AI-modellen en platforms

Wat de top over AI- en datatransformatie in de bouw, Canada 2026, liet zien over AI voor ondernemingen

Antoine Tardif
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Toronto construction site with a digital twin and connected data pathways
Belangrijkste puntenDe belangrijkste beperking van enterprise-AI is nu de organisatie rond het model in…
Meer weergeven
  • De belangrijkste beperking van enterprise-AI is nu de organisatie rond het model in plaats van toegang tot het model.
  • Datagereedheid is een doorlopende operationele discipline omdat AI informatie die nooit is vastgelegd niet kan reconstrueren.
  • AI-investeringen krijgen te maken met toenemende ROI-controle nu bedrijven meetbare resultaten eisen die gekoppeld zijn aan specifieke operationele problemen.

Openbaarmaking: AMG World heeft het bezoek van Unite.AI aan de top in Toronto gefaciliteerd. De observaties en conclusies in dit artikel zijn van onszelf.

De bouwsector is misschien niet de eerste plek waar mensen zoeken naar aanwijzingen over de richting waarin kunstmatige intelligentie zich ontwikkelt. Juist daarom is deze sector zo geschikt om de technologie op de proef te stellen.

De bouwsector kent complexe toeleveringsketens, gedecentraliseerde teams, verouderde systemen, fysieke risico’s, krappe marges en enorme hoeveelheden informatie die op steeds veranderende bouwplaatsen worden gegenereerd. Een AI-systeem kan in een gecontroleerde omgeving een indrukwekkende demonstratie geven, maar onder die omstandigheden betrouwbare waarde leveren is een heel andere uitdaging.

Tijdens de top over AI- en datatransformatie in de bouw, Canada 2026 van AMG World, die op 17 november in Toronto plaatsvond, weerspiegelden de gesprekken een AI-markt die een veeleisender fase ingaat. Op het programma stonden meetbare ROI, verbonden data, digitale tweelingen, de transformatie van de beroepsbevolking en operationele inzet. Toch kwam tijdens de presentaties en rondetafelgesprekken één conclusie duidelijk naar voren: de belangrijkste beperking voor AI in ondernemingen is niet langer de toegang tot een krachtig model. Het is de organisatie om dat model heen.

De AI-ambities botsen op de operationele realiteit

Het was nauwelijks nodig om de aanwezigen ervan te overtuigen dat AI invloed kan hebben op de bouwsector. De lastigere vragen waren hoe de technologie kan worden ingezet, waar ze kan worden toegepast en hoe voldoende waarde kan worden aangetoond om de investering te rechtvaardigen.

Veel organisaties lijken te worstelen met de spanning tussen ambitie en onzekerheid. Ze willen AI invoeren, maar hebben nog geen duidelijk proces om geschikte toepassingen te bepalen, verantwoordelijkheden toe te wijzen of de technologie op een manier te introduceren die werknemers zullen accepteren. Dit is een gezondere discussie dan het onvoorwaardelijke enthousiasme dat de vroege hausse rond generatieve AI kenmerkte.

Dit betekent ook dat leveranciers te maken krijgen met veeleisender klanten. Een aantrekkelijke interface is niet genoeg. Bouwbedrijven willen steeds vaker weten hoe een AI-systeem past binnen hun bestaande dataomgeving, wat er gebeurt als informatie ontbreekt, hoe resultaten kunnen worden gevalideerd en of de inzet standhoudt wanneer het systeem in aanraking komt met de dagelijkse praktijk op de bouwplaats.

Ook de discussie over modellen voelde beperkter aan dan je op basis van de bredere AI-markt zou verwachten. Claude was het enige algemene grote taalmodel dat herhaaldelijk werd genoemd in de gesprekken die we in onze aantekeningen hebben vastgelegd. Dat moet niet worden opgevat als een bevinding over marktaandeel. Het wijst er wel op dat de invoering van AI in ondernemingen zich vaak concentreert rond een klein aantal tools die intern al voldoende vertrouwen genieten en de drempels op het gebied van beveiliging of inkoop hebben genomen.

Het belangrijkste AI-probleem begint vóór het model

Datakwaliteit was de meest terugkerende zorg.

Digitale tweelingen vormden een duidelijk voorbeeld. Een digitale tweeling is alleen nuttig als informatie vanuit elk relevant onderdeel van een project naar de tweeling blijft stromen. Als een aannemer geen update aanlevert, een systeem van een derde slechts een deel van de benodigde informatie beschikbaar stelt of een werknemer vertrekt zonder de kennis over te dragen, raakt het model geleidelijk steeds verder verwijderd van de werkelijkheid.

Het resultaat kan er nog steeds geavanceerd uitzien. Maar het kan ook onjuist zijn.

Dit probleem is niet op te lossen door het model groter te maken. AI kan operationele informatie die nooit is vastgelegd niet betrouwbaar reconstrueren. Ook kan AI niet bepalen welke partij verantwoordelijk was voor het opvullen van een leemte, tenzij de organisatie die verantwoordelijkheid heeft vastgelegd.

Tijdens de gesprekken in Toronto kwam herhaaldelijk naar voren dat betrouwbare informatie, duidelijke datastructuren en processen om modellen actueel te houden noodzakelijk zijn. Dat is een van de redenen waarom op de officiële conferentieagenda zoveel nadruk lag op datafundamenten, verbonden uitvoering, digitale tweelingen en de afstemming van mensen en processen.

Voor de bredere AI-sector is de les belangrijk: datagereedheid is niet simpelweg een project om databases op te schonen voordat een systeem wordt ingezet. Het is een doorlopende operationele discipline.

Bouwteams worden onderdeel van de AI-infrastructuur

Een van de meest praktische observaties tijdens de conferentie betrof de rol van projectmanagers. Zij werden aangemerkt als een cruciale schakel bij het verzamelen van informatie op de bouwplaats en het doorgeven daarvan aan de systemen die de bredere organisatie gebruikt.

Daardoor maken projectmanagers en eerstelijnsteams deel uit van de AI-infrastructuur, ongeacht of kunstmatige intelligentie in hun functietitel voorkomt.

Als het vastleggen van informatie extra formulieren, dubbele invoer of een ingewikkelde nieuwe workflow vereist, blijft het dataprobleem bestaan. De effectiefste systemen zijn daarom systemen die het verzamelen van nauwkeurige gegevens vanzelfsprekend onderdeel maken van het werk, in plaats van achteraf een extra administratieve last op te leggen.

Dit is vooral van belang in een sector waar veel werkprocessen nog analoog zijn en werknemers, aannemers, vakbonden, technologieaanbieders en projecteigenaren allemaal op verschillende manieren met informatie omgaan. Een succesvolle implementatie vereist meer dan mensen toegang geven tot een AI-assistent. Daarvoor moet een betrouwbare informatiestroom door de hele organisatie worden ontworpen.

Er wordt kritischer naar de ROI gekeken

Deelnemers uitten ook hun zorgen over AI-investeringen die nog niet het aanvankelijk verwachte rendement hadden opgeleverd. De tokenkosten kwamen ter sprake, maar het grotere probleem was het kapitaalrisico.

Bouwbedrijven zijn gewend projecten te beoordelen op kosten, planning, veiligheid en risico’s. Ze zullen niet eindeloos experimenteren met AI zonder duidelijke einddatum, zeker niet wanneer de implementatie naast het gebruik van modellen ook nieuwe integraties, advies, training en gegevensvoorbereiding vereist.

Dat betekent niet dat bedrijven AI de rug toekeren. Het betekent dat ze een duidelijker verband eisen tussen de technologie en een meetbaar bedrijfsresultaat.

De meest overtuigende implementaties zijn gericht op concrete operationele problemen: administratief werk verminderen, toegang tot projectkennis verbeteren, planningsrisico’s opsporen, digitale gegevens bijhouden of teams helpen sneller beslissingen te nemen op basis van informatie waarover ze al beschikken. Een AI-initiatief dat alleen als transformatie wordt omschreven, zal meer weerstand oproepen dan een initiatief dat is ontworpen om een herkenbaar knelpunt aan te pakken.

Betrouwbaarheid wordt steeds vaker meegewogen bij de berekening van de ROI. Deelnemers vroegen zich af wat er zou gebeuren als een AI-dienst of een groot cloudplatform niet beschikbaar zou zijn. Zodra AI deel uitmaakt van een operationeel werkproces, kan continuïteitsplanning niet langer een bijzaak zijn. Organisaties moeten weten welk werk kan doorgaan, voor welke beslissingen een menselijke terugvaloptie nodig is en hoe systemen zich kunnen herstellen zonder gegevens te verliezen.

Adoptie blijft een menselijke uitdaging

Er was angst voor baanverlies, maar ook een directer obstakel: veel werknemers begrijpen nog niet goed wat AI wel en niet kan.

Dit brengt risico’s in beide richtingen met zich mee. Werknemers kunnen nuttige systemen mijden omdat ze die niet vertrouwen, of de resultaten juist te gemakkelijk overnemen omdat ze de nauwkeurigheid ervan overschatten.

Dit probleem is niet op te lossen met één trainingssessie. Adoptie hangt ervan af of werknemers te zien krijgen hoe AI hun werk ondersteunt, of er duidelijke verwachtingen zijn over de menselijke verantwoordelijkheid en of toepassingen worden gekozen die werknemers als nuttig kunnen herkennen.

Dit is vooral lastig voor kleine en middelgrote bedrijven. Veel van hen hebben niet de capaciteit om een speciaal AI-team op te zetten of een experimenteel initiatief voor de lange termijn toe te wijzen aan een verantwoordelijke. Vragen over het trainen van een intern LLM zijn daarom wellicht minder belangrijk dan vragen over gegevenstoegang, governance, evaluatie en wie verantwoordelijk blijft voor het resulterende systeem.

De marktkansen zijn aanzienlijk, maar mogelijk profiteren vooral aanbieders die de organisatorische complexiteit kunnen verminderen in plaats van simpelweg nog een model te leveren.

De bouwsector is een stresstest voor AI in bedrijven

De top in Toronto was waardevol omdat die zich richtte op de kloof tussen een geslaagde demonstratie en een betrouwbare implementatie. De combinatie van presentaties en kleinschaligere rondetafelgesprekken bood ruimte voor operationele zorgen die in gelikte verhalen over AI vaak buiten beeld blijven.

De bouwsector legt vrijwel elke zwakke plek bloot die AI in bedrijven moet overwinnen: versnipperde informatie, veranderende omgevingen, verouderde processen, voorzichtige kopers, beperkte technische capaciteit, weerstand onder werknemers en ernstige gevolgen wanneer informatie onjuist is.

De sector laat ook zien waarom de kansen zo aantrekkelijk blijven. Door projectkennis, gegevens uit het veld, digitale tweelingen en organisatorische ervaring met elkaar te verbinden, kunnen bedrijven hun complexe werkzaamheden aanzienlijk beter plannen en uitvoeren. De systemen die uiteindelijk het meest succesvol zijn, maken informatie echter vollediger, betrouwbaarder en toegankelijker voor degenen die ermee aan de slag moeten.

De gesprekken gaan verder buiten Toronto

De bouwreeks van AMG World gaat verder met de Top over AI- en datatransformatie in de bouw in Austin 2027 op 26 januari, gevolgd door de Top over AI- en datatransformatie in de bouw in Europa 2027 in Londen op 23 februari.

De organisator brengt de discussie ook naar andere sectoren die sterk afhankelijk zijn van bedrijfsmiddelen. De Top over AI en technologie voor olie en gas 2027 vindt op 9 februari plaats in Houston en brengt leiders op het gebied van AI, data, digitale transformatie en bedrijfsvoering uit de energiesector samen.

Als Toronto een aanwijzing is, wordt de volgende fase van AI in bedrijven niet aangevoerd door degene met de meest spectaculaire demonstratie. De leiding zal in handen zijn van organisaties die het model kunnen verbinden met betrouwbare gegevens, mensen die verantwoording afleggen, veerkrachtige processen en een bedrijfsresultaat dat de investering waard is.

Antoine is een visionaire leider en medeoprichter van Unite.AI, gedreven door een onwankelbare passie om de toekomst van AI en robotica vorm te geven en vooruit te helpen. Als serieondernemer gelooft hij dat AI de samenleving net zo ingrijpend zal veranderen als elektriciteit. Hij spreekt vaak enthousiast over het potentieel van baanbrekende technologieën en artificiële algemene intelligentie (AGI).

Als futurist onderzoekt hij hoe deze innovaties onze wereld zullen vormgeven. Daarnaast is hij oprichter van Securities.io, een platform dat zich richt op investeringen in geavanceerde technologieën die de toekomst opnieuw definiëren en hele sectoren veranderen.