Beleid maken is traditioneel een combinatie van analyse, ervaring en afweging. We verzamelen informatie, spreken stakeholders en proberen op basis daarvan tot een goed onderbouwde keuze te komen. Dat proces is zorgvuldig ingericht en past bij de complexiteit van het werk.
Tegelijkertijd verandert de context waarin beleid tot stand komt fundamenteel. Vraagstukken rondom klimaat, woningbouw en zorg gedragen zich steeds minder lineair. Oorzaak-gevolgrelaties zijn diffuus, effecten manifesteren zich vertraagd en interventies werken zelden zoals vooraf bedacht. Dat maakt het moeilijker om beleidskeuzes uitsluitend op redenering en historische data te baseren.
Binnen die dynamiek tekenen zich drie samenhangende ontwikkelingen af.
Ten eerste de opkomst van digital twins: digitale representaties van systemen of omgevingen waarin scenario’s doorgerekend kunnen worden. Ten tweede spatial computing, waarbij de interactie met data steeds directer, visueler en meer context gebonden wordt. En ten derde het toenemende gebruik van synthetische datasets: kunstmatig gegenereerde data die het mogelijk maken om situaties te simuleren zonder afhankelijk te zijn van (privacygevoelige of schaarse) echte data.
Juist die combinatie maakt een andere manier van werken mogelijk. Niet alleen nadenken over beleid, maar het ook iteratief testen: eerst in een gesimuleerde omgeving, vervolgens in een gecontroleerde realiteit.
Synthetische data spelen daarin een sleutelrol. Ze maken het mogelijk om vroegtijdig aannames te toetsen, randgevallen te verkennen en systemen onder stress te testen zonder directe impact op burgers of organisaties. Zeker in domeinen waar datatoegang beperkt is of waar ethische grenzen spelen, bieden ze een werkbaar alternatief. Tegelijkertijd kennen ze beperkingen: synthetische data zijn zo goed als de aannames en modellen die eraan ten grondslag liggen. Ze kunnen vertekeningen reproduceren of juist belangrijke variaties missen.
Daarmee raken we aan een spanningsveld dat in de praktijk steeds zichtbaarder wordt. Enerzijds is er de behoefte om eerder te testen en sneller te leren. Anderzijds verschuift testen steeds vaker richting de productieomgeving, simpelweg omdat alleen daar de echte complexiteit zichtbaar wordt. Dat brengt risico’s met zich mee. Voor betrouwbaarheid van systemen, voor publieke waarden en voor vertrouwen.
Daarom is het van belang om het leerproces naar voren te halen. Niet pas valideren bij een MVP, wanneer er al aanzienlijke investeringen zijn gedaan, maar al in de fase van een Proof of Concept. Dat vraagt om het durven organiseren van echte interactie in een vroeg stadium: met gebruikers, uitvoerders en soms zelfs met burgers.
Binnen de overheid is dat nog geen vanzelfsprekendheid. De reflex is vaak om eerst te perfectioneren en pas naar buiten te treden als iets ‘af’ is. Maar in complexe vraagstukken is dat een kostbare strategie. Veel aannames blijken pas houdbaar, of juist niet, wanneer ze worden blootgesteld aan de praktijk.
Vroege validatie, ook al is die beperkt en gecontroleerd, levert vaak scherpere inzichten op dan uitgebreide interne analyses. En faciliteert een early exit. En dat is iets anders dan falen of een fout maken, namelijk onderdeel van het proces.
Digital twins en synthetische datasets kunnen die stap faciliteren, maar niet vervangen. Ze bieden een veilige ruimte om te verkennen, maar geen volledige representatie van de werkelijkheid. De werkelijke waarde ontstaat in de combinatie: simuleren waar het kan, testen waar het moet.
Dat heeft ook organisatorische implicaties. Het betekent dat beleid en uitvoering nauwer met elkaar moeten optrekken. Dat experimenteren niet wordt gezien als uitzondering, maar als integraal onderdeel van het werk. En dat er ruimte ontstaat om op basis van nieuwe inzichten tijdig bij te sturen - of te stoppen.
Resultaat boeken in complexe omgevingen vraagt om iteratie, reflectie en het expliciet maken van aannames. Simulatiegedreven werken sluit daarop aan, mits het niet wordt ingezet als schijnzekerheid, maar als instrument om beter geïnformeerde onzekerheid te organiseren. Voor innovatieprofessionals verschuift daarmee de kern van het werk. Niet alleen analyseren en adviseren, maar ook ontwerpen, testen en leren. Werken met onzekerheid wordt minder een bijzaak en meer een kerncompetentie.
De beweging richting simulatie en vroege validatie zal zich de komende jaren verder doorzetten. De vraag is niet zozeer óf, maar hoe we deze werkwijze op een verantwoorde manier integreren in de praktijk van beleid en uitvoering. Zonder de complexiteit te reduceren, maar ook zonder te blijven hangen in aannames.
Reflectieve vragen
- In hoeverre wordt binnen jouw organisatie gebruikgemaakt van synthetische data of simulaties bij beleidsontwikkeling?
- Waar in het proces vindt validatie plaats: pas bij een MVP, of al in de fase van een PoC?
- Hoe wordt de balans bewaakt tussen veilig testen (bijvoorbeeld met synthetische data) en leren in de echte praktijk?
- Welke risico’s ontstaan doordat testen steeds vaker in de productieomgeving plaatsvindt, en hoe ga je daarmee om?
- Wat is er nodig om eerder en met echte interactie aannames te toetsen binnen jouw organisatie?