Wat er overblijft wanneer AI het werken aan de stad versnelt

Ik werk als strategisch adviseur wonen bij de gemeente Leeuwarden en zie in mijn eigen werk een merkwaardig verschil tussen wat AI technisch al kan ondersteunen en hoe beperkt die mogelijkheden in de dagelijkse praktijk worden gebruikt. Notulen, beleidsvergelijkingen, participatieanalyse, scenario's en eerste concepten: professionals doen het nog grotendeels handmatig. Mijn eerste onderzoeksvraag vloeide daaruit voort: waarom verandert AI het werk van stedelijke professionals nog zo weinig, terwijl de technische mogelijkheden al zichtbaar zijn? Tijdens het schrijven verschoof mijn aandacht naar wat het gebruik van AI vervolgens van de organisatie en de professional vraagt. Die verschuiving werd het terugkerende thema van het boek.

Aandacht digitalisering groeit

Maar eerst terug naar het begin en wat mijzelf drijft. Werken aan de stad vind ik fascinerend omdat bijna iedere opgave meerdere werkelijkheden tegelijk raakt. Een woningbouwplan gaat ook over bereikbaarheid, betaalbaarheid, gezondheid, landschap, publieke ruimte en de vraag wie ergens kan (blijven) wonen. Het is belangrijk werk: besluiten die een projectteam vandaag voorbereidt, bepalen soms decennialang hoe mensen wonen en samenleven. In dit soort werk kan extra denkkracht veel opleveren, terwijl een slecht gecontroleerde versnelling van ons werk langdurige negatieve gevolgen kan hebben. Daarom is het uitermate relevant voor de wereld van stads- en gebiedsontwikkeling dat de aandacht voor digitalisering inmiddels snel groeit. Zo zet de Nederlandse Digitaliseringsstrategie zet in op een federatief datastelsel met bindende afspraken en standaarden en op een hoogwaardige AI-infrastructuur met data van hoge kwaliteit.

Het Rijk organiseerde tevens in februari 2026 een Community of Practice over data, digitalisering en AI voor de grootschalige woningbouwgebieden. Het bijbehorende inspiratiedocument ordent digitale instrumenten langs elf stappen in de ontwikkelketen, van de eerste analyse tot en met de bouw en het beheer. Ook gemeenten werken de laatste tijd aan de organisatorische voorwaarden rondom de inzet van AI. Alkmaar gebruikt bijvoorbeeld spelregels om te voorkomen dat afdelingen langs elkaar heen werken en brengt gemeentelijke data en informatie samen in een digital twin. Op Gebiedsontwikkeling.nu is eveneens al meer aandacht ontstaan voor stakeholderbetrokkenheid, bestuurlijke haalbaarheid en de sociale en procedurele inbedding van deze instrumenten.

Forse stap vooruit

Deze brede beweging is zeker nodig. De ‘onderlaag’ van het debat over AI richt zich echter nog vooral op wat systemen nodig hebben om gegevens te verzamelen, te standaardiseren en uit te wisselen. Onderzoek van Anthropic naar professioneel AI-gebruik bevestigt dat technische mogelijkheden aan de ene kant en het feitelijk gebruik aan de andere kant nog ver uit elkaar kunnen liggen. Dit onderzoek combineert gegevens uit Amerikaanse beroepstaken met het professioneel gebruik van AI-assistent Claude. Daardoor zegt het weinig over de precieze adoptie binnen Nederlandse gemeenten maar de richting was voor mij wel heel herkenbaar: de technische mogelijkheden ontwikkelen zich sneller dan de organisatie van het werk. Opvallend is vooral de snelheid waarmee AI zich verspreidt.

Gaandeweg werd mijn conclusie scherper: goed ingezette AI kan de stedelijke praktijk een forse stap vooruithelpen. Krachtige modellen en betrouwbare data vormen echter slechts een deel van de benodigde basis. Gebiedsontwikkeling vraagt ook om documentatie, status, overdracht en afspraken over wie de betekenis van projectinformatie bewaakt. Een langlopend project heeft een ‘organisatorisch geheugen’ nodig. Denk daarbij aan afspraken over welke redeneringen een team bewaart, welke status toezeggingen hebben, hoe de verworpen alternatieven terugvindbaar blijven en wie die kennis bij een teamwisseling overdraagt. Wanneer een laag als deze ontbreekt, versnelt AI vooral de verwerking van een onvolledig institutioneel geheugen.

Vijf samenhangende lagen

In de publicatieThe Urban Professional in the Age of AI werk ik de verschuiving in het werken aan de stad uit in vijf samenhangende lagen, van het dagelijkse kenniswerk tot de vraag wie uiteindelijk hiervoor de verantwoordelijkheid draagt. De eerste laag van de ‘machinekamer’ (machine room) bevindt zich het dichtst bij ons dagelijks werk. AI versnelt hier het routinematig kenniswerk: samenvatten, vergelijken, structureren, transcriberen en eerste versies maken. Een beroep bestaat uit uiteenlopende taken en de machinekamer richt zich vooral op taken die goed te structureren en controleren zijn. De tijdwinst die we hiermee boeken krijgt overigens pas waarde wanneer duidelijk is waar en hoe die tijd opnieuw wordt ingezet.

Het projectgeheugen (project memory) gaat vervolgens over wat een organisatie onthoudt. Langlopende projecten verliezen al vlug de onderliggende redeneringen, toezeggingen en verworpen alternatieven. AI kan veel terugvinden, maar alleen wat een organisatie heeft bewaard en van status heeft voorzien. Datagovernance zorgt ervoor dat gegevens betrouwbaar, gestandaardiseerd en uitwisselbaar zijn. Het projectgeheugen zorgt ervoor dat een volgend team nog begrijpt waarom die gegevens, randvoorwaarden en afspraken ertoe doen.

Bredere publiek

De derde laag is het beslispakket (decision package). Dit brengt alternatieven, aannames, risico's en scenario's samen voor de voorbereiding van een besluit. De professional besteedt daardoor minder tijd aan het bijeenbrengen van ieder onderdeel en meer aan de controle of alle relevante vragen, waarden en onzekerheden in het pakket staan. Een overtuigend gepresenteerd scenario is daarmee nog geen beter scenario. Zonder tegenspraak van iemand die het model kan doorzien, krijgt een uitkomst al snel meer gezag dan zij verdient.

De publieke beslisruimte (public decision space) raakt aan de participatie van het grotere publiek in de stad. AI kan grote hoeveelheden inbreng toegankelijker maken en analyseren. Een samenvatting kan daarbij echter minderheidsposities wegmiddelen of bepaalde stemmen zwaarder laten wegen. Bewoners, bestuurders en professionals moeten de uitkomsten daarom kunnen begrijpen, controleren en betwisten.

Het gebruikskader (use doctrine) tenslotte bevat de regels voor het gebruik van AI. Welke onderdelen van de besluitvorming mag AI ondersteunen? Welke waarden blijven buiten de optimalisatie? Wie controleert de uitkomst en wie blijft verantwoordelijk? Deze laag bepaalt of AI ons professioneel en democratisch handelen ondersteunt of gaandeweg een gezaghebbend systeem wordt – dat moeilijk tegenspraak duldt. Het gebruikskader moet vastleggen welke systemen en data een team mag gebruiken, welke documentatie verplicht is, welke beslissingen navolgbaar moeten blijven en wanneer juist de menselijke kennisoverdracht noodzakelijk is. Het moet ook voorkomen dat begrip uit de keten verdwijnt. Een document kan door AI worden opgesteld, door een volgend systeem worden samengevat en vervolgens worden goedgekeurd door mensen die het zelf nooit hebben doorgrond. De organisatie heeft dan formeel iets vastgesteld, terwijl niemand nog kan uitleggen wat precies is besloten en waarom. Dat risico geldt zelfs voor beleid over het gebruik van AI.

Van archief naar geheugen

In iedere laag is dezelfde beweging zichtbaar. AI kan de capaciteit van stedelijke organisaties vergroten, mits de snelheid gepaard gaat met een werkend projectgeheugen, menselijke toetsing, ruimte voor tegenspraak en een aanwijsbare verantwoordelijke. Zonder deze voorwaarden groeit de productie terwijl minder mensen kunnen reconstrueren, beoordelen of verdedigen wat er is gemaakt. Om de betekenis van de vijf lagen te verduidelijken, werk ik er een nader uit: de laag van het projectgeheugen. Deze laag hangt nauw samen met de constatering dat projecten in stads- en gebiedsontwikkeling zo maar een doorlooptijd hebben van vijftien jaar. Het oorspronkelijke team van medewerkers is dan al vertrokken. In het archief staat bijvoorbeeld dat een binnentuin onderdeel uitmaakt van het plan, maar nergens is nog zichtbaar dat bewoners deze ooit als harde voorwaarde hebben bedongen. Daarom is een archief alleen niet voldoende; dit bewaart alleen de documenten. Hiernaast is een projectgeheugen nodig: dit bewaart de betekenis, status en samenhang van wat in die documenten staat.

Een bruikbaar projectgeheugen vraagt daarom om drie dingen. De gemeente bewaart naast besluiten ook de relevante alternatieven, aannames, bezwaren en toezeggingen. Daarnaast maakt zij zichtbaar welke status ieder onderdeel heeft, van verkenning tot bindende afspraak. Zonder die status is het onderscheid tussen een terloopse opmerking en een harde toezegging niet meer te maken. Ten slotte legt de gemeente vast wie het register onderhoudt en hoe AI de informatie mag gebruiken. Een computersysteem kan zoeken, vergelijken en mogelijke interpretaties signaleren. Mensen bepalen evenwel welke betekenis en status aan toezeggingen en randvoorwaarden wordt toegekend. Zonder die grens kan een model de toegezegde binnentuin uit een optimalisatie verwijderen, omdat niemand die waarde als vaste beperking heeft meegegeven.

Sneller doorzoekbaar

Goed ingericht levert het projectgeheugen meer op dan louter een bescherming tegen kennisverlies (hoe waardevol ook). Het register moet niet uitgroeien tot de zoveelste extra opslagplaats, maar verbindt per belangrijke keuze de redenering, status, bronstukken en verantwoordelijke(n). Een nieuw lid van het team kan zo sneller begrijpen welke keuzes nog openstaan en waarom eerdere keuzes zijn genomen. Een projectteam kan alternatieven die eerder te vroeg zijn afgevallen opnieuw onderzoeken, wanneer de omstandigheden veranderen. AI maakt het project sneller doorzoekbaar en kan patronen uit eerdere besluiten zichtbaar maken.

De eerlijkheid gebiedt te zeggen dat met zo’n register er altijd een grens blijft bestaan. Een deel van de kennis die verloren gaat, komt voort uit de aard van ons werk. Een projectmanager voelt bijvoorbeeld intuïtief aan wanneer een formeel bezwaar onderhandelbaar is of welke bestuurlijke zorgen achter een formeel standpunt liggen. Deze ervaringskennis laat zich maar gedeeltelijk formaliseren. Geen register en geen AI-systeem legt volledig vast hoe een ervaren onderhandelaar de sfeer en onderliggende belangen in een overleg inschat.

Een goed projectgeheugen kan het verlies van de besluitkennis zeker sterk beperken, maar ervaringskennis vraagt om goede menselijke begeleiding en opvolging. Dat is ook nodig voor de vorming van junior professionals. Een junior kan met AI sneller meerdere bronnen vergelijken, eigen aannames laten bevragen en alternatieve redeneringen onderzoeken. Haar of zijn eigen beoordelingsvermogen ontstaat evenwel door zélf met bronnen, tegenstrijdige belangen en onzekere aannames te werken. Wie die stap overslaat en uitsluitend op AI-output vertrouwt, ontwikkelt minder gevoel voor de momenten waarop een uitkomst juist tekortschiet. De professional moet eerst de analyse en afweging zelf blijven oefenen, vervolgens zelf een positie innemen en op basis daarvan kunnen uitleggen waarom de AI-uitkomst al dan niet klopt.

Verder bouwen

Wat kunnen gemeenten hier nu concreet mee doen? In mijn visie hoeven zij geen grote nieuwe AI-infrastructuur op te zetten. Een gemeente kan bij de projectstart afspraken maken over het projectgeheugen, een doorlopend besluiten- en aannamenregister bijhouden en bij teamwisselingen expliciet vastleggen welke kennis onzeker of persoonsgebonden blijft. Zo'n register vormt de ruggengraat van het projectgeheugen, samen met de gekoppelde bronstukken, versies en overdrachtsafspraken. AI kan aanvankelijk dienen als zoek- en signaleringsinstrument.

Vanuit die basis kan een gemeente verder bouwen. AI kan eerdere besluiten en toezeggingen verbinden aan nieuwe scenario's, inconsistenties signaleren en aanwijzen welke bekende belangen in een voorstel nog weinig aandacht krijgen. Professionals kunnen de tijd die vrijkomt (door het sneller zoeken en ordenen) besteden aan gesprekken, veldwerk, het toetsen van aannames en het ontwikkelen van betere alternatieven. Daar zit de werkelijke winst: er komt meer organisatorische capaciteit beschikbaar voor het deel van stedelijk werk dat aandacht, ervaring en afweging vraagt. Begin daarom met de vraag welk organisatorisch geheugen het project nodig heeft. De keuze voor een AI-product volgt daarna. Die volgorde verschuift de aandacht van het product naar de organisatorische voorwaarden waaronder AI bruikbaar wordt.

Leer AI gebruiken

De bovenstaande gelaagde aanpak, van de machinekamer tot en met het gebruikskader, staat uitgewerkt in The Urban Professional in the Age of AI. Ik schreef het boek voor stedelijke professionals, projectverantwoordelijken en bestuurders die AI in hun werk of organisatie moeten beoordelen en toepassen. Daarachter ligt de overtuiging dat stedelijke professionals deze technologie actief moeten leren gebruiken. De opgaven zijn te groot en de beschikbare capaciteit te schaars om de bruikbare mogelijkheden te laten liggen. Tegelijkertijd zijn de publieke gevolgen van fouten te groot om AI alleen als een productiviteitsinstrument te behandelen. AI kan de stedelijke praktijk aanzienlijk versterken. Die versterking vraagt om nadrukkelijk wel om scherpere professionele en institutionele waarborgen.

Het boek biedt een praktisch kader voor taakselectie, informatiekwaliteit, verificatie, professioneel oordeel en verantwoordelijkheid. Het werkt op drie niveaus. Individueel helpt het een professional het eigen takenpakket te onderzoeken en te bepalen waar AI tijd kan vrijmaken. In een projectteam helpt het bij afspraken over projectgeheugen, datagebruik, verificatie en verantwoordelijkheden. Op organisatieniveau tenslotte ondersteunt het de ontwikkeling van een gebruikskader: welke toepassingen zijn toegestaan, welke voorwaarden gelden en welke onderdelen van de besluitvorming vereisen juist de menselijke beoordeling en verantwoordelijkheid?

Mijn conclusie: AI kan stedelijke professionals helpen om meer informatie te verwerken, betere alternatieven te onderzoeken en het geheugen van projecten te versterken. Dezelfde technologie kan het begrip achter besluiten echter ook laten verdwijnen. Dat gevaar dreigt wanneer een organisatie productie, samenvattingen en goedkeuringen automatiseert zonder dat iemand nog werkelijk toetst en oordeelt. De vooruitgang zit hem daarom in de keuzes die organisaties maken: welk werk zij versnellen, welk oordeelsvermogen professionals zelf blijven ontwikkelen en wie tegenover bewoners kan uitleggen waarom uiteindelijk voor een bepaalde uitkomst is gekozen.