Waarom een gespreksopname niet automatisch leidt tot een juridisch houdbare Wmo-beschikking.
De laatste tijd zien we een nieuwe trend bij gemeenten: het idee om een keukentafelgesprek (Wmo) integraal op te nemen, de opname door AI, maar feitelijk een Large Language Model (LLM) te laten analyseren en daar direct een beschikking uit te laten rollen.
Hoewel het aantrekkelijk klinkt – snel, goedkoop, weinig handmatig werk – is dit in de praktijk een vals gevoel van efficiëntie. Een gespreksopname is zelden lineair of volledig relevant voor de juridische toets die aan een Wmo-beschikking ten grondslag ligt.
Gesprekken zijn rijk maar ongefilterd
Een keukentafelgesprek is bedoeld om de situatie van een inwoner breed te verkennen: persoonlijke omstandigheden, medische achtergrond, woning, mantelzorg, emoties, verwachtingen, regelgeving. Juist die openheid maakt het gesprek waardevol, maar ook complex. De informatie is:
- Ongestructureerd en springt van onderwerp naar onderwerp.
- Vaak impliciet (“u zegt eigenlijk dat…”) of emotioneel geladen.
- Vermengd met details die niets te maken hebben met de formele criteria van de Wmo.
Een LLM dat deze opname ongefilterd moet “vertalen” naar een beschikking, heeft onvoldoende ankerpunten om te bepalen wat relevant is en wat niet. Daarnaast kunnen er makkelijk vertaalfouten insluipen, zo wordt “Mijn zus in Leiden” vertaald naar “Mijn zus in lijden”. Het model zal aannames doen op basis van waarschijnlijkheid, niet op basis van gemeentelijke jurisprudentie of beleidsregels.
LM’s hebben context en training nodig
LLM’s zoals ChatGPT of Claude zijn krachtig in taalbegrip, maar ze hebben gerichte context nodig om juridisch houdbare documenten te maken. Dat betekent:
- Toegang tot lokale verordeningen, beleidsregels en interne werkafspraken.
- Voorbeelden van beschikkingen en onderliggende motiveringen.
- Heldere instructies over hoe bevindingen uit een gesprek moeten worden gewogen.
- En voortdurende training en verfijning, en dat alles natuurlijk op basis van de lokale verordeningen, richtlijnen en terminologie.
Het trainen of finetunen van zo’n model voor elke gemeente vraagt enorm veel tijd, data en specialistische kennis. Daarnaast spelen privacy- en beveiligingsvragen: mag je onbeperkt audio van kwetsbare inwoners gebruiken om een model te verbeteren? Voor de meeste gemeenten is dat niet realistisch.
Het risico van juridisch zwakke beschikkingen
Een beschikking moet niet alleen inhoudelijk kloppen, maar ook toetsbaar zijn. Wanneer een inwoner bezwaar maakt, moet de gemeente kunnen uitleggen:
- Op basis van welke feiten en afwegingen de beslissing is genomen.
- Hoe de weging past binnen de Wmo-criteria en lokale regels.
Een automatisch gegenereerde beschikking uit een losse opname kan dat vaak niet onderbouwen. De kans op fouten, onvolledige motivering of onbedoelde vooringenomenheid is groot – met risico op vernietiging door de rechter.
Hoe Montr Report X het verschil maakt
Montr ontwikkelde Report X, een rapportage-app die precies inspeelt op dit probleem. In plaats van een ongefilterd gesprek te laten analyseren, begeleidt de app de professional stap voor stap door contextgebonden vragen. Alleen informatie die relevant is voor de beoordeling wordt vastgelegd, zoals:
- Huidige beperkingen en ondersteuningsbehoefte.
- Eigen kracht en inzet mantelzorg.
- Beschikbare voorzieningen en eerdere besluiten.
- Observaties die direct bijdragen aan de beoordeling.
Alles wordt gestandaardiseerd en gestructureerd opgeslagen. Overbodige of privacygevoelige bijzaken blijven buiten beeld. De antwoorden op deze vragen kunnen ook gegeven worden door deze in te spreken, snel en eenvoudig voor de consulent.
Van gestructureerde data naar betrouwbare beschikking
Omdat Report X de informatie al filtert en ordent, kan een LLM die output wél veilig verwerken:
- Het model krijgt heldere invoer (alleen relevante velden).
- De juridische context – verordening, beleid, landelijke Wmo-kaders – kan eenvoudig worden toegevoegd.
- Door deze digitale output vervolgens in een LLM in te voeren wordt het veel duurzamer om zo een een concept-beschikking te genereren die logisch en juridisch houdbaar is.
De professional behoudt de regie: hij of zij controleert de motivering en kan indien nodig nuance toevoegen. Zo ontstaat een efficiënt maar verantwoord proces.
Conclusie
Het idee om een willekeurige gespreksopname automatisch te vertalen naar een Wmo-beschikking is begrijpelijk, maar niet haalbaar of wenselijk. De juridische kwaliteit, privacy en uitlegbaarheid komen in het geding zodra een LLM zonder context moet interpreteren wat er is gezegd.
Door te werken met Montr Report X kiezen gemeenten voor een oplossing die het beste van twee werelden combineert:
- Zorgvuldig vastleggen van de juiste feiten en afwegingen.
- Slimme ondersteuning door AI bij het opstellen van besluiten.
Zo kan technologie écht bijdragen aan snellere, betere en juridisch houdbare dienstverlening binnen het sociaal domein.
Tip: gemeenten die nu experimenteren met AI in Wmo-processen doen er goed aan eerst hun rapportageproces te structureren.
Met Report X hebben zij een stevige basis waarop generatieve AI veilig en effectief kan worden ingezet.
