Rijksmap

RijksmapMinisterie van Defensie › rapport

Onderzoeksrapport “Ondersteuning MKM 2017” definitief

2019-01-07 · Auditdienst Rijk · standaard IIA (non-assurance) · Overige onderzoeksopdrachten

Open het rapport bij de bron Toon dit rapport in de interactieve Rijksmap

Waar gaat dit rapport over?

Officiële omschrijving

Rapport van de Auditdienst Rijk (ADR) over een onderzoek naar “Ondersteuning MKM 2017” met als doelstelling de defensieorganisatie te ondersteunen bij de kwaliteit van de MKM. Onderzoeksrapport “Ondersteuning MKM 2017” definitief

Risicothema's

Governance en verslaggeving

Waarom deze indeling: Het onderzoek beoordeelt de betrouwbaarheid van de zelfevaluatie Monitor Kwaliteit Materieelbeheer: van de 747 uitgevoerde checklists Feitelijk Beheer zijn er 163 (22 procent) gereviewd, waarvan 72 procent akkoord tegen 56 procent in 2016, en bij CBO is slechts 38 procent akkoord bevonden. De organisatie en inrichting van de MKM is nog niet op orde, want niet voor al het geregistreerde materieel is een checklist gepland en bij alle defensieonderdelen bestaan verschillen tussen IAS-autorisaties en administratieve vulling. De verbetersystematiek is bij nagenoeg alle eenheden toereikend, maar bij CBO niet ingericht en bij DOSCO onvolledig, wat het rapport tot een oordeel over sturing, verantwoording en interne beheersing maakt.

Toegekend met een AI-model (Opus 5) op basis van de zestien thema's van Risk in Focus; niet door mensen gevalideerd. Om de labels beter te onderbouwen gaan we ze gefaseerd herbeoordelen met een tweede, onafhankelijk model van een andere aanbieder (OpenAI naast Anthropic); vanwege tokenlimieten gebeurt dat stapsgewijs. Ziet u een fout? Laat het weten.

Waar hoort dit rapport bij?

Ministerie
Ministerie van Defensie
Onderdeel volgens het rapport
HDBV Defensie; defensieonderdelen (monitor kwaliteit materieelbeheer)
Bron
Auditdienst Rijk
Toegepaste standaard
IIA (non-assurance)
Datum
2019-01-07

Bronnen

Het rapport zelf
originele publicatie
Omschrijving
officiële omschrijving, overgenomen van de publicatiepagina
Risicolabels
toegekend met een AI-model (Opus 5) volgens de zestien thema's van Risk in Focus (ECIIA), niet door mensen gevalideerd
Bijgewerkt
augustus 2026