AI-projecten stranden zelden op technologie, maar vaak op vaardigheden. Medewerkers twijfelen wanneer zij Copilot mogen inzetten, juristen missen kennis over algoritmische risico’s en bestuurders hebben moeite om AI-besluiten kritisch te beoordelen. Het gevolg: dure pilots leveren weinig op, governance-documenten blijven theoretisch en talent stroomt weg naar organisaties met beter loopbaanperspectief.
AI vraagt om een andere mix van competenties dan traditionele IT. Naast techniek zijn ethiek, privacy, change management en storytelling nodig om AI-beslissingen uit te leggen. Zonder structurele talentontwikkeling ontstaat een kloof tussen ambitieuze AI-roadmaps en dagelijkse realiteit.
Deze whitepaper laat zien hoe Nederlandse overheden een toekomstbestendig AI-skillsprogramma bouwen: rolgebaseerde leerpaden gekoppeld aan governance-eisen, retentiestrategieën en externe partners. Zo krijgen investeringen in mensen net zoveel gewicht als investeringen in technologie.
- Rolgebaseerde leerpaden voor bestuurders, specialisten en eindgebruikers
- KPI’s voor adoptie, compliance en retentie gekoppeld aan de Nederlandse Baseline
- Communities of practice en partnerships (hogescholen, leveranciers) voor versnelling
- Loopbaanpaden en beloningsbeleid die AI-competenties structureel waarderen
Zorg dat AI-rollen echte doorgroeimogelijkheden hebben. Een waterschap verloor zijn best getrainde data scientists omdat er na de pilot geen extra functieniveaus of toelagen waren. Pas toen AI-specialistrollen (junior/medior/senior) met bijbehorende salarisschalen en onderzoekstijd werden toegevoegd, stabiliseerde het team.
Gelaagd vaardighedenraamwerk
Een effectief AI-vaardighedenprogramma erkent dat verschillende rollen binnen een organisatie uiteenlopende competenties vereisen om AI veilig, ethisch en doelmatig te kunnen toepassen. Deze gelaagde aanpak is essentieel omdat bestuurders andere vaardigheden nodig hebben dan technische specialisten, en omdat eindgebruikers andere leerbehoeften hebben dan nichespecialisten zoals ethici of juristen. Een one-size-fits-all benadering faalt omdat het niet aansluit bij de specifieke context, verantwoordelijkheden en dagelijkse praktijk van verschillende functiegroepen. Het gelaagde vaardighedenraamwerk structureert daarom leerpaden per rol, waarbij elk pad is afgestemd op de specifieke taken, beslissingsbevoegdheden en risico's die bij die rol horen.
Voor bestuurders en directieleden ligt de focus op strategische scenario's, ethische implicaties, begrotingskeuzes en accountability. Deze groep hoeft niet te leren hoe ze AI-modellen technisch moeten trainen of implementeren, maar moet wel in staat zijn om AI-beslissingen kritisch te beoordelen, risico's te identificeren en te begrijpen welke governance-maatregelen nodig zijn. Bestuurders moeten kunnen inschatten of een voorgesteld AI-project ethisch verantwoord is, of het past binnen de strategische doelen van de organisatie, en of de benodigde investeringen gerechtvaardigd zijn. Ze moeten ook begrijpen wat de gevolgen zijn van AI-beslissingen voor burgers, medewerkers en stakeholders, en hoe ze verantwoording kunnen afleggen over AI-gebruik aan toezichthouders, raden van bestuur of de samenleving.
De leerervaring voor bestuurders wordt daarom vormgegeven via korte masterclasses met praktische casuïstiek, interactieve dashboards die AI-prestaties en risico's visualiseren, en simulaties waarin bestuurders AI-besluiten moeten beoordelen en verantwoorden. Deze aanpak is effectief omdat bestuurders vaak beperkte tijd hebben voor training en omdat abstracte concepten beter blijven hangen wanneer ze worden gekoppeld aan concrete scenario's uit de praktijk. Casuïstiek kan bijvoorbeeld gaan over een gemeente die AI wil inzetten voor fraudedetectie, waarbij bestuurders moeten beoordelen of de voorgestelde aanpak ethisch verantwoord is, of de privacy-impact acceptabel is, en of de verwachte voordelen opwegen tegen de risico's. Dashboards helpen bestuurders om op een overzichtelijke manier inzicht te krijgen in hoe AI wordt gebruikt binnen hun organisatie, welke projecten succesvol zijn, en waar risico's of problemen zich voordoen. Simulaties bieden een veilige omgeving om te oefenen met complexe AI-beslissingen zonder dat echte gevolgen ontstaan, waardoor bestuurders vertrouwen opbouwen in hun vermogen om AI-beslissingen te nemen.
Technische specialisten zoals data scientists, architecten en securityteams volgen uitgebreidere trajecten die dieper ingaan op de technische aspecten van AI-implementatie. Data scientists leren over MLOps, wat staat voor Machine Learning Operations en verwijst naar de praktijken en tools die nodig zijn om machine learning-modellen betrouwbaar in productie te brengen en te onderhouden. Dit omvat onderwerpen zoals modelversiebeheer, continue training, monitoring van modelprestaties, en geautomatiseerde testing en deployment pipelines. Responsible AI is een cruciaal onderwerp dat gaat over het ontwikkelen en implementeren van AI-systemen op een manier die ethisch verantwoord is, die bias voorkomt, die uitlegbaarheid waarborgt, en die rekening houdt met de impact op mensen en samenleving. Technische specialisten moeten begrijpen hoe ze bias kunnen detecteren en mitigeren, hoe ze modelbeslissingen kunnen uitleggen aan niet-technische stakeholders, en hoe ze AI-systemen kunnen ontwerpen die eerlijk en transparant zijn.
Purview-integraties zijn essentieel voor technische specialisten omdat Microsoft Purview de centrale tool is voor data governance, compliance en informatiebeveiliging binnen Microsoft 365 omgevingen. Specialisten leren hoe ze Purview kunnen configureren om AI-systemen te monitoren, hoe ze gevoeligheidslabels kunnen toepassen op AI-gegenereerde content, en hoe ze data lineage kunnen bijhouden voor AI-training datasets. Modelmonitoring is een kritieke vaardigheid omdat AI-modellen kunnen degraderen naarmate de data waarop ze zijn getraind veroudert, of omdat de omgeving waarin ze worden gebruikt verandert. Specialisten leren hoe ze model drift kunnen detecteren, hoe ze prestaties kunnen meten, en hoe ze modellen kunnen bijwerken wanneer dat nodig is. De training combineert vendortraining van Microsoft en OpenAI, die diepgaande technische kennis biedt over specifieke tools en platforms, met eigen referentiearchitecturen die laten zien hoe deze tools binnen de context van Nederlandse overheidsorganisaties moeten worden toegepast. Deze combinatie zorgt ervoor dat specialisten niet alleen technisch competent zijn, maar ook begrijpen hoe ze AI moeten implementeren binnen de specifieke governance, compliance en beveiligingsvereisten van de publieke sector.
De brede werkvloer, bestaande uit eindgebruikers die dagelijks werken met AI-tools zoals Microsoft Copilot, krijgt modulaire microlearning aangeboden die is gekoppeld aan concrete Copilot-pilots. Microlearning is effectief voor deze groep omdat eindgebruikers vaak beperkte tijd hebben voor training en omdat kleine, gefocuste leerblokken beter blijven hangen dan lange training sessies. De modules behandelen essentiële onderwerpen zoals prompting, wat verwijst naar de vaardigheid om effectieve instructies te geven aan AI-systemen zodat ze de gewenste output produceren. Goede prompting is cruciaal omdat de kwaliteit van AI-output sterk afhankelijk is van hoe goed de gebruiker zijn vraag of opdracht formuleert. Privacy-modules leren eindgebruikers hoe ze om moeten gaan met persoonsgegevens wanneer ze AI-tools gebruiken, welke data ze wel en niet mogen invoeren in AI-systemen, en hoe ze kunnen controleren of AI-gegenereerde content privacy-risico's bevat. Mens-in-de-lus concepten leggen uit waarom menselijke controle en beoordeling essentieel blijven, zelfs wanneer AI-systemen geavanceerd worden, en hoe eindgebruikers AI-output moeten valideren en corrigeren wanneer dat nodig is.
Deze training wordt gekoppeld aan Copilot-pilots waarbij teams oefenen met hun eigen dossiers en workflows, waardoor de training direct relevant en toepasbaar is. Teams leren bijvoorbeeld hoe ze Copilot kunnen gebruiken om samenvattingen te maken van lange beleidsdocumenten, hoe ze AI kunnen inzetten om eerste versies van brieven of rapporten te genereren, of hoe ze AI kunnen gebruiken om vragen van burgers te categoriseren en te routeren. Best practices worden gedeeld via Teams-sites waar teams voorbeelden kunnen vinden van effectieve prompts, waar ze vragen kunnen stellen, en waar ze successen en uitdagingen kunnen delen met collega's. Werkplekcoaches bieden directe ondersteuning op de werkvloer, waarbij ze teams helpen wanneer ze vragen hebben of wanneer ze tegen problemen aanlopen bij het gebruik van AI-tools. Deze aanpak zorgt ervoor dat eindgebruikers niet alleen theoretische kennis opdoen, maar ook praktische ervaring opbouwen met AI in hun dagelijkse werk, waardoor adoptie en effectiviteit worden verhoogd.
Nichespecialisten zoals ethici, privacy officers en juristen bouwen gespecialiseerde expertise op in domeinen die cruciaal zijn voor verantwoord AI-gebruik maar die buiten de technische implementatie vallen. AI Act-classificaties zijn essentieel omdat de Europese AI Act verschillende risicocategorieën definieert voor AI-systemen, waarbij systemen met een hoog risico strengere eisen stellen aan transparantie, menselijke controle en compliance. Ethici en juristen leren hoe ze AI-systemen moeten classificeren volgens deze categorieën, welke verplichtingen gelden per categorie, en hoe ze kunnen zorgen dat hun organisatie voldoet aan de wettelijke vereisten. DPIA's, of Data Protection Impact Assessments, zijn verplicht voor AI-systemen die persoonsgegevens verwerken, en privacy officers leren hoe ze deze assessments moeten uitvoeren, welke risico's ze moeten identificeren, en welke mitigerende maatregelen ze moeten implementeren. Contractvoorwaarden zijn cruciaal wanneer organisaties externe AI-diensten afnemen, en juristen leren welke clausules essentieel zijn om risico's te beperken, om compliance te waarborgen, en om verantwoordelijkheden duidelijk te definiëren tussen organisatie en leverancier.
Incidentrespons voor AI-systemen vereist gespecialiseerde kennis omdat AI-incidenten anders zijn dan traditionele IT-incidenten. AI-systemen kunnen bijvoorbeeld discriminerende beslissingen maken, kunnen onjuiste of misleidende informatie produceren, of kunnen worden misbruikt voor schadelijke doeleinden. Nichespecialisten leren hoe ze dergelijke incidenten moeten identificeren, hoe ze de impact moeten beoordelen, hoe ze betrokkenen moeten informeren, en hoe ze kunnen voorkomen dat vergelijkbare incidenten zich opnieuw voordoen. Centres of excellence begeleiden AI-projecten door de gehele levenscyclus, waarbij ze expertise leveren op het gebied van ethiek, privacy, compliance en risicobeheer. Deze centra bewaken ook standaarden door te zorgen dat alle AI-projecten voldoen aan de vereiste governance-kaders, door best practices te documenteren en te verspreiden, en door te fungeren als vraagbaak voor teams die AI willen implementeren. Deze gespecialiseerde ondersteuning is essentieel omdat AI-projecten complexe ethische, juridische en privacy-uitdagingen met zich meebrengen die niet kunnen worden opgelost met alleen technische expertise, maar die vereisen dat specialisten met diepgaande kennis van ethiek, privacywetgeving en compliance betrokken zijn bij het ontwerp en de implementatie van AI-systemen.
Programmaontwerp en governance
Een succesvol AI-vaardighedenprogramma vereist zorgvuldige planning, duidelijke governance en structurele inbedding in de organisatie. Zonder deze fundamenten verworden training initiatieven tot losse activiteiten die weinig impact hebben en die niet bijdragen aan de bredere AI-transformatie van de organisatie. Programmaontwerp en governance zorgen ervoor dat vaardigheidsontwikkeling niet ad-hoc gebeurt, maar onderdeel wordt van een strategische aanpak die is gekoppeld aan organisatiedoelen, die meetbaar is, en die continu wordt verbeterd op basis van ervaringen en resultaten.
Roadmaps en KPI's vormen de basis voor een gestructureerd vaardighedenprogramma omdat ze duidelijk maken welke vaardigheden wanneer nodig zijn en hoe succes wordt gemeten. Leerdoelen moeten worden gekoppeld aan AI-roadmaps die aangeven welke AI-projecten de organisatie wanneer wil implementeren, zodat training kan worden afgestemd op de concrete behoeften die ontstaan wanneer projecten worden gestart. Als een organisatie bijvoorbeeld in het eerste kwartaal van 2025 Microsoft Copilot wil uitrollen, dan moeten eindgebruikers in de maanden daarvoor training krijgen over hoe ze Copilot effectief kunnen gebruiken, welke privacy-overwegingen belangrijk zijn, en hoe ze AI-output moeten valideren. Deze koppeling voorkomt dat training te vroeg wordt gegeven waardoor kennis wegzakt voordat het wordt toegepast, of te laat waardoor projecten worden vertraagd omdat medewerkers nog niet de benodigde vaardigheden hebben.
KPI's maken het mogelijk om de effectiviteit van het vaardighedenprogramma te meten en om te sturen op verbetering. Concrete voorbeelden van KPI's zijn het percentage medewerkers dat een Copilot-certificaat heeft behaald, wat aangeeft hoeveel medewerkers de basisvaardigheden hebben om AI-tools veilig en effectief te gebruiken. Een andere belangrijke KPI is het aantal governance reviews waarbij een AI-expert betrokken is, wat laat zien of AI-projecten voldoende worden beoordeeld door mensen met de juiste expertise. Andere relevante KPI's kunnen zijn het aantal AI-projecten dat succesvol wordt afgerond, het percentage medewerkers dat deelneemt aan communities of practice, de tevredenheid van medewerkers met het trainingsaanbod, en het aantal incidenten dat ontstaat door onjuist gebruik van AI-tools. Deze KPI's moeten worden gekoppeld aan de Nederlandse Baseline voor Veilige Cloud, die specifieke eisen stelt aan AI-governance, privacy en beveiliging, zodat duidelijk is of de organisatie voldoet aan de vereiste standaarden. Door regelmatig KPI's te monitoren en te rapporteren aan bestuurders, blijft het vaardighedenprogramma zichtbaar en krijgt het de aandacht en middelen die nodig zijn om effectief te zijn.
Capaciteit vrijmaken is cruciaal omdat vaardigheidsontwikkeling tijd en energie kost, en omdat de waan van de dag anders altijd wint. Zonder expliciete tijdreservering voor leren en oefenen, zullen medewerkers training uitstellen of overslaan omdat ze druk zijn met hun dagelijkse werkzaamheden. Organisaties moeten daarom expliciet tijd reserveren voor learning-by-doing, bijvoorbeeld door vier uur per maand vrij te maken voor AI-training en -experimenten. Deze tijd kan worden gebruikt voor het volgen van online modules, voor het oefenen met AI-tools, voor het deelnemen aan workshops, of voor het experimenteren met nieuwe AI-toepassingen in een veilige omgeving. Sommige organisaties kiezen ervoor om deze tijd te blokkeren in de agenda's van medewerkers, zodat het niet kan worden overgenomen door andere afspraken. Andere organisaties creëren specifieke leeromgevingen of sandbox-omgevingen waar medewerkers kunnen experimenteren zonder risico's voor productiesystemen. Belangrijk is dat bestuurders en leidinggevenden het belang van deze tijd erkennen en medewerkers aanmoedigen om deze tijd daadwerkelijk te gebruiken voor leren, in plaats van het te zien als tijd die beter kan worden besteed aan productief werk. Deze investering in leren betaalt zich terug omdat medewerkers die goed getraind zijn in AI, deze tools effectiever en veiliger kunnen gebruiken, waardoor de algehele productiviteit en kwaliteit van het werk toenemen.
Communities of practice zijn essentieel voor het delen van kennis, het leren van elkaar, en het bouwen van een organisatiebrede AI-capaciteit. Deze communities bestaan uit groepen medewerkers die regelmatig bijeenkomen om ervaringen te delen, vragen te stellen, en gezamenlijk te leren over AI-toepassingen. Faciliteer daarom regelmatige sessies waarin teams use cases delen, waarbij ze laten zien hoe ze AI hebben toegepast in hun werk, welke uitdagingen ze zijn tegengekomen, en welke lessen ze hebben geleerd. Prompts uitwisselen is een andere belangrijke activiteit binnen communities of practice, omdat effectieve prompting cruciaal is voor het verkrijgen van goede resultaten van AI-systemen, en omdat verschillende teams verschillende prompts kunnen ontwikkelen die voor anderen ook nuttig zijn. Door prompts te delen en te documenteren, bouwt de organisatie een kennisbank op van bewezen effectieve prompts die nieuwe gebruikers kunnen gebruiken als startpunt voor hun eigen AI-gebruik.
Governance-issues bespreken binnen communities of practice helpt teams om complexe ethische, privacy of compliance-vraagstukken te adresseren die zich voordoen bij AI-implementaties. Teams kunnen bijvoorbeeld vragen hebben over wanneer ze AI mogen gebruiken voor het verwerken van persoonsgegevens, hoe ze bias kunnen voorkomen in AI-systemen, of hoe ze kunnen zorgen dat AI-beslissingen uitlegbaar blijven. Door deze vragen te besprekken met collega's en met experts, leren teams niet alleen van elkaar, maar ontstaat ook een gedeeld begrip van wat verantwoord AI-gebruik betekent binnen de organisatie. Communities of practice kunnen worden gefaciliteerd via verschillende kanalen, zoals regelmatige fysieke bijeenkomsten, online Teams-meetings, of asynchrone discussies via Teams-sites of andere collaboratieplatformen. Belangrijk is dat deze communities een veilige omgeving bieden waar medewerkers vragen durven te stellen zonder bang te zijn om dom over te komen, en waar fouten worden gezien als leermomenten in plaats van als falen.
Externe partners bieden aanvullende expertise en capaciteit die organisaties intern niet altijd hebben, en kunnen helpen om het vaardighedenprogramma te versnellen en te versterken. Hogescholen en universiteiten beschikken vaak over uitgebreide kennis over AI, ethiek, en data science, en kunnen worden ingeschakeld voor het ontwikkelen van training curricula, voor het geven van masterclasses, of voor het begeleiden van AI-projecten. Rijksbrede AI-netwerken, zoals het AI-netwerk van de Rijksoverheid, bieden mogelijkheden voor kennisuitwisseling tussen verschillende overheidsorganisaties, waardoor organisaties kunnen leren van elkaars ervaringen en kunnen profiteren van gedeelde resources en expertise. Marktpartijen kunnen worden ingeschakeld voor gespecialiseerde training, zoals bootcamps die intensieve, praktijkgerichte training bieden over specifieke AI-technologieën of -toepassingen. Traineeships kunnen worden opgezet waarbij jonge professionals worden opgeleid tot AI-specialisten terwijl ze werken aan echte AI-projecten binnen de organisatie, wat zowel de organisatie als de trainees ten goede komt. Gastdocenten kunnen worden uitgenodigd om specifieke expertise te delen, zoals ethici die uitleggen hoe AI-systemen ethisch verantwoord kunnen worden ontworpen, of data scientists die laten zien hoe machine learning-modellen worden ontwikkeld en geëvalueerd. Deze externe partners brengen vaak nieuwe perspectieven en best practices van buiten de organisatie, wat helpt om te voorkomen dat het vaardighedenprogramma te intern gericht wordt en om te zorgen dat de organisatie op de hoogte blijft van de nieuwste ontwikkelingen in het AI-veld. Belangrijk is dat samenwerkingen met externe partners worden gestructureerd met duidelijke doelen, verwachtingen en evaluatiecriteria, zodat de investering in externe expertise daadwerkelijk bijdraagt aan het opbouwen van interne AI-capaciteit en niet alleen leidt tot afhankelijkheid van externe partijen.
Retentie en partnerschappen
Het ontwikkelen van AI-vaardigheden is slechts de eerste stap; het behouden van getalenteerde AI-specialisten is minstens zo belangrijk. Zonder sterke retentiestrategieën verliezen organisaties hun best getrainde krachten aan andere werkgevers die aantrekkelijkere carrièreperspectieven, hogere salarissen of meer uitdagende projecten bieden. Dit verlies is kostbaar: niet alleen wordt de investering in opleiding tenietgedaan, het ondermijnt ook de continuïteit van AI-projecten en vergroot het tekort aan beschikbaar AI-talent. Retentie en partnerschappen zorgen ervoor dat organisaties niet alleen AI-capaciteit opbouwen, maar deze ook behouden en laten groeien. Ook stelt het kleinere organisaties in staat toegang te houden tot AI-expertise, zelfs als ze niet de middelen hebben voor een volledig eigen AI-team.
Carrièrepaden zijn van groot belang: getalenteerde AI-specialisten willen perspectief en ontwikkelkansen. Zonder zicht op doorgroei en specialisering vertrekken ze eerder naar werkgevers waar die mogelijkheden er wél zijn. Bouw daarom functiefamilies op met meerdere AI-niveaus en -specialisaties, zoals AI-analist, AI-architect en AI-ethicus. Maak voor elk niveau de benodigde competenties en beoordelingscriteria duidelijk: een junior AI-analist leert de basis van data-analyse en AI-tools, een medior voert zelfstandig projecten uit, een senior blinkt uit in specialistische kennis en mentorrol. AI-architecten ontwikkelen zich van het werken aan deeloplossingen als junior, tot zelfstandig ontwerpen als medior, tot sturend en adviserend optreden als senior. Ethici in AI starten met begeleide assessments en groeien door tot leidende rollen in het ethisch kader en externe vertegenwoordiging. Duidelijke carrièrepaden geven medewerkers inzicht in wat er gevraagd wordt, wat ze kunnen leren en hoe ze worden gewaardeerd. Dit motiveert om te blijven én zich te ontwikkelen.
Goed beloningsbeleid is cruciaal. AI-specialisten zijn gewild en publieke organisaties concurreren met commerciële partijen op salaris en uitdaging. Variable toelagen voor schaarse skills, mogelijkheden tot projectrotatie (wisselen van project voor verbreding en verdieping), en tijd voor onderzoek of innovatie maken AI-rollen aantrekkelijker. Ook externe certificeringen, deelname aan conferenties of zelfs sabbaticals voor persoonlijk onderzoek verhogen de aantrekkingskracht. Zulke instrumenten houden talent gemotiveerd en geven meerwaarde naast traditioneel belonen.
Samenwerking biedt uitkomst, vooral voor kleinere organisaties. Via regionale samenwerkingen of shared services kunnen zij gezamenlijk AI-specialisten in dienst nemen die hun tijd verdelen over deelnemende partijen. Bijvoorbeeld: een regionaal AI-team ondersteunt meerdere gemeenten; elke gemeente betaalt mee, maar profiteert van hoogwaardige expertise die zelfstandig te kostbaar zou zijn. Verder zijn er gezamenlijke trainingen, gedeelde best practices en gezamenlijke AI-projecten, zodat ook organisaties met beperkte middelen mee kunnen in de AI-ontwikkelingen en niet buitenspel raken.
Verder zijn goede contractafspraken met leveranciers noodzakelijk. Organisaties nemen veelal externe AI-diensten af, en mogen daarbij niet volledig afhankelijk worden van de leverancier (vendor lock-in). Leg daarom in contracten vast dat leveranciers verplicht zijn tot training en kennisoverdracht aan eigen medewerkers. Zij moeten niet alleen uitleg geven over het gebruik van de tools, maar ook over de werking, beperkingen, aanpassingsmogelijkheden en het oplossen van problemen. Dit bevordert continuïteit, houdt kosten beheersbaar en zorgt ervoor dat interne kennis behouden blijft. Ook documentatie, kennisdelingssessies en support moeten contractueel worden vastgelegd. Zo bouwt de organisatie eigen kennis op en houdt ze grip op essentiële AI-systemen.
AI-talentontwikkeling is een structurele randvoorwaarde voor succesvolle AI-implementaties. Door vaardigheden per rol te verankeren, KPI’s te koppelen aan governance en loopbanen aantrekkelijk te maken, groeit een organisatiebrede AI-capaciteit in plaats van losse pilots.
Retentie is net zo belangrijk als opleiding. Carrièrepaden, uitdagende projecten en kennisdeling houden experts aan boord en beschermen de opleidingsinvestering. Blijf daarnaast leren: AI ontwikkelt zich razendsnel, dus programma’s moeten continu worden bijgewerkt met nieuwe technieken, wetgeving en best practices.