De Verenigde Naties (VN) bouwen samen met Google een nieuw systeem om hun enorme verzameling statistieken beter bruikbaar te maken voor AI-systemen. Het heet de UN System Data Commons en vervangt het oudere UNData-portaal.

Wat is de UN System Data Commons?

De nieuwe dienst is gebouwd op Google’s Data Commons, een open-source platform (oftewel: de broncode is openbaar en iedereen mag het gebruiken en verbeteren). Het platform laat mensen en AI-systemen zoeken naar cijfers van verschillende VN-organisaties met gewone taal, dus zonder ingewikkelde database-opdrachten.

Het systeem ondersteunt ook het Model Context Protocol (MCP) — een standaard die AI-systemen in staat stelt rechtstreeks verbinding te maken met externe databronnen. Zo kan een AI-agent automatisch cijfers ophalen en aangeven waar die vandaan komen.

Wat verandert er voor wie cijfers zoekt?

Voorheen moest je vaak door tabellen en lijsten van het oude UNData-portal bladeren. De nieuwe omgeving maakt zoeken eenvoudiger en sneller. Belangrijke punten:

• 26 VN-onderdelen hebben zich verbonden aan het Data Commons.

• Bij de lancering zijn data van bijna 20 onderdelen beschikbaar.

• De VN streeft ernaar 80% van alle statistische datasets van het VN-systeem op dit platform te hebben tegen 2027.

Google heeft meegeholpen met techniek en een bijdrage van 2 miljoen dollar via Google.org voor de opzet. De software draait op een door de VN beheerde omgeving en moet uiteindelijk door de VN zelf onderhouden en opgeschaald worden.

Waarom dit belangrijk is voor AI en betrouwbaarheid

Steeds meer mensen gebruiken AI-hulpmiddelen om antwoorden te vinden. Maar uit tests blijkt dat grote taalmodellen vaak moeite hebben om betrouwbare cijfers te geven. UNICEF testte meerdere modellen en beoordeelde ruim 133.000 antwoorden op vragen over ontwikkelingsindicatoren. Het gemiddelde juiste antwoord was maar 21,2%.

UNICEF vond ook dat veel antwoorden geen bruikbaar getal bevatten, omdat de modellen soms ontwijkend reageren. En als een model twee dagen later hetzelfde antwoord gaf, was dat niet altijd hetzelfde getal. Deze inconsistentie maakt het lastig om blind op AI-antwoorden te vertrouwen.

Tegelijkertijd verwijzen AI-assistenten steeds vaker naar officiële datapagina’s. UNICEF zag een sterke stijging van bezoekers die via antwoorden van ChatGPT op hun site terechtkwamen. Zulke verwijzingen maken het belangrijker dat de oorspronkelijke bron duidelijk en toegankelijk is.

Hoe houdt het platform broninformatie bij?

Een belangrijk onderdeel van het project is dat elke statistiek gekoppeld blijft aan de oorspronkelijke bron. Dat betekent dat wanneer een AI een cijfer geeft, je kunt terugzoeken bij welke VN-organisatie en bij welke dataset het cijfer vandaan komt. Deze traceerbaarheid helpt om AI-antwoorden controleerbaar te maken.

Google heeft ook getoond dat een AI, aangesloten via MCP, meerdere indicatoren kan combineren en daar dashboards, grafieken en korte analyses van kan maken. In een demonstratie vroeg Google bijvoorbeeld naar de impact van een Amerikaans hulpprogramma tegen hiv/aids in Afrika. De AI vond relevante VN-cijfers over hiv-infecties, sterfte door aids en levensverwachting en gebruikte die om een infographic te maken.

Beperkingen en rol van mensen

Het beschikbaar maken van officiële data voor AI betekent niet automatisch dat alle conclusies van die AI ook betrouwbaar zijn. Modellen kunnen nuance missen of gegevens verkeerd interpreteren. Daarom is menselijke controle noodzakelijk: mensen moeten AI-uitkomsten altijd nakijken voordat de informatie wordt gebruikt of gepubliceerd.

De opzet van het project is erop gericht dat de VN medewerkers snel kan opleiden om zelf met het systeem te werken. Google spreekt over een “train-the-trainer”-aanpak, zodat de kennis binnen de VN blijft.

Conclusie

Met de UN System Data Commons maken de VN en Google een grote stap richting makkelijker vindbare en door AI bruikbare statistieken. Het platform verzamelt cijfers van veel VN-onderdelen, houdt de herkomst bij en maakt directe koppeling met AI mogelijk via het MCP. Dat kan veel werk besparen en sneller inzicht geven. Tegelijkertijd blijft menselijke controle nodig om te zorgen dat AI-conclusies juist en verantwoord zijn. Als jij straks cijfers zoekt, moet je kunnen zien waar ze vandaan komen en ze controleren voordat je ze gebruikt.