:10,078 --> 00:16:13,039
Dat is iets dat moet je natuurlijk wel gewoon willen.
 243
00:16:13,198 --> 00:16:16,639
En iemand die niet wil, die zal natuurlijk gewoon ook niks doen.
 244
00:16:16,639 --> 00:16:23,838
Maar anderzijds, ook als bedrijf, als je dit gewoon toch ook faciliteert en die mogelijkheden geeft, dan zul je zien dat daar best wel heel veel winst in zit.
 245
00:16:23,839 --> 00:16:30,479
Plus, dat is iets wat Ruud eerder aangaf, heb je daar nou een aantal mensen die gewoon daar een soort voorttrekkersrol in hebben.
 246
00:16:30,479 --> 00:16:33,039
Die nemen echt een enorme hoeveelheid collega's mee.
 247
00:16:33,038 --> 00:16:35,519
Dus de multiplier die je daarop hebt, is enorm.
 248
00:16:35,519 --> 00:16:39,839
Wat je niet uit een taalmodel haalt, is precies wat jullie met z'n tweeën zeggen, is ervaring.
 249
00:16:40,318 --> 00:16:46,959
De echte verhalen, wat er echt gebeurt in die situatie, die op jou weer van toepassing is.
 250
00:16:47,918 --> 00:16:49,839
Last is een sociologieboekje.
 251
00:16:49,839 --> 00:16:55,599
En er zijn een aantal primaire vragen in het leven van mensen sneller en beter kan.
 252
00:16:55,599 --> 00:16:59,359
En dan overleef je, zou je darwinistisch kunnen zeggen.
 253
00:16:59,359 --> 00:17:02,239
Als je niet meegaat in de tijd in het programma.
 254
00:17:02,558 --> 00:17:06,799
Zeiden wij, zullen we eens opschrijven als we niets doen, wat dat dan gebeurt.
 255
00:17:07,038 --> 00:17:09,278
Nou, dan komen er meer van die data-eilanden.
 256
00:17:09,519 --> 00:17:11,199
Data nemen toe.
 257
00:17:11,199 --> 00:17:15,839
Rechters gaan mensen vrijspreken, want dan gaat het die goed met opruimen, het wordt disproportioneren.
 258
00:17:15,917 --> 00:17:19,759
Er zitten allebei puzzelstukjes in bakken, daar hadden we zaak mee op kunnen lossen doen we niet.
 259
00:17:19,759 --> 00:17:21,678
De wetgever vertrouwt ons niet meer.
 260
00:17:21,678 --> 00:17:28,798
En als je bij bedrijven kijkt zal die hetzelfde zijn, als jij niet de oplossingen van morgen biedt, komt er iemand anders die is sneller, beter of slimmer.
 261
00:17:28,798 --> 00:17:39,519
Of als je het niet netjes doet, laten we ook maar even kijken naar sommige bedrijven die zich niet zo aan de spelregels houden, gaat uiteindelijk het publiek stemmen met z'n voeten en gaan ze ergens anders heen.
 262
00:17:39,678 --> 00:17:43,038
Kijk naar een paar hele grote wereldspelers, dat pikken mensen niet.
 263
00:17:43,038 --> 00:17:44,719
Er komt een nieuw evenwicht.
 264
00:17:44,719 --> 00:17:47,439
Er komen nieuwe opvattingen in de samenleving.
 265
00:17:47,439 --> 00:17:52,879
Ja, wij willen techniek, ja, wij willen oplossingen van problemen, ja, maar dat moet wel netjes.
 266
00:17:54,479 --> 00:18:03,679
En dan kom je op de basisprincipes van een samenleving, wat mij betreft en van een nette politie van een nette rechtsstaat, krijgt onze korpschef toch nog gelijk.
 267
00:18:04,239 --> 00:18:05,759
Maar ze heeft gelijk hoor, ze heeft het gelijk.
 268
00:18:06,639 --> 00:18:08,078
Ik wil toch even inbrengen.
 269
00:18:08,719 --> 00:18:09,918
De AI komt eraan.
 270
00:18:10,158 --> 00:18:13,359
Dat is denk ik een nieuwe nieuwe golf, nieuwe uitdaging.
 271
00:18:13,359 --> 00:18:20,158
Hoe zorg je dan, zeg maar, dat de politie in de toekomst erop voorbereid is en ook netjes blijft.
 272
00:18:20,959 --> 00:18:26,078
Als je als je het afpelt, dan begint dat met te regelen in de wet wat wij de norm vinden.
 273
00:18:26,078 --> 00:18:28,558
Dus wat is acceptabel, wat is niet acceptabel.
 274
00:18:29,118 --> 00:18:30,879
Maar de wet loopt loopt achter de feiten aan.
 275
00:18:30,879 --> 00:18:35,199
De wet loopt achter, dus ook de wetgever zou slimmere manieren kunnen vinden om sneller te worden.
 276
00:18:35,199 --> 00:18:39,278
Ik zou maar zo zeggen, design thinking in die IT kan ook voor de wet geven.
 277
00:18:39,278 --> 00:18:41,199
Ik heb zelfs ook een congres uitgedaan.
 278
00:18:41,759 --> 00:18:43,118
Het kan sneller.
 279
00:18:44,399 --> 00:18:47,358
De regelgeving maken, die moet natuurlijk wel uitkristalliseren.
 280
00:18:47,358 --> 00:18:50,159
Want er is nog geen consensus op heel veel gebieden.
 281
00:18:50,159 --> 00:18:51,999
Ik moet nog even de commissie Koops noemen.
 282
00:18:52,159 --> 00:18:58,958
Soms is het ook zo dat je wijze mannen of vrouwen aan het werk zet om te zeggen van kun je de dilemma's, kun je daar antwoorden op vinden.
 283
00:18:58,959 --> 00:19:03,199
De commissie Koops kijkt naar het nieuwe wetboek voor strafvordering en met name naar de bulkdata.
 284
00:19:03,199 --> 00:19:10,159
En als je dat multidisciplinair doet en dat doet de commissie Koops, dan stop je daar verschillende partijen en dan ga je op zoek naar oplossingen.
 285
00:19:10,159 --> 00:19:11,198
Dat zet je in de wet.
 286
00:19:11,358 --> 00:19:20,638
De wet vertaal je en als dat dan nog niet is, dan denk je in de geest van de wet, dan denk je in de geest van de uitspraken, van bijvoorbeeld het Landdekker is, maar dat zijn er nog veel meer.
 287
00:19:20,959 --> 00:19:23,358
En dan probeer je netjes die balans te vinden.
 288
00:19:23,358 --> 00:19:27,278
Dan vertaalt het zich in bijna alles wat je in een bedrijf hebt.
 289
00:19:27,278 --> 00:19:31,038
Je werkprocessen, je opleidingen, je procedures, je checks en balances.
 290
00:19:31,278 --> 00:19:35,598
Je begroting, je gaat het zo gek niet verzinnen, want je vind je bedrijf opnieuw uit.
 291
00:19:36,239 --> 00:19:39,119
Dus AI gaat grote gevolgen hebben.
 292
00:19:39,118 --> 00:19:45,598
En er zijn een aantal knoppen, theoretisch zou je kunnen zeggen, het oude zeven-s'en-model, alles verandert.
 293
00:19:45,759 --> 00:19:48,158
Ja, en dat is het werk van morgen.
 294
00:19:48,638 --> 00:19:52,878
En daar is AI best een belangrijke stap in, maar niet de enige.
 295
00:19:52,879 --> 00:20:01,039
Het is een samenspel van mens, machine, data, software en manieren van werken en hoe je je verhoudt tot de omgeving.
 296
00:20:01,038 --> 00:20:01,919
Heel mooi.
 297
00:20:01,919 --> 00:20:03,438
Hoe kijk je daarna?
 298
00:20:03,439 --> 00:20:05,438
Je neemt straks afscheid.
 299
00:20:07,598 --> 00:20:12,318
Hoe ziet die veranderende organisatie eruit als je hier vijf jaar eruit bent.
 300
00:20:13,519 --> 00:20:18,239
Vraag hoe ziet hij er over een jaar uit een jaar uit al lastig zijn.
 301
00:20:18,239 --> 00:20:21,599
Ik denk dat de impact van AI nog best wel heel groot zal zijn.
 302
00:20:21,598 --> 00:20:26,679
Zeker als we kijken naar nu de alle nieuwsontwikkelingen natuurlijk, de Generative AI die we nu krijgen.
 303
00:20:26,679 --> 00:20:29,318
En ook de kracht die modellen hebben.
 304
00:20:26,798 --> 00:20:32,999
Geopolitiek zal het ook nog wel wat betekenen.
 305
00:20:27,118 --> 00:20:38,918
We zien nu dat de meest krachtige modellen in Amerika geblokt zijn voor niet-Amerikanen.
 306
00:20:38,919 --> 00:20:41,719
Dat is ook wel echt in één keer zo van zo'n wake-up van.
308
00:20:41,719 --> 00:20:43,719
wacht even, wat gebeurt hier.

307
00:20:44,118 --> 00:20:49,639
Voor ons is die wetgeving heel erg belangrijk, die wettelijke regelgeving, ook ten aanzien van wat kunnen we wel en niet.

308
00:20:49,638 --> 00:20:52,278
Maar wat zouden er ook echt mee moeten kunnen.

309
00:20:52,598 --> 00:20:57,319
Je ziet voor een deel ook toch, dat is ook wel een beetje een Europees ding, toch de nodige weerstand.

310
00:20:57,318 --> 00:21:01,239
ten aanzien van het optimaal gebruiken van AI met het idee.

311
00:21:01,239 --> 00:21:05,318
Oh jee, als het maar niet misgaat, op zich is dat geen verkeerde gedachten.

312
00:21:05,479 --> 00:21:12,918
Maar het moet niet zo natuurlijk zijn dat het zodanig op een gegeven moment beperkt wordt dat wij voor een deel ons werk gewoon niet meer goed kunnen doen.

313
00:21:12,919 --> 00:21:21,638
Een van de activiteiten die wij vanuit Nederland al veel langer hebben, is kijken hoe ver we die Europese AI-act niet alleen vorm kunnen geven.

314
00:21:21,638 --> 00:21:23,798
Nou, hij ligt zoals die nu ligt.

315
00:21:23,798 --> 00:21:29,159
Maar een belangrijke is dat heel veel toepassingen in die AI Act, die Europese AI Act.

316
00:21:29,479 --> 00:21:33,719
Die onder hoog risico vallen, dat zijn ook politie toepassingen.

317
00:21:34,118 --> 00:21:36,679
Dat we daar nu gewoon goede richtlijnen ook krijgen.

318
00:21:36,679 --> 00:21:41,159
De AI Act is eigenlijk een heel politiek document geworden.

319
00:21:41,638 --> 00:21:45,878
Het is geen document wat gemaakt is door specialisten op het vakgebied.

320
00:21:46,038 --> 00:21:48,838
Het is geschreven met echt wel een aantal politieke opvattingen.

321
00:21:48,838 --> 00:21:52,038
En dat betekent dat er nog best wel onnodige onduidelijkheid in zitten.

322
00:21:52,038 --> 00:21:56,919
De huidige richtlijnen die ontwikkeld worden, met name voor de high-risk toepassingen.

323
00:21:56,919 --> 00:21:59,638
Daar zijn wij actief mee bezig in Europees verband.

324
00:21:59,638 --> 00:22:01,558
Dat doen we langs de lijn van Europol.

325
00:22:01,798 --> 00:22:08,838
Ik mag binnen Europol nog voor een paar maanden voorzitter zijn van de Europol ACB Strategic Group on AI.

326
00:22:08,838 --> 00:22:16,919
En vanuit die strategiegroep van de eisen hebben we inmiddels vijf jaar nu invloed uitgeoefend op de wetgeving zoals het nu geworden is.

327
00:22:16,919 --> 00:22:23,239
Maar nu op dit moment ook nog steeds heel actief met het geven van input direct naar de commissie toe, dat kunnen we gelukkig doen.

328
00:22:23,239 --> 00:22:25,878
Ten aanzien van hoe zit ons politiewerk nou in elkaar.

329
00:22:26,038 --> 00:22:27,798
Geef voorbeelden met use cases.

330
00:22:27,798 --> 00:22:29,959
Wat is die dagelijkse politiepraktijk?

331
00:22:29,959 --> 00:22:39,158
Het is soms heel lastig om uit te leggen aan niet-politiemensen, hoe ons werk nou in elkaar zit en waarom wij bepaalde dingen doen zoals we die doen.

332
00:22:39,239 --> 00:22:43,399
Niet omdat we graag inbreuk maken op fundamentele rechten.

333
00:22:43,399 --> 00:22:48,759
Maar soms moeten wij die inbreuken ook kunnen maken binnen goede afgeschermde kaders.

334
00:22:48,759 --> 00:22:52,039
Maar dan moeten we ook echt wel heldere kaders hebben voor onszelf.

335
00:22:52,038 --> 00:22:56,599
Dus voor ons is het ook, wij willen ook zelf gewoon heldere kaders hebben.

336
00:22:56,598 --> 00:23:01,639
Want als je daar een soort van grijs gebied van maakt, dan kun je natuurlijk zeggen, ja, nou dan mogen we alles.

337
00:23:02,038 --> 00:23:03,719
Dat werkt dan eerder de andere kant op.

338
00:23:03,719 --> 00:23:04,439
Of je mag niets.

339
00:23:04,439 --> 00:23:05,639
Of je mag helemaal niks.

340
00:23:05,638 --> 00:23:09,798
Maar steeds moet uitleggen wat je aan het doen bent, het creëert verwarring.

341
00:23:09,959 --> 00:23:12,198
En het is ook niet goed voor het vertrouwen.

342
00:23:12,199 --> 00:23:18,598
Dus in die zin willen we graag heldere, goede regelgeving, maar ook met begrip van hoe ons werk in elkaar steekt.

343
00:23:18,598 --> 00:23:21,479
En dat moeten we ook eigenlijk steeds weer opnieuw uitleggen.

344
00:23:21,798 --> 00:23:24,038
Het woord ethiek moet hier ook even vallen.

345
00:23:24,439 --> 00:23:28,358
Soms kun je je beroepen op de wet of een uitvoeringsregeling.

346
00:23:28,358 --> 00:23:32,999
Maar aan het eind van de dag blijft er de politieman of de politievrouw.

347
00:23:32,999 --> 00:23:41,479
Waarvan ik blijf vinden dat dat de kern is en de hoeksteen is, die moet zeggen, alles afwegend, wat zijn vaak dilemma's.

348
00:23:41,879 --> 00:23:46,439
Vind ik dit proportioneel, vind ik dit terecht vind ik dit in plaats.

349
00:23:46,439 --> 00:23:47,798
Kan ik dit zelf verantwoorden?

350
00:23:48,358 --> 00:23:51,798
En je moet in de spiegel kunnen kijken en je moet naar je collega's.

351
00:23:51,798 --> 00:23:53,878
Ik hoop ook op een cultuur.

352
00:23:53,879 --> 00:23:56,599
En ik hoop niet, ik ga gewoon sturen dat die er ook komt.

353
00:23:56,598 --> 00:23:58,519
Dus laat maar niet te afwachtend zijn.

354
00:23:58,759 --> 00:24:01,879
Dat we elkaar tussen aanhalingstekens, ook de maat kunnen nemen.

355
00:24:01,879 --> 00:24:03,318
Want dit is ons vak.

356
00:24:03,318 --> 00:24:04,999
Dat doen we wel met geweld.

357
00:24:05,078 --> 00:24:08,278
Als jij met geweld een beetje veel geweld gebruikt, dan spreek ik jou aan.

358
00:24:08,278 --> 00:24:10,358
Of als ik dat doe, moet jij mij aanspreken.

359
00:24:10,439 --> 00:24:14,039
Want dat is ons vak, wij horen dat proportioneel en netjes te doen.

360
00:24:14,038 --> 00:24:16,599
En ik hoop dat dat straks ook is met andere dingen.

361
00:24:16,598 --> 00:24:24,278
En die ankerpunten, er zijn een paar collega's binnen de politie, die trekken hier heel hard aan, dan zijn we op zoek naar die nieuwe waarden.

362
00:24:25,239 --> 00:24:28,199
Samen met de wet, samen met het.

363
00:24:29,318 --> 00:24:34,358
Dat moet zorgen voor een nieuwe zekerheid in een omgeving die nu nog onduidelijk is.

364
00:24:36,999 --> 00:24:46,838
We moeten gaan afronden, als je een tip zou willen geven voor mensen die middenin ook in een datagedreven programma's zitten.

365
00:24:47,479 --> 00:24:50,118
Dat leeft breed in de organisaties.

366
00:24:50,759 --> 00:24:56,759
Wat zijn de zaken die jij echt geleerd hebt in de programma vanuit de politie?

367
00:24:57,959 --> 00:25:01,639
Het klinkt soms heel ingewikkeld, hoogdravend en ver weg.

368
00:25:01,638 --> 00:25:07,718
Maar als je het vertaalt naar het gewone politiewerk en je trekt die parallellen, dan is er heel veel logisch.

369
00:25:07,959 --> 00:25:10,199
Alleen het zijn nieuwe werelden, nieuwe taal.

370
00:25:10,199 --> 00:25:14,959
Maar blijf dicht bij het politiewerk, blijf dicht bij jezelf, blijf dicht bij die normen.

371
00:25:12,359 --> 00:25:16,639
Dan weet je wel welke kant het op moet.

372
00:25:17,199 --> 00:25:22,479
En vanuit jouw blik, wat zou je mensen willen meegeven.

373
00:25:23,679 --> 00:25:27,038
Als ze gaan starten met de AI-implementatie.

374
00:25:27,358 --> 00:25:31,919
Wat Ruud ook zegt, is blijf gewoon zelf goed nadenken.

375
00:25:32,719 --> 00:25:34,399
Stel dat ik dit zonder AI zo doen.

376
00:25:34,399 --> 00:25:36,638
Hoe zou ik dingen gewoon oppakken.

377
00:25:37,038 --> 00:25:40,639
In het begin van het gesprek zei Ruud, ja, AI is een hulpmiddel.

378
00:25:40,638 --> 00:25:41,999
En dat is het ook echt.

379
00:25:42,239 --> 00:25:49,119
Het is heel belangrijk dat je dit niet gaat zien als een soort van tool of een soort mechanisme, wat jouw werk eigenlijk gaat overnemen.

380
00:25:49,118 --> 00:25:51,118
En dat het allemaal dan eigenlijk automatisch gaat.

381
00:25:52,239 --> 00:25:54,559
Je logt in op je computer ergens op een strand.

382
00:25:54,558 --> 00:25:57,919
En je zegt tegen allerlei AI-agents, doe jij maar vandaag mijn werk.

383
00:25:57,919 --> 00:26:02,318
Aan het eind van de dag kijk je nog eens een keer of het allemaal gedaan is en dan heb ik vandaag de werkdag weer gehad.

384
00:26:02,558 --> 00:26:04,959
Nou, dat is natuurlijk niet waar we naartoe moeten.

385
00:26:04,959 --> 00:26:07,278
Plusjewerk is echt ook mensenwerk.

386
00:26:07,439 --> 00:26:14,878
Het is vooral belangrijk dat je snapt hoe die technologie die je gebruikt werkt, wat de impact is, wat het doet en wat je ermee kunt.

387
00:26:14,878 --> 00:26:20,399
Maar ook dat je steeds gewoon blijf reflecteren op van wat gebeurt hier nou steeds en wil ik dit ook allemaal.

388
00:26:20,558 --> 00:26:23,838
Soms moet je ook gewoon zeggen, ja, dit kan allemaal met AI.

389
00:26:23,838 --> 00:26:25,199
Maar ja, dit wil ik gewoon niet.

390
00:26:25,199 --> 00:26:26,879
Dus dat doe ik dan ook gewoon niet.

391
00:26:26,878 --> 00:26:28,958
Het zou voor mij ook heel acceptabel zijn hoor.

392
00:26:28,959 --> 00:26:30,159
Om op sommige dingen te zeggen.

393
00:26:30,159 --> 00:26:31,759
Het kan wel, maar we doen het niet.

394
00:26:32,638 --> 00:26:34,159
Heel mooi, dankjewel.

395
00:26:34,159 --> 00:26:38,558
Dankjewel, Oscar, dankjewel Ruud, wat jullie hier bij ons in de studio wilden zijn.

396
00:26:38,798 --> 00:26:42,798
En alvast een flinke voorproef hebben gegeven van wat jullie op de beter.

397
00:26:43,598 --> 00:26:45,599
Op de Data-Expo gaan vertellen.

398
00:26:45,598 --> 00:26:46,239
Dank jullie wel.

399
00:26:46,239 --> 00:26:47,678
Jullie ook bedanken.

400
00:26:48,078 --> 00:26:51,358
Leuk dat jullie luisterde naar deze aflevering.

401
00:26:52,318 --> 00:26:54,638
Nee, ik stop hem trouwens hier.