Door Gustaaf Stevens | 7 april 2026 | 5 min leestijd | Categorie: Case / Actueel
Stel je voor: er heeft een brand gewoed in de Vrijheidswijk in Leeuwarden. De afdeling Communicatie van de gemeente wil naar aanleiding hiervan alle bewoners in een straal van 300 meter aanschrijven in verband met vrijgekomen schadelijke stoffen. Normaal gesproken betekent dat: een verzoek indienen bij het team Geo-informatie, wachten op prioritering, en hopen dat er iemand tijd heeft tussen zijn andere werk door.
Gemeente Leeuwarden besloot dit anders te organiseren. Niet door het team Geo-informatie uit te breiden, maar door de data dichter bij de eindgebruiker te brengen. De pilot die daaruit voortkwam laat concreet zien wat datagedreven werken in gemeenten kan betekenen.
De bottleneck die elke gemeente kent
De Basisregistratie Adressen en Gebouwen (BAG) bevat alle basisgegevens van gebouwen in Nederland. Gemeenten zijn bronhouder van hun lokale data en synchroniseren deze dagelijks met de landelijke voorziening (LV BAG) van het Kadaster.
Maar wie die data wil bevragen heeft doorgaans gespecialiseerde kennis nodig. Afdelingen zoals Communicatie of Veiligheid moeten daarom altijd aankloppen bij de Geo-afdeling. Die afdeling bouwt de queries, levert een statische adreslijst, en keert terug naar zijn eigen werk. Intussen staat de aanvraag, naast tientallen andere verzoeken, in de wachtrij.
Dit is niet een probleem van slechte samenwerking, maar een structuurprobleem: de kennis die nodig is om de data te ontsluiten, zit bij een kleine groep specialisten. Iedereen buiten die groep is daarvan afhankelijk.
Wat Leeuwarden uitprobeerde
De pilot richtte zich op de vraag: wat als een medewerker van Communicatie de BAG simpelweg in natuurlijke taal kan bevragen en gebruiken?
De opzet bestond uit drie onderdelen: de BAG-data staat opgeslagen in een dataplatform (Microsoft Fabric), een taalmodel (Claude) begrijpt de vragen van de gebruiker, en tussen die twee in zit een verbindingslaag die het taalmodel vertelt welke databevragingen beschikbaar zijn en hoe die worden uitgevoerd.
Een medewerker typt bijvoorbeeld “geef me alle adressen binnen 150 meter van de Oldehoofsterkerkhof 2”. Het taalmodel analyseert de vraag, haalt de juiste gegevens op uit de actuele BAG, en toont de adressen op een kaart. Met één klik download je de complete adreslijst, klaar voor gebruik als mailingbestand.
In de pilot stonden twee scenario’s centraal: bewoners aanschrijven binnen een bepaalde straal bij een calamiteit, en willekeurige steekproeven trekken voor een burgeronderzoek in een specifieke wijk of buurt.
“We hebben het één middag uitgetest met een paar collega’s van Communicatie. Die waren meteen enthousiast. Of het in de praktijk zo soepel blijft werken, moeten we nog zien, maar de eerste indruk was verrassend goed.”
— Rikst de Groot, Data analist, gemeente Leeuwarden
Waarom het systeem geen data kan verzinnen
Een veelgehoorde zorg bij AI en overheidsdata is: wat als het systeem dingen verzint? Dat risico is hier bewust weggenomen. Het taalmodel heeft geen toegang tot de ruwe data en maakt geen aannames. Het stuurt een vraag naar de database en geeft het antwoord terug aan de gebruiker. De feitelijke juistheid van het antwoord hangt niet af van het taalmodel, maar van de BAG zelf.
Bij grote hoeveelheden resultaten, zoals 10.000 adressen, krijgt het taalmodel een samenvatting in plaats van alle ruwe data. Zo blijft het systeem beheersbaar en kostenefficiënt, zonder dat de gebruiker er iets van merkt.
Dit is geen vervanging van de Geo-afdeling. Complexe analyses, en kwaliteitscontroles op brondata en beleidsvraagstukken bijvoorbeeld, blijven het werk van specialisten. Wat wegvalt zijn de standaardklusjes die nu veel tijd kosten: een adreslijst opleveren of een steekproef trekken.
Wat de pilot opleverde
Tijdens de pilot is getest wat voorheen een tussenstap-met-wachttijd was: een adreslijst opleveren. In de testopzet ging dat van “verzoek indienen en wachten” naar “vraag stellen en direct downloaden”. De kaartweergave geeft bovendien iets wat de oude werkwijze niet gaf: directe visuele controle op wat er is geselecteerd.
Belangrijker nog dan tijdwinst is wie er toegang krijgt. In de pilot konden medewerkers buiten de Geo-afdeling zelfstandig hun vragen stellen, in taal die ze zelf gebruiken. Dat is de werkelijke verschuiving: de data blijft even betrouwbaar, maar is niet meer verborgen achter een specialistische drempel.
“De drempel om iets uit te zoeken is ineens weg. Voorheen dacht ik twee keer na voordat ik een verzoek bij de Geo-afdeling neerlegde. Nu probeer ik het gewoon zelf, en vaak heb ik binnen een paar minuten wat ik zocht.”
— Corine Cornelisse, Adviseur communicatie, gemeente Leeuwarden
Wat dit betekent voor andere gemeenten
De datastructuur van de BAG is voor elke Nederlandse gemeente gelijk. Dat maakt de aanpak van Leeuwarden direct schaalbaar. Een gemeente die al werkt met Microsoft Fabric heeft de infrastructuur grotendeels al in huis.
Bij Solid5 zien we dagelijks een patroon: gemeenten beschikken over goede data, maar de toegang is ongelijk verdeeld. Beleidsmedewerkers, raadsleden, wethouders hebben allemaal vragen die met data zijn te beantwoorden. Maar de drempel om die vragen te stellen is hoog, omdat het altijd via een specialist moet.
Een gestructureerde toegangslaag op een bestaand dataplatform kan die drempel verlagen, zonder dat u de Geo-afdeling hoeft uit te breiden met extra FTE. De pilot in Leeuwarden laat zien dat datagedreven werken in gemeenten niet altijd begint met een groot traject. Soms begint het met een gerichte vraag en de juiste verbindingslaag.
Benieuwd hoe dit bij uw gemeente zou werken? Plan een gesprek van 30 minuten met Solid5 en we laten concreet zien wat er mogelijk is op uw bestaande dataplatform.