AI in het werk van curatoren

Voor dit onderzoek zijn acht Nederlandse kunstmusea onderzocht. De musea verschillen in grootte en zijn geselecteerd op basis van hun jaarlijkse omzet, zoals gedefinieerd in de Museumcijfers. Daarbij is onderscheid gemaakt tussen grote musea vanaf €3,2 miljoen omzet, middelgrote musea tussen €800.000 en €3,2 miljoen, en kleinere musea tussen €400.000 en €800.000.

* Grootte van het museum op basis van omzet, volgens de indeling van de Museumcijfers.

• Klein tot middelgroot: €400.000 tot €800.000
• Middelgroot: €800.000 tot €3,2 miljoen
• Groot: €3,2 miljoen

In totaal zijn acht museumprofessionals geïnterviewd: vier curatoren, een directeur, een hoofd Collecties en Onderzoek en twee professionals op het gebied van digitale innovatie.

Dit onderzoek is uitgevoerd van de bachelor scriptie binnen de opleiding International Arts and Culture Studies aan de Erasmus Universiteit Rotterdam.

Het maken van een tentoonstelling is een lang proces dat uit verschillende stappen bestaat. Van de eerste ideeën en het ontwikkelen van een concept tot de presentatie en evaluatie. Het onderstaande figuur laat zien uit welke fases het tentoonstellingsproces bestaat en op welke momenten AI-tools mogelijk een rol kunnen spelen.

Opmerking: Het proces van het maken van de tentoonstelling is overgenomen uit Dean, D. (1994). Museum exhibition: Theory and practice. Routledge.

In de conceptuele fase kan AI vooral helpen bij het verkennen van ideeën. Curatoren gebruiken AI-tools bijvoorbeeld tijdens brainstorms, om thema’s verder uit te werken of om een tentoonstellingsconcept aan te scherpen.

Het hoofd Collecties en Onderzoek van museum B gaf aan dat AI juist in deze vroege fase waardevol kan zijn, omdat het extra perspectieven kan bieden waar je zelf nog niet aan had gedacht. AI kan daarnaast helpen bij inspiratie en collectieonderzoek. Vooral bij musea met een digitale collectie kunnen AI-toepassingen ondersteunen bij het vinden van objecten en het leggen van onverwachte verbanden binnen de collectie.

In deze fase noemen professionals onder andere de volgende tools: Copilot, ChatGPT, Claude AI, AI-tools in digitale collecties en NotebookLM.

Uit de interviews kwam naar voren dat AI het vaakst wordt gebruikt in de ontwikkelingsfase. Vooral taalmodellen spelen hier een praktische rol. Curatoren en andere museumprofessionals zetten AI in voor het vertalen, controleren, verbeteren of genereren van teksten. Zo werd DeepL door een van de kunstcuratoren van museum D genoemd als een tool die helpt om teksten “heel gemakkelijk” te vertalen.

AI wordt ook gebruikt als inspiratiebron voor tentoonstellingstitels. In één voorbeeld werd Copilot ingezet om mogelijke titels te verkennen. Daarnaast kan AI ondersteuning bieden bij fondsaanvragen. Vooral in kleinere musea, waar curatoren soms ook verantwoordelijk zijn voor het schrijven van aanvragen, kunnen tools zoals Claude AI of Copilot helpen om teksten te structureren of aan te scherpen.

Ook bij tentoonstellingsontwerp kan AI een rol spelen: de kunstcurator en conservator Moderne en Hedendaagse Kunst van museum G gaf aan dat AI kan worden gebruikt om renders en beelden van tentoonstellingen te genereren, waardoor de communicatie met een designer makkelijker wordt. AI helpt hier bij het visualiseren en overbrengen van ideeën tussen verschillende afdelingen.

De functionele fase gaat over de presentatie van de tentoonstelling aan het publiek. Daarna volgt de beoordelingsfase, waarin resultaten van de tentoonstelling worden geëvalueerd.

In deze fases kwam AI-gebruik in de interviews nauwelijks naar voren. Geen van de geïnterviewde professionals noemde concrete voorbeelden van AI-toepassingen in de presentatie of evaluatie van tentoonstellingen.

Een belangrijk aandachtspunt is de betrouwbaarheid van AI-antwoorden. Het hoofd Collecties en Onderzoek van museum B merkte tijdens het gebruik van AI voor onderzoek dat er soms geen duidelijke verbinding was tussen een bewering en de bronnen. Toen hierop werd doorgevraagd, gaf de AI-tool aan dat het eigenlijk om een interpretatie ging.

Dit laat zien dat AI niet altijd duidelijk onderscheid maakt tussen feit, bron en interpretatie. AI kan meningen of interpretaties als feiten presenteren, onvolledige informatie geven of fouten en vooroordelen uit trainingsdata overnemen. Voor curatorieel onderzoek, waar context en nuance belangrijk zijn, vraagt dit om extra controle.

Voor curatoren die werken met hedendaagse of opkomende kunstenaars is AI niet altijd bruikbaar. Veel informatie over deze kunstenaars is nog niet goed online beschikbaar of wordt niet meegenomen in de datasets waarop AI-systemen zijn getraind. Hoofd Tentoonstellingen van museum C gaf aan: “Ik zou deze kunstenaars nooit hebben gevonden als ik alleen AI had gebruikt.” Juist bij hedendaagse kunst blijft persoonlijk netwerk en direct contact met kunstenaars essentieel.

Bij het gebruik van AI-tools is niet altijd duidelijk waar ingevoerde informatie terechtkomt, welke bedrijven toegang hebben tot de data en of interne informatie van het museum later opnieuw gebruikt kan worden. Dit werd vooral benoemd door de manager Digitale Producties van museum F en de kunstcurator en conservator Moderne en Hedendaagse Kunst van museum G.

De meeste geïnterviewde professionals wezen er ook op dat AI-systemen veel energie en digitale infrastructuur vereisen. Dat roept vragen op over de milieu-impact van AI, zeker voor musea die duurzaamheid belangrijk vinden in hun beleid en praktijk.

Dat gebeurt nu nog niet vanzelfsprekend, maar in de toekomst kan het interessant zijn als AI patronen in stijl, materiaalgebruik of herkomst informatie kan herkennen en zo aanvullend onderzoek ondersteunt. De uiteindelijke beoordeling blijft daarbij natuurlijk bij de curator of onderzoeker.

Bezoekers zouden dan routes of verhalen kunnen krijgen die beter aansluiten bij hun interesses, voorkennis of taalniveau.

Op basis van eerdere publieksdata, thema’s of bezoekersinteresses kan AI suggesties geven over welke onderwerpen mogelijk relevant zijn voor toekomstige tentoonstellingen. AI kan ondersteunen, maar niet bepalen wat cultureel of artistiek waardevol is.

Door bezoekers te tellen en hun bewegingen door het museum te analyseren, kunnen musea zien welke ruimtes druk zijn, welke routes bezoekers volgen en waar kunstwerken het beste tot hun recht komen. Deze inzichten kunnen helpen bij de inrichting van tentoonstellingen.

AI kan mogelijk ondersteunen bij het testen van verschillende opstellingen, looproutes of manieren om objecten in de ruimte te presenteren.

Opmerking: Aangepast overgenomen uit Lichtenthaler (2020), vijf volwassenheidsniveaus voor het managen van AI.

Het museum ziet geen duidelijke mogelijkheden voor het gebruik van AI binnen de curatoriële praktijk. Een van 8 musea geeft geen interesse in gebruik van AI.

Het museum start met kleine pilotprojecten om te testen of AI-toepassingen waardevol zijn. Bij enkele middelgrote en kleine musea worden AI-tools gebruikt voor vertalingen en het genereren van teksten.

AI wordt door individuele medewerkers getest en gebruikt in verschillende fasen van het tentoonstellingsproces. Drie grote musea gebruiken AI-tools bijvoorbeeld als inspiratiebron voor tentoonstellingstitels. Daarnaast kan AI worden gebruikt om renders en beelden van tentoonstellingen te genereren. Deze musea hebben verschillende workshops over AI-gebruik gevolgd en beschikken over een duidelijk AI-beleid.

AI-tools worden door meerdere afdelingen gebruikt. Musea op niveau 3 beschikken bijvoorbeeld over digitale collecties en gebruiken AI-tools in verschillende afdelingen, ook in samenwerking met curatoren. Ze experimenteren meer met AI en hebben een aparte groep professionals (innovatieteam) binnen de organisatie die verantwoordelijk is voor innovatie en digitale ontwikkeling.

AI wordt een centrale drijvende kracht achter innovatie. In de onderzochte musea speelt AI nog geen centrale of volledig geïntegreerde rol.

AI en menselijke intelligentie zijn met elkaar verbonden. Ook dit niveau is nog niet zichtbaar onder de onderzochte musea. Het blijft bovendien de vraag of musea dit niveau ooit zullen bereiken, omdat AI dan een rol krijgt als co-curator of co-creator. De vraag is of dit aansluit bij de manier waarop musea hun curatoriële praktijk willen vormgeven.

Vooral kleinere musea hebben vaak weinig tijd om met AI te experimenteren. Er is niet altijd een aparte afdeling of medewerker die verantwoordelijk is voor digitale innovatie. Daardoor blijft AI-gebruik sneller afhankelijk van persoonlijk initiatief.

AI-innovatie vraagt niet alleen om goede tools, maar ook om tijd, training en begeleiding. Voor musea met beperkte middelen is het daardoor moeilijker om structureel in AI te investeren.

Hoewel AI nuttig kan zijn, geven sommige curatoren bewust de voorkeur aan menselijke communicatie en creatieve processen zonder tussenkomst van technologie. Dat roept een belangrijke vraag op: past AI, dat vaak wordt verbonden met efficiëntie, wel altijd bij curatorieel werk? Curatoren zoeken naar betekenisvolle verbanden tussen kunstwerken, werken samen met kunstenaars en maken tentoonstellingen voor het publiek. In dat proces zijn reflectie en menselijke interpretatie soms juist waardevol.

In sommige musea ontbreekt nog duidelijk AI-beleid. Daardoor is het voor medewerkers niet altijd duidelijk welke tools zij mogen gebruiken, welke informatie zij kunnen invoeren en welke risico’s er zijn. Zonder richtlijnen blijft AI-gebruik onzeker.

Wanneer er wel AI-beleid is, ligt de nadruk soms vooral op wat niet mag. In museum D mogen medewerkers bijvoorbeeld alleen Copilot gebruiken en geen andere AI-tools. Zulke afspraken kunnen helpen om privacy en veiligheid te beschermen, maar kunnen ook het gevoel geven dat AI vooral een risico is in plaats van een mogelijke ondersteuning.

AI  werkt vooral als een instrument om sneller en efficiënter te werken. Maar voor musea is efficiëntie niet altijd het belangrijkste doel. Creativiteit, communicatie, educatie, reflectie en zorgvuldigheid zijn minstens zo belangrijk. Projectleider Digitale Innovatie van museum H verwoordde dit als volgt: “We doen iets anders dan bijna de hele wereld doet. Efficiënter, sneller. En wij proberen dingen juist te vertragen.” Voor sommige musea gaat het dus niet om versnelling, maar juist om vertraging, aandacht en ruimte voor imperfectie.

Zonder basiskennis over AI is het moeilijk om te beoordelen wat de technologie wel en niet kan. Gebrek aan AI-educatie kan ervoor zorgen dat medewerkers vooral risico’s zien, of juist mogelijkheden missen. Trainingen, gesprekken en experimenten kunnen helpen om AI minder abstract te maken.

Om AI goed te kunnen beoordelen, is basiskennis nodig. Cursussen, lezingen of interne kennissessies over hoe AI-tools werken zijn belangrijk om te begrijpen  wat AI wel en niet kan, en welke risico’s erbij komen. Zonder die kennis blijft AI te veel afhankelijk van persoonlijke bestuur.

Experimenteren helpt musea om beter te begrijpen waar AI waarde kan toevoegen. Door AI eerst in een beperkte context te testen, wordt duidelijker wat de mogelijkheden zijn, maar ook waar de beperkingen liggen.

Experimenteren is belangrijk, maar het vraagt ook om duidelijke afspraken. AI-beleid kan helpen om privacy, dataveiligheid, auteursrechten en transparantie beter te beschermen. Zo weten medewerkers welke tools zij mogen gebruiken, welke informatie zij wel of niet kunnen invoeren en wanneer extra controle nodig is.

Transparantie is een belangrijk aandachtspunt bij het gebruik van AI in musea. Wanneer AI wordt ingezet in bijvoorbeeld digitale collecties, publieksplatforms of interpretatieve teksten, is het belangrijk dat bezoekers weten dat AI een rol speelt.

Een disclaimer kan hierbij helpen. In sommige musea wordt bij digitale collecties al aangegeven dat een AI-tool is gebruikt en dat de uitkomsten is geen fijten maar maar interpretaties van informatie. Zo wordt duidelijk dat AI-uitkomsten altijd kritisch gelezen moeten worden.

De gegevens zijn gebaseerd op interviews met museumprofessionals van acht kunstmusea die lid zijn van de Museumvereniging. Bij de interpretatie van de resultaten is het belangrijk om met enkele nuances rekening te houden.

• De bevindingen zijn gebaseerd op de persoonlijke kennis, ervaringen en interpretaties van de deelnemers. Niet alle respondenten waren in dezelfde mate bekend met AI of met de manier waarop AI binnen hun museum wordt toegepast. Hierdoor kunnen de antwoorden subjectief, onvolledig of beïnvloed zijn door beperkte kennis van bestaande AI-praktijken.
• Het onderzoek heeft een relatief beperkte steekproef. Omdat alleen deelnemers uit acht musea zijn geïnterviewd, kunnen de bevindingen niet worden gegeneraliseerd naar de gehele Nederlandse museumsector.
• Daarnaast ontwikkelt AI-integratie zich snel. De resultaten geven daarom een momentopname weer van de situatie op het moment van onderzoek. Eventuele vergelijkingen met andere jaren of toekomstige ontwikkelingen moeten dan ook als indicatief worden beschouwd.

De gepresenteerde gegevens zijn daarom mede afhankelijk van de respons en interpretaties van de geïnterviewde museumprofessionals en moeten met de nodige voorzichtigheid worden gelezen.

Dean, D. (2002). Museum exhibition: Theory and practice. Routledge. https://doi.org/10.4324/9780203039366

Lichtenthaler, U. (2020). Five maturity levels of managing AI: From isolated ignorance to integrated intelligence. Journal of Innovation Management, 8(1), 39–50.

Wasielewski, A. (2026). AI and curation: Digitization, museums and digital art history. Visual Resources. Advance online publication. https://doi.org/10.1080/01973762.2026.2617741