Bij VINU werken we graag met deskundige partners aan ruimtelijke vraagstukken. Als strategisch ontwerpbureau volgt PosadMaxwan digitale innovaties op de voet. Ook ontwerpen zij zelf tools die het integraal werken in het ruimtelijk domein ondersteunen.
VINU-ers Menno van Dijk en Esther Matthijsen spraken met Ganesh Babu en Elena Chevtchenko van PosadMaxwan over de opkomst van AI en de veranderende rol van projectmanagers en ontwerpers binnen ons werkveld. Neemt AI ons werk over of omarmen we deze nieuwe ontwikkeling?
In een wereld waar digitalisering en AI aan terrein winnen, rijst de vraag:
Ganesh en Elena beantwoorden deze vraag simpelweg met ‘nee’. Zij zien AI niet als een bedreiging, maar als een waardevolle tool die het werk van ruimtelijk ontwerpers efficiënter maakt én nieuwe mogelijkheden biedt.
Intelligentie die elkaar aanvult
Ganesh en Elena benadrukken dat AI de stedenbouwkundig ontwerper niet vervangt, maar het werk van de ontwerper juist verrijkt. Het creatieve proces van AI verschilt fundamenteel van de menselijke creativiteit. Mensen hebben fantasie. Hoe groter de menselijke verbeeldingskracht hoe breder de oplossingsmogelijkheden zijn. AI-modellen zijn voornamelijk goed getrainde patroonherkenners van data. Het gebruik van AI tools stelt ontwerpers in staat om efficiënter te werken en nieuwe perspectieven te verkennen.
Elena legt uit dat, hoewel AI geavanceerd is in patroonherkenning, het een aantal beperkingen kent. Sommige zijn technologisch van aard, andere zijn inherent aan de technologie zelf. De huidige AI-modellen zijn dan ook volledig afhankelijk van hoe ze gevuld en getraind worden. “We experimenteren nu met ‘diffusion models’, zoals DALL-E, voor het creëren van visualisaties. Dit kun je zien als een gerichte zoektocht naar nog niet bestaande beelden. AI dient hier als inspiratiebron voor nieuwe ideeën. We zijn eigenlijk op zoek naar het samenspel tussen het menselijk brein en de mogelijkheden van AI-modellen.
Toepassing van AI in de Praktijk
We zetten in ons werk steeds vaker AI en andere digitale innovaties in. Voor de gemeente Utrecht bijvoorbeeld maakte PosadMaxwan bijvoorbeeld digitale opgavekaarten voor de ondergrond. “Alle opgehaalde informatie van verschillende beleidssectoren leg je (eenvoudiger dan analoge kaarten) over elkaar heen en je ziet direct waar de complexiteit zit. Waar stapelen opgaven zich op en waar is nog ruimte? Welke opgavetrekkers moeten met elkaar aan tafel?”
Ganesh en Elena merken dat bijvoorbeeld met behulp van digital twins ook al een enorme efficiencyslag wordt gemaakt. “Door de veelheid aan beschikbare data over beleid, stedelijke structuren, mobiliteit, bevolkingsopbouw, energiestructuren, enzovoorts, is het mogelijk om een redelijk complete digitale versie van de fysieke leefomgeving op te bouwen. Voeg daar alle ambities en prioriteringen aan toe en je ziet wat wel en niet kan. Anders gezegd helpt het ons in ons werk om onderbouwde afwegingen te kunnen maken. Een volgende stap is om de ‘fysieke’ data integraal te verwerken en te combineren met bijvoorbeeld sociale data. Op die manier kunnen we opgaven, toekomstscenario’s en afwegingen écht integraal benaderen, zoals de bedoeling is onder de Omgevingswet.”
Integrale afweging is een leerproces
Ganesh legt uit dat het ontwikkelen van integrale afwegingsmodellen een leerproces is, zowel voor ons als ruimtelijke professionals als voor onze opdrachtgevers én voor AI. “Door modellen keer op keer met de juiste data te vullen wordt een model getraind om toepassingen te herkennen. Met input vanuit verschillende beleidssectoren kan zo’n systeem verder uitgebouwd worden.” Als je alle huidige claims en toekomstopgaven over elkaar heen legt én je ambities en randvoorwaarden zo concreet mogelijk omschrijft én prioriteert, kun je voor de nabije toekomst – met behulp van AI – de meest optimale scenario’s genereren. Bijkomend voordeel hierbij is dat beleidsspecialisten – doordat zij elk hun eigen data aanleveren – zich veel bewuster worden van de complexiteit en integraliteit. Dit intersectorale proces van het gezamenlijk ontwikkelen van een model is op zichzelf al een eerste stap in de richting van integrale ontwikkeling.
Een schaalsprong als volgende stap
Digitale instrumenten, AI-modellen en het genereren van scenario’s zijn toepasbaar op verschillende schaalniveaus. Het ideaalbeeld reikt verder dan individuele projecten: een wereldwijde digital twin waar ‘natural resource management’ – de manier waarop mensen en natuurlijke bronnen zoals land, water, bodem, planten en dieren met elkaar omgaan – op integrale wijze plaatsvindt. Alle positieve en negatieve gevolgen van onze beslissingen worden zo op elk niveau zichtbaar gemaakt.
Neem bijvoorbeeld de ambitie van de EU om in 2050 volledig klimaatneutraal en circulair te zijn. Niemand heeft al eens berekend wat de inzet dan per land zou moeten zijn, en of dat überhaupt haalbaar is in zo’n land. Het zou enorm helpen om draagvlak te creëren voor een ambitieuze opgave als je de impact van maatregelen aan de hand van voorspellende modellen kunt laten zien. Digitale instrumenten helpen om complexiteit begrijpelijk te maken, zónder het te versimpelen.
We blijven hard nodig
Stedenbouwkundigen bouwen hun modellen en scenario’s met eigen expertise en oordeelsvorming én met maatschappelijke input. De uitkomsten van een AI-model zijn dan ook afhankelijk van degene die ze bouwt. Als professional moet je continu blijven nadenken over de vragen en opgaven waar een oplossing voor moet komen. Dus blijf nadenken over de keuzes die je maakt bij het vullen van het model – welke data gebruik je, welke niet en wat doe je ermee. Dat bepaalt namelijk de uitkomst van mogelijke scenario’s. Het vastleggen en uitleggen van je bronnen is cruciaal voor de maatschappelijke acceptatie van de resultaten.
Voor projectmanagers is het belangrijk om politieke bestuurders goed mee te nemen in dit proces. Zij moeten zelf ondervinden dan AI-modellen geen ‘black box’ zijn, maar nauwkeurig opgebouwde data-analyses, waarin gedegen keuzes gemaakt zijn die de uitkomst zullen bepalen. Dat is enorm belangrijk voor het nemen van strategische beslissingen. Door open te zijn over de opbouw van AI-modellen en toe te lichten hoe ze werken zullen ook meer mensen geneigd zijn om de uitkomsten ervan te onderschrijven.
Met alle informatie die AI-modellen kunnen verwerken en genereren zal meer, integraler én sneller inzicht komen in oplossingsrichtingen. Maar in het politiek verdeelde krachtenveld zal altijd werk blijven om mensen tot toekomstbestendige besluiten te verleiden. En verleiden is nog steeds mensenwerk, zelfs met waterdichte objectieve onderbouwing.