Tag Archief van: toekomstvisie

Sturen op woningbouw met AI: van datasysteem naar regieplatform

/door

Bij Shintō Labs zijn we continu bezig met de vraag: hoe kunnen we Juno nog waardevoller maken voor onze gebruikers? In gesprekken met gemeenten, provincies en partners horen we steeds vaker interesse in de inzet van artificial intelligence (AI). Tegelijkertijd zien we dat AI zich razendsnel ontwikkelt — niet alleen als techniek, maar ook als denkwijze. We zijn daarom aan het verkennen hoe we AI op een doordachte en bruikbare manier kunnen integreren binnen Juno. Wat zou het kunnen betekenen voor dataverwerking, monitoring, beleidsanalyses of samenwerking met externe partijen? En hoe ziet de toekomst eruit als we Agentic AI inzetten als ondersteuning voor de beleidsadviseur?

In deze blog delen we onze eerste ideeën en verkenningen. Geen productaankondiging, maar een inkijkje in hoe wij als ontwikkelaars, ontwerpers en denkers kijken naar de rol van AI in het woningbouwdomein. We nodigen je uit om mee te denken.

AI als motor voor conversie en dataverrijking

Gemeentelijke beleidsinformatie is zelden netjes gestructureerd. Het zit in PDF’s, in e-mails, in raadsvoorstellen of in losse Excelbestanden van een woningcorporatie. Op dit moment moeten gebruikers zelf deze informatie overnemen in Juno. Maar AI kan helpen door deze gegevens automatisch te herkennen en om te zetten naar het juiste datamodel. Denk aan een algoritme dat een projectplan leest, herkent dat het om 48 woningen in de middenhuur gaat met start bouw in Q1 2026, en dit meteen correct in het systeem zet.

Ook onduidelijke, contextafhankelijke informatie kan door AI worden geïnterpreteerd. Als er bijvoorbeeld sprake is van een ‘optopping van een bestaand gebouw’, weet het model straks: dit telt als woningbouw via verbouw, en moet dus anders verwerkt worden dan reguliere nieuwbouw.

AI als copiloot bij het maken van analyses

Veel gebruikers willen “meer uit Juno halen” zonder dat ze zelf diep in de filters hoeven te duiken. Door AI toe te voegen aan de interface, kun je als gebruiker straks in gewone taal vragen stellen aan het systeem: “Toon alle projecten in mijn gemeente die meer dan 12 maanden vertraging oplopen” of “Geef me alle projecten waarvan de betaalbaarheidscategorie nog onbekend is.”

Maar AI kan ook zelfstandig verbanden leggen: zijn er geografische clusters waar projecten structureel vertragen? Welke projectontwikkelaars komen vaak voor bij vertraagde oplevering? Wat is de impact van een beleidswijziging in de provincie op de regionale plancapaciteit? Dit soort analyses worden mogelijk door AI-modellen die continu meekijken naar het geheel van de data, niet alleen individuele projecten.

Slimmer omgaan met administratie en invoer

Een veelgehoorde drempel bij het werken met monitorsystemen is het handmatig invoeren van gegevens. Door AI slim in te zetten, kan dat proces versneld én verrijkt worden. Bijvoorbeeld door automatische suggesties te geven op basis van eerdere invoer (“Bedoel je hier fase 2 van project De Akkers?”), of door het systeem incomplete invoer te laten aanvullen met voorgestelde waarden.

Ook kan AI meekijken tijdens het invullen en waarschuwen als iets niet klopt — bijvoorbeeld als de start bouw vóór de vergunningsdatum ligt, of als een project 600 woningen bevat terwijl het gekoppeld is aan een plan voor 120. Op die manier fungeert AI als een oplettende collega die meekijkt en helpt, zonder dat je erom hoeft te vragen.

AI als brug naar externe informatiebronnen

Een terugkerende uitdaging is dat gemeenten vaak afhankelijk zijn van informatie van anderen: projectleiders, gebiedsregisseurs, corporaties of marktpartijen. Wat als AI je hierbij zou kunnen helpen? Een agent zou bijvoorbeeld namens de gemeente automatisch gegevensverzoeken kunnen uitsturen naar externe partners, en de ontvangen informatie zelfstandig verwerken — inclusief signalering van ontbrekende onderdelen of tegenstrijdigheden.

Ook openbare bronnen kunnen worden benut. AI kan bijvoorbeeld automatisch besluiten van het college of de raad analyseren en beoordelen of ze relevant zijn voor de woningbouwplanning in Juno. Daarmee wordt de beleidsadviseur niet alleen ontlast, maar ook versterkt: het systeem attendeert je proactief op belangrijke informatie.

Van AI-tool naar agent: de toekomst van Juno

De volgende stap is het ontwikkelen van zogeheten AI-agents: digitale assistenten die zelfstandig taken uitvoeren binnen een duidelijke opdracht en context. Denk aan een planningsagent die continu in de gaten houdt of projecten nog op schema liggen en tijdig adviseert bij afwijkingen. Of een beleidsagent die op basis van Juno-data alternatieve beleidsstrategieën genereert, bijvoorbeeld voor het halen van woningbouwdoelstellingen uit woondeals.

De echte kracht van Agentic AI zit in de mogelijkheid om doelgericht en proactief te werken. Zo’n agent wacht niet tot jij iets vraagt, maar komt zelf met relevante suggesties, stelt prioriteiten voor rapportages, of signaleert structurele datagebreken.

Tot slot: van monitor naar meedenker

Met de inzet van AI verandert Juno van een registratiesysteem naar een actieve partner in de woningbouwopgave. Door slim gebruik te maken van technologie kunnen we routinewerk reduceren, betere inzichten ontsluiten en samenwerking met partners versnellen. En met Agentic AI aan de horizon komt de beleidsadviseur niet alleen sterker te staan, maar ook minder alleen te staan.

Ben jij benieuwd hoe AI jouw werk met Juno kan versterken? Of heb je ideeën voor slimme agents? Neem dan contact met ons op!

Zie ook

Whitepaper

Webinar

Blogs