Tien jaar geleden startte ik mijn eerste serieuze data-analyse voor de Praktijkproef Amsterdam. Wekenlang puzzelde ik op een set lusdata van de A10, schreef scripts, deed validaties op basis van trial-and-error en bouwde visualisatietools om te controleren of de uitkomsten klopten. Het resultaat: een rapport met inzicht in knelpunten op één corridor. Mooi werk, maar het kostte me maanden.
Vorige maand zette ik een vergelijkbare analyse op in een middag. Niet zozeer omdat ik in die tijd beter ben geworden – dat ook, hoop ik – maar omdat AI-tools het zware werk overnamen. Dataverkenning, modelkeuze, visualisaties: het gaat nu in een handomdraai.
Wat betekent dit voor ons vakgebied? Aan angstscenario’s geen gebrek. Anthropic-CEO Dario Amodei voorspelt dat de helft van alle starterfuncties in kenniswerk binnen vijf jaar verdwijnt. Grote woorden! Zal het zo’n vaart lopen?
De paradox
Eerst een stap terug. Die analyse van tien jaar geleden betrof autoverkeer. Voor de auto hebben we een indrukwekkend data-ecosysteem opgebouwd, met lusdetectoren, floating car data en ANPR-camera’s. Dus als je wilt weten hoe het verkeer op de A2 er gisteren in de avondspits voorstond, is dat via NDW binnen vijf minuten te achterhalen.
Maar probeer datzelfde eens voor de stroom fietsers op het Vredenburg. Of voor de busreiziger in Zaanstad. Of voor de voetganger in welke stad dan ook.
Dat is dus het rare. Het huidige mobiliteitsbeleid zet volop in op lopen, fietsen en openbaar vervoer. Maar de data waarmee we de kwaliteit van die modaliteiten in beeld brengen? Die is fragmentarisch, arbeidsintensief om te ontsluiten en zelden netwerkdekkend. Ov-data zijn beschikbaar en verrassend rijk, maar de juiste informatie eruit halen kost veel handwerk. Fietsdata komt uit een lappendeken van apps, VRI’s en telpunten. En voor voetgangers staan we nog bijna op nul.
We weten het meest over de modaliteit die we beleidsmatig het minst prioriteit geven.
De versnelling
Terug naar AI. Want dezelfde AI die ons mogelijk banen gaat kosten, biedt ons vakgebied ook een ongekende kans.
Vroeger werd mijn creativiteit begrensd door tijd en budget. Een pragmatische vuistregel, een eenvoudig statistisch model – dat was wat er met mijn handwerk in zat. Nu is alleen de creativiteit zelf de beperkende factor. Het punt is niet langer ‘heb ik de capaciteit om dit uit te zoeken?’, maar:‘stel ik de juiste vraag?’. Je kan AI dus ook zien als technologie die menselijke expertise niet vervangt, maar uitbreidt.
En die uitbreiding kunnen we goed gebruiken. Stel je voor: periodieke multimodale netwerkmonitoring waarbij je ziet waar de prestatie van de ene modaliteit de andere beïnvloedt. Betere verkeerstoestandschatters die auto’s én fietsers en ov meenemen. Voorspelmodellen die een verkeersmanager helpen om op netwerkniveau te sturen, multimodaal.
De bouwstenen liggen er. Ov-data die bedoeld zijn voor real-time reisinformatie, blijken ook bruikbaar voor historische prestatieanalyses. En het is goed nieuws dat NDW al voor een paar wegbeheerders v-log-data verwerkt. De volgende stappen zijn nu: 1) landelijke dekking en 2) het standaardiseren van de vertaalslag van ruwe v-log-data naar indicatoren die direct gekoppeld zijn aan de multimodale netwerken. Ik denk dat NDW de aangewezen partij is om dat centraal te regelen.
Tien jaar geleden was dit een vergezicht. Nu is het een kwestie van doen. De databronnen worden steeds completer en AI maakt het mogelijk om ze samen te brengen op een manier die voorheen ondenkbaar was. Maar de kwaliteit van de output staat of valt met de kwaliteit van de vraag. Jij verzint, de machine draait. Dat maakt vakkennis niet overbodig – het maakt ze waardevoller dan ooit.
