Deze pilootstudie, uitgevoerd door Ghent University, onderzocht voor de eerste keer het gebruik van predictive policing door een Belgische politiezone. Met behulp van een geavanceerd machine learning-model werden wekelijks hotspots voorspeld met een verhoogd risico op woninginbraken. Daarmee werd een concreet voorbeeld gecreëerd van hoe AI-technologie de politie kan ondersteunen bij proactieve en efficiëntere inzet van patrouilles.

Met behulp van een geavanceerd machine learning-model werden wekelijks hotspots voorspeld met een verhoogd risico op woninginbraken. Daarmee werd een concreet voorbeeld gecreëerd van hoe AI-technologie de politie kan ondersteunen bij proactieve en efficiëntere inzet van patrouilles. Het experiment liep 14 weken en leverde waardevolle inzichten op. Binnen het project werd een machine learning-model (ensemble neural network) om hotspots te voorspellen gebruikt op basis van een randomized controlled trial met experimentele en controlegebieden. De politie kreeg interactieve hotspotkaarten (alleen in de experimentele gebieden). Analyse van GPS-patrouilledata, inbraakcijfers en focusgroepen/observaties.

Het project toonde de technische haalbaarheid en voorspellende kracht van AI-modellen, maar maakte tegelijk duidelijk dat een accuraat algoritme niet volstaat om in de praktijk impact te hebben. Door organisatorische beperkingen, capaciteitsproblemen en terughoudendheid bij agenten werd de voorspelde meerwaarde van AI niet volledig benut. Juist deze kloof tussen technologische potentie en operationele realiteit maakt deze casus een briljante mislukking: ze laat zien dat leren uit fricties en mislukkingen onmisbaar is om AI verantwoord en effectief te integreren in de publieke sector. Positieve resultaten: Model voorspelde hotspots met voldoende nauwkeurigheid. Politie en leidinggevenden waren geïnteresseerd in de wetenschappelijke aanpak. De studie leverde unieke data en inzichten voor de Belgische context. Ongewenste resultaten: Er kwam geen significante toename van politieaanwezigheid in voorspelde hotspots. Vooral capaciteitsproblemen verhinderden systematische inzet volgens de voorspellingen. De interventieperiode werd ingekort van 6 maanden naar 14 weken. Daarnaast ervaarden de agenten extra werkdruk, verveling en toonden beperkt vertrouwen in de technologie.