Deze praktijkcase is gebaseerd op de ervaringen die Łukasz Ściebior (MUZA) en Katarzyna Reszka (Museum van Warschau) deelden tijdens hun presentatie binnen het ERC2026-programma.
De case beschrijft hoe AI-tools in MUZA zijn ingevoerd: eerst tijdens de implementatie met het Museum van Warschau in 2024, daarna bij de verdere ontwikkeling van MUZA in 2026.
AI is slechts één onderdeel van MUZA. Het systeem vormt een bredere omgeving voor het beheer van museumcollecties, documentatie en processen in de hele organisatie.
Dagelijkse uitdagingen bij collectiebeheer
Musea werken met veel uiteenlopende informatie: objectregistraties, afbeeldingen, documentatie, onderzoeksresultaten, terminologie, conserveringsgegevens, bruiklenen, verplaatsingen en publicatie-inhoud.
In het dagelijks werk kunnen teams te maken krijgen met:
- onvolledige of inconsistente objectregistraties;
- informatie verspreid over systemen, spreadsheets, documenten en mappen;
- herhaald kopiëren en overtypen van dezelfde informatie;
- moeizaam zoeken in grote collecties;
- inconsistente terminologie;
- tijdrovende catalogisering en documentatie;
- beperkte capaciteit om inhoud voor verschillende doelgroepen te maken;
- afzonderlijke omgevingen voor het voorbereiden, controleren en publiceren van informatie.
Deze problemen raken meer dan de registratieafdeling. Ze kunnen collectieonderzoek, tentoonstellingsvoorbereiding, bruikleenbeheer, publicatie van collectie-informatie, digitaal werk en kennisdeling tussen afdelingen bemoeilijken.
MUZA brengt collectiegegevens en bijbehorende processen samen in één browseromgeving. Het helpt informatie te ordenen, terminologie te standaardiseren, samen te werken en gegevens eenvoudiger te vinden en opnieuw te gebruiken.
AI breidt deze mogelijkheden uit door bepaalde taken binnen het systeem te ondersteunen.
De praktijkcase van het Museum van Warschau
Het eerste AI-werk dat op ERC2026 werd gepresenteerd, kwam voort uit de implementatie van MUZA in het Museum van Warschau, die in 2024 begon.
Het Museum van Warschau beheert ongeveer 765.000 objecten. De fotocollectie is bijzonder belangrijk: een van de grootste deelcollecties, met veel publieke belangstelling en vaak complex historisch onderzoek.
Voor de implementatie werkte het museum jarenlang met een oudere omgeving die onvoldoende controle op terminologie, gegevensconsistentie en procesautomatisering bood. Verschillende invoerwijzen maakten registraties moeilijk te vergelijken, te verbinden en te doorzoeken.
De migratie naar MUZA omvatte ongeveer 300.000 registraties uit het vorige systeem en andere bronnen. Dit maakte de omvang van de uitdagingen rond gegevenskwaliteit en catalogisering duidelijker.
Sommige registraties vergden nader onderzoek, aanvulling of standaardisering. Foto’s konden handgeschreven notities, etiketten en stempels bevatten: waardevolle aanwijzingen die op grote schaal moeilijk handmatig te verwerken waren.
Er was duidelijk behoefte aan hulpmiddelen die museumprofessionals ondersteunen zonder hun verantwoordelijkheid voor de definitieve registratie over te nemen.
Objectregistraties voorbereiden met AI
De eerste AI-module werd als eerste implementatie ontwikkeld vanuit de behoeften die tijdens het werk met het Museum van Warschau waren vastgesteld.
Op basis van een foto en de beschikbare context kan de module voorstellen maken voor:
- objectbeschrijvingen;
- trefwoorden;
- materialen en technieken;
- datering;
- mogelijk auteurschap;
- afmetingen;
- bepaalde inventarisvelden;
- termen uit gecontroleerde woordenlijsten.
De module kan ook nieuwe termen voorstellen als een passende term nog niet in het ingestelde woordenboek staat.
Een aangeleverde afbeelding kan als uitgangspunt dienen. Hoogwaardige digitalisering is niet vereist: ook een telefoonfoto kan bruikbaar zijn wanneer die relevante context bevat.
De voorstellen zijn geen definitieve museuminformatie. Ze vormen een gestructureerd beginpunt voor registratoren, conservatoren en andere specialisten.
Informatie uit foto’s lezen
Met optische tekenherkenning kan de module een transcriptievoorstel maken van notities, etiketten en stempels op foto’s, ook van informatie op de achterzijde.
Een medewerker kan het voorstel vergelijken met de bronafbeelding, de transcriptie corrigeren en bepalen of de informatie relevant is voor de objectregistratie.
AI helpt zichtbare informatie te verwerken. Het bepaalt niet hoe een historische aanwijzing moet worden geïnterpreteerd.
Verificatie en professionele controle
De gesprekken met het Museum van Warschau benadrukten dat museumprofessionals betrouwbare controle over collectiegegevens nodig hebben.
AI-inhoud kan fouten, weglatingen of ongefundeerde uitspraken bevatten. Daarom kent het MUZA-werkproces meerdere beoordelingsniveaus.
Medewerkers kunnen:
- voorstellen per veld beoordelen;
- ze met aanvullende bronnen vergelijken;
- betrouwbaarheidsindicatoren bekijken;
- afzonderlijke voorstellen accepteren, aanpassen of afwijzen.
Verantwoordelijkheden kunnen over verschillende rollen worden verdeeld:
- de conservator beoordeelt inhoud en bewijs;
- de registrator controleert gegevenskwaliteit, verplichte velden en terminologie;
- een beoordelaar bereidt het concept voor en controleert het;
- een publicatiemedewerker of bevoegde gebruiker keurt de definitieve inhoud van het betreffende veld goed.
Zo ontstaat een werkproces met menselijke controle. AI ondersteunt voorbereiding en beoordeling, maar museumprofessionals blijven verantwoordelijk voor de informatie in de registratie. Inhoud die met AI is gemaakt, wordt duidelijk gemarkeerd.
Zoeken met AI en RAG
Een van de AI-mogelijkheden in MUZA is een AI-chat op basis van retrieval-augmented generation, of RAG.
RAG is geen algemene chatbot met onbeperkte internettoegang. In deze toepassing is het vooral een zoek- en ophaallaag die door een taalmodel wordt ondersteund.
Het proces bestaat uit twee hoofdfasen:
- het systeem zoekt relevante informatie in geselecteerde, verbonden museumgegevens;
- het taalmodel gebruikt de opgehaalde context om een antwoord in natuurlijke taal te maken.
De geïmplementeerde zoekfunctie kan werken met informatie in MUZA, waaronder objectbeschrijvingen en geselecteerde metadata. Gebruikers kunnen vragen stellen zonder de precieze catalogusterm te kennen, objecten vinden, de registraties achter een antwoord bekijken en geselecteerde objecten als werklijst opslaan.
Dit kan helpen bij:
- collectievragen;
- tentoonstellingsvoorbereiding;
- onderzoek;
- objecten zoeken op thema, maker of context;
- minder afhankelijk worden van ingewikkelde filters en exacte termen.
Bronregistraties blijven belangrijk. Het systeem maakt collectie-informatie toegankelijker zonder de herkomst van antwoorden te verbergen.
Bronnen die met RAG kunnen worden verbonden
De RAG-laag kan worden gevoed met geselecteerde bronnen die de instelling doorzoekbaar wil maken.
De huidige toepassing is vooral gebaseerd op:
- objectbeschrijvingen;
- geselecteerde metadata;
- collectie-informatie opgeslagen in MUZA.
De oplossing kan ook worden uitgebreid met andere geïndexeerde bronnen, zoals:
- gedigitaliseerde documentatie;
- bibliografische verwijzingen;
- gedigitaliseerde boeken;
- onderzoeksmateriaal;
- geselecteerde repositories of documentomgevingen.
Aanvullende bronnen worden per implementatie geselecteerd, voorbereid en geïndexeerd. Na configuratie kan de chat ze doorzoeken.
Gegevensbeveiliging en infrastructuur
De opzet die tijdens de voorbereiding op ERC2026 werd besproken, was bedoeld voor lokaal gebruik in infrastructuur onder beheer van het MUZA-team of de instelling. Bij een lokaal gehost model worden opgehaalde passages uit collectieregistraties binnen die infrastructuur verwerkt. Als een extern model wordt ingesteld, worden de aangeleverde passages verwerkt volgens die configuratie en de gegevensvoorwaarden van de aanbieder.
Deze architectuur kan de instelling helpen controle te houden over:
- welke bronnen worden geïndexeerd;
- welke gegevens beschikbaar zijn voor zoeken;
- waar gegevens worden verwerkt;
- wie de module mag gebruiken;
- hoe systeemtoegang wordt beheerd.
RAG garandeert op zichzelf geen veiligheid of nauwkeurigheid. De uiteindelijke bescherming hangt af van infrastructuur, model, toegangscontrole, integratie, onderhoud en regels voor gegevensverwerking.
Beveiliging en privacy moeten daarom deel uitmaken van de implementatiearchitectuur, niet een los marketingkenmerk vormen.
Beschrijvingen voor verschillende doelgroepen
De verdere ontwikkeling van MUZA in 2026 bracht tools voor beschrijvingen op maat van verschillende doelgroepen en doeleinden.
Dezelfde objectgegevens kunnen als basis dienen voor inhoud voor:
- kinderen;
- volwassen bezoekers;
- onderzoekers;
- educatiemedewerkers;
- tentoonstellingsteams;
- mensen op het autismespectrum.
Het systeem maakt een concept op basis van bestaande objectgegevens. Medewerkers beoordelen, redigeren en keuren het resultaat goed voordat het in het museum of online wordt gebruikt.
Het doel is minder herhaald schrijfwerk en eenvoudiger hergebruik van bestaande collectiekennis.
Inhoud voor toegankelijkheid
MUZA bevat ook tools die toegankelijkheidswerk ondersteunen.
Ze kunnen helpen bij:
- het vinden van afbeeldingen zonder alternatieve tekst;
- het opstellen van alternatieve teksten;
- het maken van transcripties van audio en video;
- het voorbereiden van toegankelijke ondertitels;
- het identificeren van sprekers, geluidseffecten en achtergrondgeluiden;
- het maken van conceptaudiodescripties voor afbeeldingen en volledige audiodescriptiescripts met tijdcodes voor films.
Voor films kan MUZA een volledig conceptaudiodescriptiescript genereren. Het analyseert de video per segment en beschrijft wat op ieder moment zichtbaar is, met tijdcodes om direct naar de scène te gaan en de beschrijving met de originele beelden te vergelijken. Het script is als WebVTT-bestand te downloaden.
Deze tools pakken een praktisch probleem aan: toegankelijke inhoud maken voor een grote digitale collectie kan veel tijd en herhaald handwerk kosten.
Vertalen met museumterminologie
Een andere AI-functie van MUZA ondersteunt vertaling.
Medewerkers kunnen geselecteerde velden of beschrijvingen vertalen, het origineel met het voorstel vergelijken en het resultaat voor publicatie beoordelen. Bepaalde eigennamen of formuleringen kunnen in de oorspronkelijke taal blijven staan.
Terminologie kan voor de instelling worden ingesteld. Een algemene vertaling geeft immers niet altijd de betekenis van een specialistische museumterm weer.
Het proces versnelt de voorbereiding van meertalige collectie-inhoud, terwijl museummedewerkers verantwoordelijk blijven voor de definitieve formulering.
MUZA is meer dan AI
AI is één groep hulpmiddelen binnen MUZA en definieert niet het hele systeem.
MUZA ondersteunt breder museumwerk, waaronder:
- collectie- en inventarisbeheer;
- documentatie en digitalisering;
- archieven;
- conservering;
- bruiklenen en bewaargevingen;
- objectverplaatsingen;
- tentoonstellingen en projecten;
- portalen en publieke toegang;
- samenwerking tussen afdelingen;
- gegevensmigratie en verbetering van gegevenskwaliteit.
Het systeem helpt musea minder tussen losse tools te wisselen, dubbele invoer te voorkomen, beter te zoeken en te filteren, met gedeelde informatie te werken en collectiegegevens in verschillende processen te hergebruiken.
AI ondersteunt bepaalde activiteiten binnen deze omgeving. Het vervangt geen collectiebeheersysteem, museumwerkprocessen of professionele expertise.
Voorbij het experiment
De case van MUZA en het Museum van Warschau laat zien dat praktische AI-ontwikkeling kan beginnen met concrete werkproblemen:
- onvolledige registraties;
- herhaald catalogiseerwerk;
- moeilijke zoekopdrachten;
- verloren historische context;
- de werklast rond toegankelijkheid;
- de werklast rond vertalingen;
- de behoefte aan inhoud voor verschillende doelgroepen;
- versnipperde beoordelings- en goedkeuringsprocessen.
De eerste module ontstond bij de implementatie met het Museum van Warschau in 2024. Verdere AI-mogelijkheden werden in 2026 als onderdeel van de productontwikkeling van MUZA ingevoerd en ontwikkeld.
De juiste oplossing hangt af van de gegevens, werkprocessen, terminologie, infrastructuur, beveiligingseisen en professionele verantwoordelijkheden van de instelling.
AI kan musea helpen tijd te besparen, informatie toegankelijker te maken en bestaande kennis beter te benutten. Menselijke beoordeling, duidelijke verantwoordelijkheden en controle over gegevens blijven essentieel.

Bespreek AI en collectiebeheer in uw museum
Overweegt u AI voor catalogisering, collectieonderzoek, toegankelijkheid, vertaling of het doorzoeken van collecties?
Vertel ons wat uw museum nodig heeft en ontdek of wij MUZA kosteloos bij uw instelling kunnen implementeren.
Neem contact op met het MUZA-team:
Jan Sikora
International Business Growth Partner
jan.sikora@mobilems.pl
+48 797 418 825

