Van losse Excelbestanden naar eerder ingrijpen: hoe Suffolk AI inzet in de bouw

Een bouwbedrijf dat AI niet alleen uitprobeert, maar onderdeel maakt van zijn bedrijfsvoering? De Amerikaanse bouwonderneming Suffolk Construction biedt een concreet voorbeeld. Het interessante is niet één chatbot, maar de verbinding tussen projectgegevens, analyses en beslissingen op de bouwplaats.

Suffolk beschrijft hoe het gegevens uit honderden projecten gebruikt om operationele en financiële risico’s eerder te signaleren. Een eigen datateam ontwikkelt voorspellende hulpmiddelen en brengt signalen terug naar de uitvoering. Het bedrijf noemt zijn centrale analyseomgeving Mission Control. [1]

Het herkenbare probleem: informatie was er, samenhang niet altijd

Volgens Posit bemoeilijkten losse scripts en Excelbewerkingen herhaalbare analyses en herleidbare bronnen. Suffolk wilde zijn modellen beschikbaar maken voor projectteams. [2]

Dat probleem is herkenbaar op een heel andere schaal. Een planning kan actueel zijn, terwijl een voortgangslijst achterloopt. Een melding staat in een mail, maar ontbreekt in het projectoverzicht. De vraag is dan niet hoeveel informatie het bedrijf heeft, maar of de juiste medewerker er op tijd een besluit mee kan nemen.

Wat veranderde Suffolk aan zijn systemen?

Suffolk beheert volgens Posit een eigen veiligheidsmodel met Posit en Databricks. Het combineert bezetting, bouwpartners, observaties, incidenthistorie en planning. Dashboards en wekelijkse risicomails tonen uitkomsten en verklarende factoren. Rechten begrenzen de zichtbare gegevens. [2]

Daarmee is de verandering meer dan een nieuw scherm. In onze lezing verbindt de aanpak drie onderdelen die bij veel digitaliseringsprojecten los blijven staan:

1. Een betrouwbare informatiebasis. Het moet duidelijk zijn waar een gegeven vandaan komt en of de verwerking opnieuw dezelfde, verklaarbare informatie oplevert.
2. Een signaal waar iemand iets mee kan. Niet alleen een score, maar context voor degene die moet beoordelen of aandacht nodig is.
3. Een plek in het dagelijkse werk. Informatie moet verschijnen waar projectteams haar daadwerkelijk gebruiken. Anders blijft het een extra systeem naast het echte werk.

Dit zijn onze lessen uit de inrichting, geen onafhankelijke audit van Suffolks systemen. De interessante verschuiving is van gegevens verzamelen naar informatie gebruiken.

Waar zit de AI — en waar niet?

Bij dit voorbeeld draait het vooral om voorspellende AI: patronen in projectinformatie gebruiken om risico’s te signaleren. Dat is iets anders dan generatieve AI die een tekst of verslag schrijft. Suffolk noemt op zijn eigen website beide vormen, naast automatisering. [1]

Een dashboard, gegevenskoppeling of toegangsregeling is op zichzelf geen AI. Toch zijn juist die onderdelen nodig om een model bruikbaar te maken. Zonder actuele invoer mist een voorspelling grond; zonder opvolging verandert een voorspelling niets aan het project.

Een risicoscore betekent bovendien niet dat een incident vaststaat, en een lage score betekent niet dat een situatie veilig is. Het systeem ondersteunt aandacht en beoordeling. Het vervangt geen inspectie, vakkennis of verantwoordelijkheid op de bouwplaats.

Welke resultaten zijn daadwerkelijk gemeld?

In de Posit-case schat een leidinggevende van het datateam de versnelling van het opleveren van datatoepassingen op ongeveer 20%, door minder zoeken naar verspreide Excelbestanden. Dat is een schatting uit een leverancierscase: geen 20% kortere bouwtijd en geen aangetoonde winststijging. [2]

Is dit dan een succesvolle AI-case? Het is een concreet beschreven implementatie met gerapporteerde verbeteringen, en daarmee veel meer dan een aankondiging of een los experiment. Maar de openbare bronnen bewijzen niet hoeveel extra nettowinst Suffolk door AI maakte. Die grens maakt het voorbeeld niet minder bruikbaar; ze voorkomt dat een praktijkles een verkooppraatje wordt.

Niet één geslaagd experiment, maar een manier van werken

Suffolk beschrijft op zijn technologiepagina dat het oplossingen standaardiseert voor projecten en bouwplaatsen gebruikt om nieuwe werkwijzen te beproeven en op te schalen. Het noemt toepassingen voor onder meer calculatie, planning, voortgang, leveringen en wijzigingsbeheer. Niet al die toepassingen zijn AI, en niet voor iedere toepassing publiceert het bedrijf meetbare resultaten. [4]

De les voor een Nederlandse aannemer is niet dat die dezelfde infrastructuur moet aanschaffen. Een groot Amerikaans bouwbedrijf heeft andere aantallen projecten, datasets en middelen. Kopieer liever het principe: verbeter een terugkerend proces, verbind de benodigde informatie en maak duidelijk wie op een signaal reageert.

Wat kan een kleiner bouwbedrijf hiervan overnemen?

De volgende aanpak is ons eigen praktische voorstel, geen beschrijving van een Suffolk-project:

1. Begin bij één overdracht. Bijvoorbeeld van bouwplaatsmelding naar kantoor. Leg vast wie de melding gebruikt en welke gegevens nodig zijn.
2. Maak de invoer compleet. Project, locatie, foto, waarneming, datum en verantwoordelijke. Een model kan ontbrekende informatie signaleren, maar moet die niet zelf verzinnen.
3. Gebruik eerst vaste regels waar dat kan. Een ontbrekend projectnummer of verlopen actiedatum is vaak zonder AI te vinden. Voeg AI toe waar interpretatie echt helpt, zoals het ordenen van vrije tekst.
4. Kies een concrete uitkomst. Bijvoorbeeld een gecontroleerde actielijst voor de werkvoorbereider. Geen dashboard zonder eigenaar.
5. Vergelijk met de oude werkwijze. Meet zoektijd, verwerkingstijd, ontbrekende gegevens en correcties. Tel ook beheer en controle mee.
6. Breid pas uit als het werkt. Een voorspellend model vraagt geschikte historische gegevens en aparte validatie. Dat hoeft niet de eerste stap te zijn.

Zo wordt AI geen extra laag administratie, maar een mogelijke schakel in een betere informatiestroom. Soms blijkt een eenvoudige koppeling al genoeg. Ook dat is een goed resultaat.

De belangrijkste les: een voorspelling bouwt niets

Een project wordt niet beter doordat ergens een model draait. Het wordt beter wanneer mensen eerder beschikken over betrouwbare informatie en daar passend op kunnen handelen. Suffolk laat zien hoe een bouwbedrijf AI kan verbinden aan zijn operationele systemen. Het overdraagbare idee is niet de omvang van de technologie, maar de samenhang tussen informatie, beoordeling en actie.