OpenAI werkt samen met DOE Lab om federale vergunningsverleningsduur met 15% te verminderen
Tony Kim 4 mrt 2026 17:29
OpenAI en Pacific Northwest National Laboratory lanceren DraftNEPABench, waaruit blijkt dat AI-agents 1-5 uur per subsectie kunnen besparen bij federale milieubeoordelingen.
OpenAI en het Pacific Northwest National Laboratory van het Amerikaanse ministerie van Energie hebben een benchmark ontwikkeld waaruit blijkt dat AI-codeeringsagents federale milieuvergunningsconcepten met maximaal 15% kunnen verminderen. De samenwerking, aangekondigd op 26 februari 2026, resulteerde in DraftNEPABench—een testraamwerk dat AI-prestaties evalueerde over 102 concepttaken van 18 federale instanties.
De benchmark richt zich specifiek op workflows van de National Environmental Policy Act, het 50 jaar oude proces waarbij federale instanties de milieueffecten moeten documenteren voordat infrastructuurprojecten zoals energiecentrales, bruggen en productiefaciliteiten worden goedgekeurd. Deze beoordelingen duren vaak jaren en omvatten honderden pagina's technische rapporten.
Wat de tests aantoonden
Negentien NEPA-vakexperts evalueerden door AI gegenereerde concepten op een schaal van 1-5 waarbij structuur, duidelijkheid, nauwkeurigheid en correct gebruik van referenties werden gemeten. De agents—draaiend op OpenAI's Codex CLI met GPT-5—toonden het potentieel om 1-5 uur per documentsubsectie te besparen.
Dat klinkt niet dramatisch totdat je de schaal in overweging neemt. Milieueffectrapportages bevatten tientallen subsecties, die elk kruisverwijzingen naar technische rapporten, wettelijke vereisten en meerdere gegevensbronnen vereisen. Een paar uur bespaard per sectie telt snel op bij projecten die momenteel maanden of jaren duren om te worden goedgekeurd.
De AI-agents moesten documenten lezen en samenvatten die honderden pagina's beslaan, feiten verifiëren aan de hand van milieu- en wettelijke bronnen, en gestructureerde rapporten produceren die aan specifieke juridische criteria voldoen. Taken omvatten documentsecties van instanties verspreid over de federale overheid.
Beperkingen die het vermelden waard zijn
PNNL en OpenAI waren open over wat deze benchmark niet bewijst. Het evalueert prestaties bij goed gespecificeerde concepttaken waarbij relevante context beschikbaar is—niet de rommelige dubbelzinnigheid van echte vergunningsbeslissingen.
Bij het beoordelen van mislukkingsgevallen ontdekten onderzoekers dat sommige "fouten" voortkwamen uit verouderde referenties en zwakke evaluatiecriteria in plaats van modelfouten. Echte implementaties zouden expertfeedbackloops omvatten waarvan wordt verwacht dat ze de prestaties verbeteren boven de benchmarkresultaten.
Als bronmateriaal onvolledig of inconsistent is, zullen de modellen niet noodzakelijkerwijs problemen markeren zonder expliciete instructies. Menselijk toezicht blijft essentieel.
Het grotere geheel
Dit partnerschap past binnen PNNL's bredere PermitAI-initiatief, gefinancierd door het Office of Policy van het ministerie van Energie. Het doel is niet het vervangen van menselijke beoordelaars—het is het geven van AI-teams aan overheidspersoneel die tijdrovend documentwerk afhandelen zodat zij zich kunnen concentreren op beoordelingen en complexe beslissingen.
OpenAI zegt dat de samenwerking doorgaat met het verfijnen van PermitAI-applicaties. De bedrijven verwachten dat gemiddelde goedkeuringstijden voor federaal beoordeelde infrastructuurprojecten uiteindelijk zullen dalen van maanden naar weken, hoewel geen specifieke tijdlijn werd gegeven voor het bereiken van die vermindering.
Voor de AI-industrie vertegenwoordigt dit nog een use case voor overheidsvalidatie—aantonend dat geavanceerde modellen echte wettelijke workflows aankunnen, niet alleen chatbotgesprekken. Of dit zich vertaalt naar bredere federale AI-adoptie hangt af van hoe volgende pilots presteren onder werkelijke vergunningsomstandigheden.
Beeldbron: Shutterstock- openai
- kunstmatige intelligentie
- federale vergunningsverlening
- nepa
- overheidstechnologie
