Vorig jaar mochten we in een pilot voor het HWBP onderzoeken of onze AI-gedreven Reference Class Forecasting-engine (RCF-AI) waarde toevoegt bij het verbeteren van het huidige referentiekader wat in Nederland wordt gebruikt voor kostenramingen van dijkprojecten.
Het referentiekader is bedoeld als hulpmiddel voor de betrokken partijen om in een vroeg stadium, op basis van complexiteit, realistische kostenbandbreedtes te bepalen. Het ondersteunt daarmee de gesprekken over verwachte projectkosten en risicobuffers, terwijl het bottom-up ramingsproces behouden blijft.
Projectcontext
Met circa 1.400 kilometer aan dijkversterkingen heeft de alliantie van HWBP en de waterschappen de grote opgave om Nederland te beschermen tegen overstromingsrisico. Betrouwbare kostenramingen zijn belangrijk om ontwerpkeuzes en investeringsbeslissingen goed te onderbouwen.
Wij passen AI toe door interne data van 83 projecten te combineren met geo-indicatoren en door GenAI geëxtraheerde data. We onderzoeken in hoeverre dit leidt tot nauwkeurigere ramingen en een kleinere onzekerheidsmarge.
Traditionele versus AI aanpak
Het bestaande referentiekader werkt met vier complexiteitsklassen met statische kostenbandbreedtes per kilometer. De AI-methode gebruikt daarentegen een breed scala aan databronnen om contextafhankelijke en dynamische kostenbandbreedtes te bepalen.
Daarnaast maakt de AI-methode de inflatiecorrectie specifieker. Waar het huidige referentiekader een generieke inflatiecorrectie toepast, is de AI-inflatiecorrectie toegesneden op het relevante type dijk(traject).
AI-Features
Het project richtte zich op het ramen van realisatiekosten voor dijkversterkingen en combineerde interne projectdata met publieke externe data.
Voor deze pilot hebben we kenmerken uit meerdere bronnen gebruikt. Naast interne projectkenmerken (bijv. planning en scope van het project) gebruiken we GenAI om aanvullende publieke kenmerken af te leiden (zoals dijktype en faalmechanismen) en verrijken we, waar mogelijk, de projecten met geo-indicatoren zoals bevolkingsdichtheid, overstromingsrisico en nabijheid van Natura 2000-gebieden.
AI Methodologie
Een dataverwerkingspipeline brengt eerst de informatie uit alle databronnen samen. Vervolgens wordt ons RCF-AI model ingezet om de meest relevante kenmerken te bepalen.
Een apart algoritme wordt gebruikt om de tien meest vergelijkbare projecten te identificeren. Onze modellen presteren in toetsbare gevallen 50% beter dan de initiële schattingen van menselijke experts.
Dashboard Output
De kostenramingen voor zowel afgeronde, lopende als nieuwe projecten worden overzichtelijk gepresenteerd via een webbased dashboard en bevatten o.a. de volgende informatie:
- Kwantificering van de onzekerheid rondom de verwachte kosten
- Belangrijkste kostendrijvers
- Een custom Dijkprijsindex op basis van materiaalgewichten
- Verwachte kosten per kilometer voor lopende projecten
- De tien meest vergelijkbare projecten
Deze pilot heeft laten zien dat het uitbreiden van het referentiekader met een context- en AI-gedreven methodiek zorgt voor snellere, betrouwbaardere en transparantere besluitvorming rondom kostenramingen voor dijkversterkingen in Nederland.
De toekomstige roadmap richt zich op verdere modelverbeteringen en validatie, het opschalen van de dashboard-functionaliteit en het toevoegen van een module voor potentiële (VTW-)realisatierisico’s.
Meer informatie over methodiek, validatie en toepassingsgebied is beschikbaar in de System Card – RCF-AI.