Door: Patricia Borghouts
Het is maart 2026. Als ik uit het raam van ons kantoor in Rotterdam kijk, zie ik een economie die er ogenschijnlijk hetzelfde uitziet, maar fundamenteel anders ademt dan slechts twee jaar geleden. Vooral op het gebied van digitalisering en AI. Ik ben altijd al een enorme voorstander geweest van data-driven beleid. Toekomstbestendig beleid is naar mijn mening altijd gestoeld op data en feiten, niet op emotie. Juist daarom werken wij nauw samen met kennisnetwerken en -instituten. Met de huidige ontwikkelingen rondom digitalisering en AI ligt de tijd dat we economisch beleid alleen maakten op basis van cijfers die eigenlijk al ‘oud nieuws’ waren, wat mij betreft dan ook definitief achter ons.
Als wethouder, manager of beleidsadviseur Economie herken je dit vast: je voert een prachtig programma uit om het lokale mkb te ondersteunen, maar tegen de tijd dat de effectmeting op je bureau ligt, is de markt alweer twee stappen verder. In de economie van vandaag is alleen ‘achteraf bijsturen’ eigenlijk geen optie meer. AI en digitalisering moeten structureel geïntegreerd worden in onze economische modellen en de publieke besluitvorming. Het blijvend experimenteren daarmee is een absolute must.
Van reactief naar proactief en predictief economisch beleid
In de dagelijkse praktijk zie ik de transitie van reactief naar proactief beleid. We sturen niet meer alleen op wat er is gebeurd, maar steeds meer op wat er gaat gebeuren. Hieronder neem ik je mee in drie belangrijke verschuivingen en hoe overheden dit al concreet in de praktijk brengen:
1: Nowcasting: de verschuiving naar real-time econometrie
Via nowcasting maken we gebruik van real-time data. Waar traditionele statistieken vaak maanden achterlopen, herkennen geavanceerde algoritmes nu patronen in consumentenvertrouwen, supply-chain verschuivingen en arbeidsmarktbehoeften op het moment dat ze ontstaan. Door bronnen zoals live pin-transacties, energieverbruik en mobiliteitsdata te combineren, zien we economische trends nog voordat ze in de officiële kwartaalcijfers verschijnen.
De les voor de praktijk:
Wacht niet op het jaarverslag van de regio, maar richt met elkaar smart dashboards in die fungeren als een vroegtijdig waarschuwingssysteem. AI filtert hierin de dagelijkse ‘ruis’, zodat beleidsmakers direct een melding krijgen wanneer actie vereist is. Dit maakt bijsturing binnen twee weken mogelijk. Denk aan:
- Regionale dashboards: Gemeenten zien live welke sectoren (zoals horeca versus retail) onder druk staan op basis van passantentellingen en actuele leegstand-data.
- Arbeidsmarkt: Het real-time matchen van skills aan vacatures via AI-platforms om mismatches op de arbeidsmarkt direct aan te pakken.
Succes uit de praktijk: Port of Rotterdam (Pronto)
In de Rotterdamse haven wordt AI ingezet om de doorstroom te optimaliseren en emissies te verlagen via het platform Pronto. Dit systeem voorspelt de exacte aankomsttijden van schepen en koppelt deze live aan de beschikbaarheid van kades, loodsen en transporteurs.
Het resultaat: Schepen kunnen hun snelheid op zee aanpassen om precies op tijd (Just-In-Time) aan te meren. Minder wachttijden betekent direct minder brandstofverbruik en een grotere economische output per vierkante meter.
2: Digital-twins: wendbaarheid via scenario-denken
Naast strategische onafhankelijkheid is wendbaarheid nu de belangrijkste troef van een overheid. Door AI kunnen we werken met zogenaamde Digital Twins: digitale replica’s van de fysieke en economische leefomgeving waarin we beleid kunnen ‘testen’ voordat het wordt ingevoerd.
De les voor de praktijk:
Gebruik data niet om een besluit achteraf te rechtvaardigen, maar om de risico’s vooraf te minimaliseren. Dit transformeert AI van een reactieve rapportagetool naar een anticiperende partner. In plaats van te gissen naar de gevolgen, maak je de impact van een keuze direct inzichtelijk voor alle belanghebbenden. Dat verstevigt het politiek-bestuurlijke verhaal.
Succes uit de praktijk: gemeente Utrecht
Utrecht loopt voorop met een geavanceerde Digital Twin van de stad, waarin data over mobiliteit, gezondheid en economie samenkomen. Voordat de gemeente een definitief besluit neemt over herinrichting, draait het systeem een simulatie van de nieuwe situatie.
Het resultaat: AI voorspelt de verschuiving in voetgangersstromen en het effect op de omzet van lokale winkeliers. Wethouders nemen hierdoor besluiten op basis van data-onderbouwde prognoses.
3: De mens versus algoritme?
Neemt de computer het beleid dan over? Absoluut niet. Sterker nog, ik geloof dat de rol van de beleidsmaker juist steeds menselijker zal worden. Naar mijn mening moet de focus volledig liggen op het versterken van netwerk- en samenwerkingsvaardigheden (samenwerken aan wat wél kan) en het juist leren onderzoeken en interpreteren van data. Vanzelfsprekend is de ethische kant hierin heel belangrijk: technologie moet inclusief en transparant zijn.
De les voor de praktijk:
Investeer niet alleen in software, maar vooral in de data-geletterdheid van je team. Een goede beleidsadviseur hoeft geen programmeur te zijn, maar moet wel de juiste kritische vragen kunnen stellen. Bijvoorbeeld: ‘Nemen we wel alle relevante data mee voor een goed antwoord? Hoe bepalen we eigenlijk wat de juiste data-input is? En sluiten we met deze dataset geen groepen uit?’
Succes uit de praktijk: Regio Brainport Eindhoven
In de regio Eindhoven wordt AI succesvol ingezet om de mismatch op de arbeidsmarkt te verkleinen via een innovatief Skills-platform. In plaats van alleen te kijken naar statische functietitels, analyseert het systeem welke vaardigheden in opkomst zijn en waar ze elders in de regio direct inzetbaar zijn.
Het resultaat: Adviseurs kunnen werknemers uit krimpende sectoren proactief matchen met groeiende techbedrijven op basis van overdraagbare talenten.
De AVG als bondgenoot: veilig en ethisch innoveren
Innovatie met data roept vaak de vraag op: ‘Mag dit wel van de AVG?’ In Nederland zijn we streng op privacy, maar dat is geen barrière; het is een kwaliteitswaarborg. Voor effectief economisch beleid hebben we zelden data op persoonsniveau nodig; we sturen op trends en geaggregeerde groepen. Door technieken als anonimisering en federated learning (waarbij de data veilig bij de bron blijft) kunnen we scenario’s testen zonder de privacy van burgers ooit te schenden.
Ons advies voor beleidsmakers:
Betrek de Privacy Officer vanaf dag één bij je project. En werk volgens het principe van dataminimalisatie: vertrek vanuit de maatschappelijke opgave en zoek daar de kleinst mogelijke set aan data bij. Investeer daarnaast in regionale data-governance. Door op regionaal niveau afspraken te maken over veilig datagebruik, hoeft niet elke gemeente individueel het wiel opnieuw uit te vinden. Dit scheelt je echt enorm veel tijd én kosten.
Conclusie: onze gezamenlijke reis naar morgen
Data-driven werken is geen IT-project; het is een cultuurverandering. Het vraagt om moed om beleid los te laten als data laten zien dat het niet werkt. En er moet ruimte zijn voor ‘trial & error’, ofwel durf om te experimenteren met nieuwe voorspellende modellen.
Bij GRAZI Overheidsstrategie geloven we dat de kracht ligt in de slimme combinatie van menselijke expertise, diepgaande samenwerking met kennisnetwerken en stakeholders en technologische innovatie. We zijn zelf volop in ontwikkeling en integreren stap voor stap geavanceerde data-analyse en AI in onze adviezen. We pretenderen niet alle antwoorden al in een kant-en-klaar algoritme te hebben, maar we pionieren elke dag aan het front van deze ontwikkelingen. Daarmee bevinden we ons in een leuke en spannende fase van technologische vooruitgang.
Wil je verkennen welke data-driven kansen realistisch zijn voor jouw regio, zonder dat je meteen met software aan de slag moet? Plan een gratis strategiegesprek met GRAZI! We denken met je mee op basis van bewezen praktijkcases en helpen je met de eerste stap.
