AI-gebaseerde dijk kostenramingen met RCF-AI

Estimated reading time: 5 minuten

Een praktisch raamwerk voor betrouwbaardere projectkostenprognoses

Een van de meest notaire uitdagingen bij infrastructurele projecten is bepalen of de voorlopige kostenraming daadwerkelijk realistisch is. Traditionele methoden leunen vaak op het oordeel van experts en gefragmenteerde historische data, met beperkte transparantie rondom aannames. RCF-AI pakt dit aan door voorspellende modellen (predictive modelling), verklaarbaarheid en referentieklasse-benchmarking te combineren in één dashboard. In deze case passen we RCF-AI toe op de kostenraming van dijkversterkingen.

Dit artikel neemt je mee door de tool en laat zien hoe deze helpt bij het beantwoorden van drie cruciale vragen:

• Welke factoren bepalen de voorspelde projectkosten? 
• Hoe moet het inflatierisico worden gemeten en verwerkt? 
• Wat kunnen we leren van vergelijkbare historische projecten?

Van data naar inzicht: het RCF-AI Management Dashboard

Het startpunt is een centraal dashboard dat zowel historische als lopende dijkversterkingsprojecten omvat. Gebruikers kunnen snel een project zoeken of selecteren en hebben direct toegang tot de bepalende kenmerken ervan.

Door bijvoorbeeld een rivierdijk-project te selecteren, worden een aantal belangrijke indicatoren getoond, zoals:

• Projectlengte
• Opleverjaar
• Bevolkingsdichtheid
• Belangrijkste faalmechanisme

Het project wordt ook als een polygoon op een kaart weergegeven, wat geografische context biedt voor de raming.

Kosten voorspellen met context

De kern van de tool is een voorspellend model dat de kosten per kilometer raamt op basis van de geselecteerde projectkenmerken. Het model integreert meer dan 50 projectkenmerken, waaronder:

• Geospatiale data (grondsoort, overlap met bebouwd gebied)
• Omgevingsbeperkingen (Natura 2000-gebieden)
• Technische kenmerken (faalmechanismen, ontwerpcomplexiteit)

Voor afgeronde projecten kunnen gebruikers de door het model voorspelde kosten vergelijken met de werkelijke (voor inflatie gecorrigeerde) kosten – dit biedt een directe validatie van de prestaties van het model en creëert vertrouwen in de uitkomsten.

Voor lopende projecten fungeert het model als een toekomstgerichte raming — gebaseerd op empirische data in plaats van uitsluitend op intuïtie.

Het openen van de Black Box: verklaarbaarheid van kosten-drivers

Voorspellingen alleen zijn niet voldoende. Besluitvormers moeten begrijpen waarom een project naar verwachting een bepaald bedrag gaat kosten.

RCF-AI maakt dit mogelijk via een ingebouwde verklaarbaarheidslaag die elke kostenvoorspelling uitsplitst naar de onderliggende factoren die hieraan bijdragen.

Het dashboard bevat een watervaldiagram dat uitsplitst hoe elk projectkenmerk de voorspelde kosten beïnvloedt ten opzichte van een baseline voorspelling.

Bijvoorbeeld:

• Overlap met beschermde natuurgebieden kan de kosten beïnvloeden
• Lagere risicoreserveringen kunnen de verwachte kosten verlagen
• Bepaalde grondsoorten of de mate van stedelijke dichtheid kunnen de raming aanzienlijk beinvloeden

Een bijbehorende tabel toont de factoren met de grootste impact, wat zorgt voor transparantie en controleerbaarheid.

Dit transformeert het model van een “black box” in een beslissingsondersteunend systeem, waardoor experts in staat zijn om:

• Aannames ter discussie te stellen
• Kostengevoeligheden te identificeren
• Bevindingen helder te communiceren aan stakeholders

Inzicht in wat er echt toe doet: inflatierisico

Inflatie is een van de meest onderschatte risico’s bij infrastructurele kostenramingen.

In plaats van te vertrouwen op generieke indexcijfers, introduceert de tool een dijkspecifiek inflatieraamwerk op basis van drie stappen:

• Het uitsplitsen van de kostenstructuur van het project in de belangrijkste componenten
• Het identificeren van de belangrijkste kostendrijvers – zoals arbeid, staal en asfalt
• Het samenstellen van een op maat gemaakte inflatie-index, gewogen naar deze componenten

Dit stelt gebruikers in staat om:

• historische, dijkspecifieke inflatietrends te volgen
• toekomstgerichte inflatierisico’s te ramen, toegespitst op het project
• inflatie-onzekerheid direct in kostenramingen te integreren

Het resultaat is een aanzienlijk realistischer beeld van toekomstige materiaalkosten en de bijbehorende risico’s.

Leren van het verleden: Reference Class Forecasting

Zelfs de beste modellen hebben baat bij een toets aan de werkelijkheid. Daar komt het reference-class-framework in beeld.

In plaats van alleen te vragen: “Wat denken we dat dit project gaat kosten?”,

vragen we ook: “Wat hebben vergelijkbare projecten in werkelijkheid gekost?”

Het systeem identificeert automatisch vergelijkbare historische projecten op basis van multidimensionale overeenkomst in onder meer:

• technische kenmerken
• geografische eigenschappen
• omgevingsbeperkingen

Voor elk vergelijkbaar project kunnen gebruikers de belangrijkste kenmerken en de werkelijke kostenuitkomsten bekijken:

Op basis hiervan genereert de tool een kostenverdeling van vergelijkbare projecten, waarmee zichtbaar wordt waar de huidige raming zich verhoudt tot de historische werkelijkheid.

Dit biedt een krachtige reality check:

• Sluit de raming aan bij eerdere uitkomsten?
• Is de raming te optimistisch of juist te conservatief?
• Moeten de aannames worden herzien?

Tot slot

De kracht van deze tool ligt in het combineren van drie complementaire perspectieven:

• Modelgebaseerde voorspelling — datagedreven en schaalbaar
• Uitlegbaarheid — transparant en interpreteerbaar
• Reference-class-benchmarking — gebaseerd op uitkomsten in de praktijk

Samen vormen zij een robuuste onderbouwing voor besluitvorming.

Het doel van deze oplossing is niet om het oordeel van experts te vervangen, maar om het te versterken.

Door AI te combineren met domeinkennis en historische data helpt de tool projectteams om:

• het vertrouwen in ramingen in een vroeg stadium te vergroten
• risico’s te identificeren voordat zij zich voordoen
• beter geïnformeerde en beter verdedigbare beslissingen te nemen

In een vakgebied waarin onzekerheid onvermijdelijk is, is beter inzicht van onschatbare waarde.

Vraag een demo van RCF-AI aan en lees meer over de resultaten van de HWBP-pilot, de methodologie, de validatie en de dekking:

Vraag een RCF-AI demo aan

HWBP Pilot resultaten

RCF-AI System card