Kennisbank artikel Tools en kennisproducten voor Datagedreven assetmanagement

Uitgebreid inhoudelijk verslag webinar van 27 mei 2026

Kennisbank Assetmanagement Data en AI Innovatie Strategie en organisatie Techniek en constructie

Betrouwbare areaaldata, een duidelijke onderhoudsvraag en samenwerking tussen gebruikers, IT en onderhoudspartners vormen de basis voor datagedreven assetmanagement. Tijdens het webinar Tools en kennisproducten voor Datagedreven assetmanagement van Platform WOW op 27 mei 2026 deelden Tjeerd de Jong, programmamanager bij Rijkswaterstaat, en Gido van Rooijen, innovatiemanager bij World Class Maintenance en Fieldlab CAMINO, hun aanpak en praktijkervaringen.

Rijkswaterstaat werkt met negen aannemers aan het benutten van nieuwe databronnen en digitale technieken. Voorbeelden bij sluizen, pompgemalen en bruggen laten zien hoe data helpt om afwijkingen te herkennen, oorzaken te onderzoeken en onderhoud te verbeteren. De belangrijkste aanbevelingen: begin klein, ontwikkel samen met gebruikers, verbeter op basis van praktijkervaring en zorg voor bestuurlijke steun bij opschaling.

Inhoudsopgave

 

Wat is datagedreven assetmanagement?

Bekijk de terugblik vanaf hier op YouTube

Tjeerd de Jong beschrijft in zijn presentatie over datagedreven assetmanagement twee samenhangende onderwerpen waaraan hij bij Rijkswaterstaat werkt: Areaaldata op orde en Datagedreven Assetmanagement (DGAM). Het eerste programma geeft een impuls aan de kwaliteit van bestaande areaaldata. Het tweede ondersteunt het assetmanagement met nieuwe databronnen, tools en digitale technieken.

In brede zin betekent datagedreven assetmanagement dat onderhoudsbeslissingen meer worden gebaseerd op data in systemen. Rijkswaterstaat gebruikt onder meer Ultimo, op sommige plekken Hexagon, GIS en het systeem DISK. Daarnaast worden Excelbestanden en pdf’s gebruikt. De Jong noemt daarbij bij wijze van grove aanduiding “honderdduizend” Excelbestanden, geen exact geteld aantal. De verspreiding over systemen en persoonsgebonden bestanden maakt het moeilijk om areaalgegevens samen te voegen en te combineren.

Binnen het DGAM-programma gebruikt Rijkswaterstaat de term voor een specifiekere ontwikkeling: het toevoegen van nieuwe databronnen en datatechnologie aan het bestaande assetmanagement. Dit gebeurt samen met negen aannemers. De toepassing richt zich op beweegbare bruggen, sluizen, tunnels en gemalen, waarbij gegevens uit de assets zelf worden benut.

Waarom inzetten op datagedreven onderhoud?

De onderhoudsopgave groeit, terwijl budgetten en beschikbare menskracht onder druk staan. Rijkswaterstaat wil deze spanning verminderen door onderhoud meer conditiegestuurd uit te voeren en onverwacht werk zoveel mogelijk verwacht werk te maken. Daarmee kunnen ook nachtelijke werkzaamheden en storingsdiensten worden beperkt, die volgens De Jong de aantrekkelijkheid als werkgever beïnvloeden.

Een ander doel is minder mensen naar locaties te hoeven sturen om de situatie te beoordelen, wanneer beoordeling op basis van data mogelijk is. De inzet is om prestaties te handhaven en risico’s te beheersen met lagere kosten en minder personele inzet.

Jan Waal, maintenance engineer bij het gemaal van IJmuiden, wordt genoemd als praktijkbetrokkene die de waarde van structureel meten toelicht. De kern is minder afhankelijk worden van inspecties op afzonderlijke momenten en structureel inzicht krijgen in het functioneren van een asset. De presentatie verwijst naar het interview met Jan Waal over continu meten.

In een poll werd gevraagd naar de belangrijkste reden om op datagedreven assetmanagement in te zetten. De antwoordmogelijkheden waren betere grip en controle, vermindering van de mismatch tussen werk, mensen en middelen, meegaan met de ontwikkeling of nog onvoldoende zicht hebben op de toegevoegde waarde. De overgrote meerderheid koos voor betere grip en controle. De Jong herkent dat beeld: beter weten wat er op een asset gebeurt, heeft al waarde voordat verdere optimalisatie wordt bereikt.

Areaaldata op orde brengen en houden

Bekijk de terugblik vanaf hier op YouTube

Nieuwe databronnen vervangen de bestaande areaalregistratie niet. Gegevens in Ultimo, GIS of een onderhoudssysteem zoals Maximo blijven het fundament voor slagvaardig assetmanagement. De Jong geeft aan dat Rijkswaterstaat gedurende zijn circa achttien jaar bij de organisatie steeds aan de kwaliteit van areaaldata heeft gewerkt. Het op orde houden van die gegevens moet onderdeel worden van het reguliere werk: naast de assets zelf moet ook de bijbehorende data worden onderhouden.

Uniformeren en het eenvoudig houden

Een belangrijk principe is “keep it simple”. Organisaties hebben de neiging uitzonderingen te zoeken en werkwijzen aan lokale behoeften aan te passen. Voor combineerbare data zijn echter uniforme keuzes nodig. Dat betekent dat niet iedere afwijking of voorkeur kan worden ondersteund.

Op de ochtend van het webinar was bij Rijkswaterstaat de eerste regio voor een deel van haar assets overgegaan op een nieuwe uniforme technische decompositie. De COO was daarbij aanwezig. De Jong gebruikt dit voorbeeld om te benadrukken dat uniformering niet voor iedereen precies de gewenste werkwijze oplevert, maar nodig is om gegevens organisatiebreed te kunnen gebruiken.

Daarbij hoort het uitgangspunt “goed is goed genoeg”. Als steeds een perfectere registratie wordt nagestreefd, blijft verbetering in ontwikkeling hangen. Een werkbare, uniforme basis maakt het mogelijk daadwerkelijk met betere data te gaan werken.

Datakwaliteit vraagt om gezamenlijke verantwoordelijkheid

De organisatie die de data gebruikt en de organisatie die data en IT beheert, moeten nauw samenwerken. Datakwaliteit kan niet uitsluitend bij IT worden neergelegd. Ook de medewerkers en organisatieonderdelen die verantwoordelijk zijn voor het areaal dragen verantwoordelijkheid voor de kwaliteit van de registratie.

De structurele verankering ligt in de lijnorganisatie, bij degenen die verantwoordelijk zijn voor het beheer van assets en de bijbehorende gegevens. Een programmamanager kan adviseren en verandering ondersteunen, maar heeft deze lijnverantwoordelijken nodig om afspraken te laten gelden.

Nieuwe technieken onderdeel maken van het werk

Bekijk de terugblik vanaf hier op YouTube

Internet of Things, dynamische data, metadata en AI bieden mogelijkheden om nieuwe informatie aan het assetmanagement toe te voegen. De Jong bespreekt principes die helpen om deze mogelijkheden bruikbaar te maken in de organisatie.

Begin bij de onderhoudsvraag

Bij zijn start als programmamanager lag de nadruk sterk op het uitrollen van techniek en het verzamelen van data. Daardoor ontstond in de organisatie de vraag waarvoor die techniek nodig was. De focus is vervolgens verschoven van de vraag of de techniek werkt naar de vraag hoe medewerkers ermee werken.

Techniek is een middel om een opgave aan te pakken. Bepaal daarom eerst waarvoor de toepassing wordt ingezet en hoe deze het werk moet ondersteunen.

Ontwikkel samen met onderhoudspartners

Rijkswaterstaat ontwikkelt de aanpak samen met aannemers, in plaats van deze eerst volledig intern uit te werken en vervolgens via contracten uit te vragen. Zo wordt ook kennis en ervaring uit de markt benut. Tegelijkertijd moet de publieke opdrachtgever richting geven en keuzes maken over de gewenste werkwijze.

Een concrete keuze is het structureren van de data-inwinning. Een andere is dat data en dashboards bij de asset horen, in plaats van bij een aannemer of tijdelijk contract. Ze moeten gedurende de levenscyclus van de asset beschikbaar blijven en kunnen worden doorgegeven aan opvolgende contractpartijen.

Werk met gemotiveerde gebruikers en verbeter stap voor stap

Begin met medewerkers die bereid zijn een nieuwe werkwijze te ontwikkelen. De Jong schat deze groep op 10 tot 20% van het personeel. Daarnaast zijn er medewerkers die eerst willen afwachten en een minderheid die weinig belangstelling voor de verandering heeft. Zijn advies is om de eerste ontwikkeling te richten op de gemotiveerde groep.

De ontwikkeling moet stapsgewijs plaatsvinden. Een organisatie waarvan de data nog niet op orde is, kan niet in één stap naar AI-gedreven werken overstappen.

Ook de tooling hoeft niet meteen volledig aan alle verwachtingen te voldoen. Rijkswaterstaat gebruikt hiervoor het denken in een minimum viable product (MVP): breng een eerste bruikbare versie snel naar de praktijk, verzamel gebruikersfeedback en verbeter daarmee de toepassing. Lang doorontwikkelen zonder praktijkgebruik beperkt juist die terugkoppeling.

Een deelnemer vulde aan dat zichtbaar moet worden hoe de toepassing het werk sneller, goedkoper of makkelijker maakt. De Jong onderschreef deze suggestie: zichtbare verbeteringen helpen om ook medewerkers mee te krijgen die aanvankelijk afwachten.

Als aanvullende bron biedt WCM Vector een raamwerk voor de mensgerichte opschaling van DGAM. Dit beschrijft hoe Rijkswaterstaat en beherende aannemers medewerkers betrekken bij de verandering, strategieën uitwerken en de beoogde impact volgen.

Van beter inzicht naar onderhoudsstrategie

Bekijk de terugblik vanaf hier op YouTube

De Jong gebruikt een door Gartner ontwikkeld stappenmodel om de ontwikkeling van dataondersteund naar datagedreven werken te beschrijven. Hij koppelt daaraan de volgende toepassingen:

  • Beter geïnformeerd werken: inzicht krijgen in wat op een asset gebeurt.
  • Betere diagnose: data gebruiken om oorzaken van problemen te onderzoeken.
  • Potentieel falen signaleren: aanwijzingen voor mogelijke storingen herkennen.
  • De onderhoudsaanpak bijstellen: gegevens combineren om bijvoorbeeld vervangings- en renovatiemomenten en de resterende levensduur van installaties te beoordelen.
  • De onderhoudsstrategie aanpassen: uitgangspunten voor onderhoud bijstellen op basis van de verkregen inzichten.

Op het moment van het webinar schaalt Rijkswaterstaat vooral op van beter geïnformeerd werken naar betere diagnose en het signaleren van potentieel falen. De data helpt daarnaast in beperkte mate al bij het aanpassen van de onderhoudsaanpak. De bredere aanpassing van de onderhoudsstrategie is een volgende ontwikkeling.

Het vierfasenplan voor toepassing

Voor de toepassing volgt Rijkswaterstaat een vierfasenplan, dat beschikbaar is via DGAM bij Rijkswaterstaat op WCM Vector:

  • Behoefte en doelstellingen bepalen: welke verbetering moet het gebruik van data opleveren?
  • Relevante data en faalindicatoren bepalen: welke gegevens helpen bij de doelstelling en hoe worden belangrijke faalindicatoren gemeten?
  • Gegevens verzamelen en visualiseren: de benodigde informatie beschikbaar en inzichtelijk maken.
  • De toepassing onderdeel maken van het werk: kennis, vaardigheden, processen en organisatie aanpassen zodat de informatie daadwerkelijk wordt gebruikt.

Vooral in de vierde fase wordt nog ervaring opgedaan. Het beschikbaar maken van techniek en gegevens is onvoldoende zonder veranderingen in de dagelijkse werkwijze.

De landelijke toepassing wordt geïllustreerd met kaarten die de ontwikkeling vanaf begin 2025 laten zien. Iedere maand worden locaties toegevoegd waar stappen worden gezet met DGAM.

Een poll over de voortgang bij deelnemers liet zien dat de meeste respondenten bezig waren bestaande data op orde te brengen. Ook planvorming en pilots kwamen naar voren. Deelnemers konden meerdere antwoorden kiezen. Volgens de toelichting was datagedreven assetmanagement bij ongeveer 10% al gangbare praktijk. De Jong benadrukt dat Rijkswaterstaat ook van de ervaringen van deze groep kan leren.

Tools en praktijkvoorbeelden bij Rijkswaterstaat

Bekijk de terugblik vanaf hier op YouTube

Datagedreven instandhoudingsplanning met AIM

Rijkswaterstaat werkt aan een instandhoudingsplanning die beter kan worden samengevoegd dan afzonderlijke Excelbestanden. Hiervoor worden drie onderdelen gecombineerd:

  • één uniforme technische decompositie voor het areaal;
  • een standaard beheerareaalregister met een standaardset onderhoudsmaatregelen en kosten;
  • de app AIM, waarin deze informatie wordt samengebracht voor de technische analyse.

De analyse moet duidelijk maken welk onderhoud nodig is om de prestaties van een asset te behouden. Samen met andere perspectieven vormt dit input voor de begroting. De eerste inzet richt zich op het grote bulkareaal van het hoofdwegennet. Complexe assets, zoals tunnels, vallen buiten deze eerste toepassing.

Het landelijk Assetdashboard

Het landelijk Assetdashboard brengt de assetdashboards op één plek samen. Daardoor kunnen trends over verschillende assets heen worden geanalyseerd en kan per asset informatie tot op detailniveau worden geraadpleegd. De presentatie verwijst naar een video over het landelijk Assetdashboard.

Early warnings bij de Kreekraksluizen

Bij de Kreekraksluizen is een dashboard ingericht met gegevens uit de systemen van de sluizen. Earlywarningfunctionaliteit signaleert daarin potentieel falen.

Bij één kolk gaven verschillende meters uiteenlopende waterstanden aan. Een sluisdeur sluiten bij een onjuiste of ongelijke waterstand kan extra slijtage veroorzaken en langer duren. Aanvankelijk werd gedacht dat de melding niet klopte, maar controle liet zien dat een onderdeel van het niveaumeetsysteem beschadigd was.

Na vervanging verdwenen de early warnings. Volgens De Jong werd ook de doorlooptijd van het schutten korter en waren minder energie en minder slijtage nodig om de sluis te laten functioneren. Dat is positief voor de levensduur.

Als aanvullende uitleg beschrijft het WCM Vector-kennisproduct Early Warning Functionaliteit hoe afwijkingen ten opzichte van normaal gedrag met drempelwaarden worden gesignaleerd. Het onderscheidt informatieve meldingen, waarschuwingen, dreigend functieverlies en daadwerkelijk functieverlies. De urgentie bepaalt de benodigde opvolging. Naast een melding in het dashboard kan een signaal via sms of e-mail naar een actiehouder gaan. Dit is algemene uitleg uit het kennisproduct, geen afzonderlijke beschrijving van de inrichting bij de Kreekraksluizen.

Diagnose van problemen bij Sluis Empel

Bij Sluis Empel werd de ruimte met de pompen zeer warm en haalden de pompen hun verwachte levensduur niet. Fysieke inspectie gaf onvoldoende duidelijkheid over de oorzaak.

De presentatie van De Jong verduidelijkt dat de data inzicht gaf in het gedrag van de vacuümpomp over langere tijdsperioden. Daarmee kon een probleemanalyse worden uitgevoerd en konden herstelmaatregelen worden getroffen.

In zijn mondelinge toelichting vertelt De Jong dat de bijstellingen het systeem beter lieten functioneren. Het resultaat was nog niet optimaal; daarvoor zou volgens hem herbouw nodig zijn. De data hielp om te begrijpen wat er gebeurde en welke aanpassingen energieverbruik en slijtage konden verminderen en daarmee de levensduur konden verlengen.

Handreikingen en uitwisseling van ervaringen

Op WCM Vector heeft Rijkswaterstaat kennisproducten over de DGAM-werkwijze samengebracht. Tijdens het webinar geeft De Jong aan dat de voorbeelden van de Kreekraksluizen en Sluis Empel daar nog niet uitgebreid waren uitgewerkt. Het platform bevatte op dat moment vooral handreikingen over werkwijzen en methodieken.

Als aanvullende praktijkinformatie bevat de gekoppelde bibliotheek met user stories concrete informatiebehoeften van gebruikers. Bij tunnelventilatie gaat het bijvoorbeeld om inzicht in energieverbruik, draairichting en het aantal starts en stops. Deze voorbeelden komen uit de aanvullende bron en zijn niet afzonderlijk tijdens het webinar uitgewerkt.

Daarnaast is een LinkedIn-community voor datagedreven assetmanagement gevormd voor nieuws en het delen van ervaringen. De link staat in de presentatie van De Jong.

Samenwerking en kennisdeling via Fieldlab CAMINO

Bekijk de terugblik vanaf hier op YouTube

Gido van Rooijen licht in zijn presentatie over Fieldlab CAMINO toe hoe samenwerking de ontwikkeling en toepassing van datagedreven assetmanagement ondersteunt.

CAMINO is een Smart Industry Fieldlab voor datagedreven assetmanagement in de infrasector. Volgens Van Rooijen bestaat het naar schatting ruim tien jaar. Het begon met de vraag hoe data voorspelbaar onderhoud kan ondersteunen en groeide uit tot een bredere omgeving voor experimenten met nieuwe technologieën voor assetmanagement.

De aanpak bestaat uit actiegericht experimenteren in proeftuinen. Partners beginnen klein en gaan snel naar de praktijk. Zo wordt duidelijk welke verwachte obstakels meevallen en welke ogenschijnlijk eenvoudige onderdelen toch ingewikkeld zijn.

Open innovatie is een belangrijke pijler. Beheerders, aannemers en kennispartners werken samen aan uitdagingen die één organisatie moeilijk alleen kan oplossen. Hoge onderhoudspieken, beperkte capaciteit, vergrijzing en hoge kosten spelen sectorbreed. Hoewel organisaties en objecten verschillen, hoeft niet iedere beheerder afzonderlijk dezelfde ontwikkeling te doorlopen.

Een poll over samenwerking liet vooral behoefte zien aan het leren van praktijkervaringen van anderen. Ook het delen van tools en toepassingen, gezamenlijke ontwikkeling, sneller opschalen en het delen van kosten en capaciteit werden als antwoordmogelijkheden voorgelegd.

Kennis beschikbaar maken via WCM Vector

De lessen uit proeftuinen worden vastgelegd en beschikbaar gesteld via WCM Vector, het kennisplatform van World Class Maintenance. Daar worden ook kennisproducten uit andere Smart Industry Fieldlabs gedeeld, bijvoorbeeld over wind op zee, de procesindustrie en bedrijventerreinen.

Daarnaast organiseert WCM bijeenkomsten om kennisproducten en nieuwe thema’s met het netwerk te bespreken. De terugblikpagina verwijst naar een video met uitleg over WCM Vector.

CAMINO nodigt zowel voorlopers als organisaties die vooral van bestaande ervaringen willen leren uit om aan te sluiten. Het netwerk kan ondersteunen bij een eigen experiment of bij het toepassen van kennis die elders is ontwikkeld. Ook nieuwe thema’s kunnen worden ingebracht.

De presentatie verduidelijkt dat deelnemen ook betekent dat organisaties kennis en ervaring delen en een financiële bijdrage leveren aan de overkoepelende activiteiten van het fieldlab. Voor meer informatie of een idee voor een proeftuin of Infratafel verwijst Van Rooijen naar camino@worldclassmaintenance.com.

Machine learning voor pompgemalen

Bekijk de terugblik vanaf hier op YouTube

In een proeftuin met drie waterbeheerders is gedurende een aantal jaren onderzocht of machine learning op gegevens van pompgemalen kon worden toegepast. De presentatie noemt Waternet, Hoogheemraadschap van Rijnland en Hoogheemraadschap Hollands Noorderkwartier (HHNK).

Multidisciplinaire teams met onderhoudsmanagers, assetmanagers en data scientists werkten binnen en tussen de organisaties aan de oplossingen. De presentatie benadrukt dat kennis werd uitgewisseld, terwijl iedere organisatie een eigen variant ontwikkelde.

De aanpak begon klein, met de gebruiker centraal en met intrinsiek gemotiveerde medewerkers als ambassadeurs. Volgens Van Rooijen heeft iedere betrokken organisatie inmiddels een eigen operationeel earlywarningsysteem dat aanstaand falen van pompgemalen voorspelt.

Vertrouwen opbouwen bij Waternet

Tijdens een vraag over veranderbereidheid licht Van Rooijen het voorbeeld van Waternet verder toe. Het earlywarningsysteem stuurde e-mails naar de afdeling planning met het signaal dat onderhoud aan bepaalde pompgemalen moest worden ingepland. Aanvankelijk bestond scepsis: was er werkelijk iets aan de hand of zouden medewerkers voor niets naar een gemaal gaan?

Er kwamen ook foutpositieve meldingen voor. Naarmate het systeem robuuster werd en vaker terecht waarschuwde, groeide het vertrouwen. Van Rooijen benadrukt dat de waarde in de praktijk zichtbaar moet worden. Klein beginnen levert kleinere, maar snellere resultaten op waarop verder kan worden gebouwd.

Daarbij moeten verwachtingen worden besproken: een toepassing werkt niet noodzakelijk in één keer goed. Dat is een reden om te leren en verder te ontwikkelen.

Monitoring van de Zeelandbrug en andere bruggen

Bekijk de terugblik vanaf hier op YouTube

CAMINO werkt met provincies aan datagedreven assetmanagement voor bruggen. De presentatie noemt Zeeland, Overijssel en Noord-Holland. Het langstlopende experiment dat Van Rooijen mondeling bespreekt, betreft de Zeelandbrug. Daar is eerst op het bewegende gedeelte geëxperimenteerd met sensoren en het verzamelen van data.

Bij deze ketensamenwerking waren ook de onderhoudsaannemer, Hogeschool Zeeland, TU Delft en een ingenieursbureau betrokken.

Van businesscase naar value case bij de Zeelandbrug

Een belangrijke les was dat de waarde moeilijk uitsluitend in geld uit te drukken is. Daarom werd de businesscase verbreed naar een value case: wat betekent het voor de provincie wanneer de verbinding enkele uren of zelfs dagen uitvalt?

De gevolgen betreffen bijvoorbeeld mensen die niet naar hun werk kunnen, niet op pad kunnen of vertraging oplopen. Door deze maatschappelijke betekenis mee te nemen, werd de waarde van de toepassing duidelijker en ontstond steun binnen de organisatie.

Dit leidde tot het besluit een proeftuin op te zetten voor het gehele civiele deel van de brug, om te onderzoeken of de betonconstructie kan worden gemonitord. Het eerste experiment leidde daarmee tot verdere opschaling.

Oliemonsters en trillingsmetingen bij de Beukerssluis Ophaalbrug

Naast de mondeling besproken Zeelandbrug bevat de presentatie van Van Rooijen een voorbeeld bij de Beukerssluis Ophaalbrug. Daar worden oliemonsters en trillingsmetingen genoemd als aanpak om inzicht te krijgen in de staat van de brug. De slide omschrijft dit als nieuw voor de organisatie.

Een “Shazam voor bruggen” verkennen

Een andere verkenning betreft een toepassing die Van Rooijen omschrijft als een “Shazam voor bruggen”. De presentatie koppelt deze patroonherkenning aan de provincie Noord-Holland.

Brugdata bevat ruis en gegevens met weinig voorspellende waarde. De muziekapp Shazam wordt als vergelijking gebruikt omdat deze patronen kan herkennen in een rumoerige omgeving.

De onderzoeksvraag is of een vergelijkbare benadering bij bruggen kan helpen om relevante patronen te herkennen en de selectie van bruikbare parameters te verkorten. Dit is een voorgenomen verkenning, geen bewezen toepassing.

Verkenning van AI-agents voor onderhoudsregistratie

Bekijk de terugblik vanaf hier op YouTube

CAMINO verkent ook AI-agents. Aanleiding is de waarde van gegevens in onderhoudsbeheersystemen zoals Maximo en Ultimo. Het benutten van die waarde hangt samen met de kwaliteit van de informatie die monteurs registreren. Monteurs kennen de objecten en het onderhoud, maar ervaren het invullen van formulieren volgens de besproken praktijkervaringen niet altijd als aantrekkelijk.

Een idee is een AI-agent die een monteur na een klus opbelt en vraagt welke werkzaamheden zijn uitgevoerd en wat daarbij is aangetroffen. De agent zou deze informatie vervolgens uniform verwerken, zodat een database met kwalitatief goede onderhoudsgegevens ontstaat. Die gegevens kunnen worden gebruikt om patronen te herkennen en onderhoud beter te beoordelen.

Van Rooijen benadrukt dat dit onderwerp nog wordt verkend. Tijdens het webinar is geen operationele toepassing of gekozen AI-model beschreven.

In een poll werd gevraagd of deelnemers AI-agents al gebruiken, dit van plan zijn, er persoonlijk mogelijkheden in zien, er geen behoefte aan hebben of nog niet weten wat een AI-agent is. Van Rooijen constateerde op basis van de getoonde antwoorden dat ruim 80% ermee bezig was, dit van plan was of het een goed idee vond. Dit percentage betreft dus verschillende antwoorden samen en betekent niet dat ruim 80% al AI-agents gebruikt.

Deelnemers werden ook uitgenodigd om hun organisatie en concrete toepassing in de chat te noemen. Van Rooijen nodigde organisaties uit om kennis, ervaringen en ideeën voor nieuwe thema’s met CAMINO te delen.

Van experiment naar structurele toepassing

Bekijk de terugblik vanaf hier op YouTube

Naar aanleiding van een deelnemersopmerking over opschalen benadrukt De Jong dat experimenteren en leren nodig zijn, maar toepassingen niet in pilots mogen blijven hangen. Op een gegeven moment moeten ze onderdeel worden van het reguliere werk.

Daarvoor zijn sturing, de lijnorganisatie en bestuurlijke steun nodig. De Jong geeft aan dat in de context van Rijkswaterstaat soms ook verplichtende sturing nodig is.

Van Rooijen benadrukt dat veranderbereidheid ook op bestuurlijk niveau verschilt. Organisaties hebben verschillende prioriteiten en ambities. Verandering kan daarnaast van onderop ontstaan: kleine successen kunnen zich uitbreiden en uiteindelijk ook bestuurlijke steun opleveren. De Zeelandbrug illustreert deze wisselwerking tussen praktijkresultaten en besluitvorming.

Q&A

Bekijk de terugblik vanaf hier op YouTube

Wie bepaalt de grenzen bij het uniformeren van areaaldata?

De programmamanager heeft volgens De Jong vooral een adviesrol. Besluiten en structurele verankering moeten worden gedragen door de lijnorganisatie: de mensen die verantwoordelijk zijn voor het beheer van assets en de bijbehorende gegevens.

Om uniformering te ondersteunen, helpt het om uit te leggen waarom gegevens over organisatieonderdelen heen moeten kunnen worden gecombineerd. Inhoudelijke overtuiging alleen is echter niet voldoende. Lijnverantwoordelijken moeten ook sturen op de afgesproken werkwijze en grenzen stellen aan uitzonderingen.

Hoe krijgen ervaren medewerkers vertrouwen in een nieuwe werkwijze?

Begin met medewerkers die gemotiveerd zijn om te vernieuwen, ontwikkel stap voor stap en breng een eerste bruikbare versie snel naar de praktijk. Gebruikersfeedback maakt verbetering mogelijk. Laat bovendien zien welke concrete voordelen de toepassing in het werk oplevert.

Het tijdens een latere vraag toegelichte voorbeeld van Waternet laat zien dat vertrouwen kan groeien wanneer signaleringen vaker terecht blijken. Foutpositieve meldingen moeten worden meegenomen in het leerproces en de verwachtingen over een eerste versie moeten realistisch zijn.

Wat is de return on investment van DGAM bij Rijkswaterstaat?

Rijkswaterstaat heeft gewerkt aan een businesscase. De kosten zijn volgens De Jong redelijk goed in beeld, maar de opbrengsten zijn moeilijk volledig te kwantificeren en hard te maken. Hij ziet effecten in minder energieverbruik, levensduurverlenging en minder benodigde menskracht, maar noemt geen berekende return on investment.

Verdere toepassing en leerervaringen kunnen helpen om die effecten beter te onderbouwen. De Jong spreekt daarnaast de overtuiging uit dat nog geen 10 tot 20% van de daadwerkelijke waarde en het potentieel wordt benut, mede gezien de mogelijkheden van AI. Dit is zijn inschatting, geen gemeten resultaat.

Welke bestuurlijke steun is nodig?

Executive sponsorship is volgens De Jong een belangrijke factor. Bij Rijkswaterstaat staan de CIO, COO en de plaatsvervangend directeur-generaal die verantwoordelijk is voor assetmanagement achter de ontwikkeling.

Om deze steun te verkrijgen en te behouden, helpt het om te laten zien hoe de toepassing werkt en wat deze oplevert. Vooral verhalen van medewerkers die er dagelijks mee werken, zoals Jan Waal, maken de praktische waarde zichtbaar.

Wat is een goede eerste stap om de datakwaliteit te verbeteren?

Bepaal eerst waarvoor de gegevens nodig zijn en welke doelstelling ermee moet worden bereikt. Bij Rijkswaterstaat is dat bijvoorbeeld een programmering die kan worden samengevoegd. Daarvoor zijn niet noodzakelijk alle onderhoudsdetails nodig.

Werk vervolgens objecttype voor objecttype. De Jong noemt viaducten als voorbeeld: bepaal welke datavelden cruciaal zijn om hiervoor een goede programmering te maken. Als daarvoor bijvoorbeeld twintig velden nodig zijn, breng dan eerst die twintig op orde, in plaats van de 155 velden die een organisatie mogelijk zou kunnen bedenken. Deze aantallen worden als illustratie gebruikt.

Als aanvullende ondersteuning beschrijft het WCM Vector-kennisproduct Scan AM organisatie hoe een team de bestaande rollen, processen en informatieproducten of systemen in kaart kan brengen. De scan combineert bureaustudie en interviews om te bepalen hoe DGAM in het bestaande assetmanagementsysteem kan worden geïntegreerd.

Waar zijn de besproken methodieken en voorbeelden terug te vinden?

Het vierfasenplan en handreikingen over de DGAM-werkwijze zijn te vinden via de DGAM-community op WCM Vector. Tijdens het webinar waren de besproken sluisvoorbeelden daar nog niet uitgebreid uitgewerkt. De terugblikpagina van Platform WOW bevat de opname, beide presentaties en een uitlegvideo over Vector.

Dit artikel is samengesteld met behulp van AI op basis van de terugblik Tools en kennisproducten voor Datagedreven assetmanagement – 27 mei 2026. Mochten er onjuistheden in staan, neem dan contact met ons op.