Drie obstakels bij het opschalen van AI in AECO

Wat succesvolle AI-projecten onderscheidt van vastgelopen initiatieven

Het gesprek over Artificial Intelligence binnen Architecture, Engineering, Construction and Operations, AECO, is verschoven van theorie naar praktische toepassing. 84% van de AECO-leiders geeft aan dat AI een positieve impact heeft op productiviteit. Toch blijft de stap van een succesvolle pilot naar betekenisvolle integratie een uitdaging.

Tijdens het Expert Edge-webinar over AI delen drie AECO-experts van ARKANCE, Lantis en Autodesk hun praktijkervaringen en advies. Iedere expert geeft inzichten vanuit de eigen transformatiejaren om u te helpen obstakels en best practices te herkennen bij het succesvol opschalen van AI. Dit is wat zij hebben geleerd.

“De belangrijkste culturele opdracht waar iedere CEO op moet handelen is deze: erken dat AI er al is en dat uw medewerkers het al gebruiken. Maar om AI veilig op te schalen, moet leiderschap een duidelijke drie-eenheid neerzetten: sterk leiderschap, strikte governance en continue educatie.” Grégoire Arranz, Global CEO van ARKANCE

Organisaties die AI omarmen, ontsluiten potentieel voor efficiëntie en innovatie. Tegelijk zijn de valkuilen reëel en kunnen alleen bewuste leiderschap keuzes helpen om hier succesvol doorheen te navigeren. Zoals Greg live aangaf, zijn de productiviteitsverschillen in onze sector nu al groot. Wachten tot de technologie volledig volwassen is voordat u instapt, betekent dat u het risico loopt om überhaupt niet meer concurrerend te zijn.

Drie obstakels die uw uitrol ongemerkt vertragen

AI-projecten mislukken zelden door de technologie zelf. Ze lopen vast door wat eronder ligt. Drie obstakels komen steeds terug binnen AECO-organisaties en alle drie zijn te herkennen voordat er ook maar één tool wordt gekozen.

OBSTAKEL 1 Versnipperde data omgevingen

Data Volwassenheid is geen technisch obstakel, maar een strategisch obstakel. De helft van de AECO-leiders noemt het integreren van AI met bestaande systemen een grote uitdaging. Bijna altijd wijst dat integratieprobleem op dezelfde oorzaak: data die onvoldoende gestructureerd, toegankelijk of betrouwbaar is om op voort te bouwen.

Emmanuel Di Giacomo, BIM & AI Expert bij Autodesk, vat de volgorde helder samen: voordat een organisatie kan profiteren van AI, moet zij eerst de strategische doelstellingen definiëren, de juiste middelen beschikbaar maken, de beschikbare data beoordelen en haalbare KPI’s vaststellen met een duidelijke planning. Niet andersom.

Organisaties die concurrerend willen blijven, zetten collaborative common data environments, CDE’s, in als digitale ruggengraat. Daarmee structureren en beveiligen zij informatie voordat AI ermee aan de slag gaat. Op dit moment blijft 96% van de bouwdata ongebruikt, omdat die vastzit in afdeling silo's. Door deze informatie samen te brengen in een centrale CDE ontstaat meer vertrouwen en worden barrières doorbroken. Tegelijk wordt een belangrijk beveiligingsrisico aangepakt: een onbeheerde digitale ruggengraat kan vertrouwelijke projectinformatie beschikbaar maken voor de verkeerde personen.

Grégoire waarschuwt: “Het fundament is belangrijk, zodat AI gevoed wordt met informatie en nauwkeurige resultaten kan leveren. Maar het is ook essentieel voor beveiliging. Als u uw organisatie niet goed inricht, kunnen vertrouwelijke projectdata beschikbaar komen voor veel meer mensen dan u wilt.”

Zonder sterk data fundament faalt AI niet spectaculair. Het presteert simpelweg onder de verwachting.

OBSTAKEL 2 Denken vanuit tools

Teams die voorbij de pilotfase komen, leggen AI-adoptie niet alleen bij de technologie afdeling. Ze brengen het naar de mensen die het dichtst op het werk zitten. De meest voorkomende fout die organisaties maken, is AI behandelen als een IT-project.

Yanissa De Jonghe, Head of Digital & Data bij Lantis, is duidelijk over waar de echte maatstaf voor succes ligt: “AI creëert alleen waarde wanneer het verbonden is met het echte werk. AI is niet de verantwoordelijkheid van een IT- of digital afdeling. Het moet onderdeel worden van het DNA van een organisatie om echte impact te maken.”

Dat betekent: interne sponsors vinden, business process owners een plek aan tafel geven en een veilige omgeving creëren waarin testen en falen geen tegenslag is, maar onderdeel van de strategie. “Creëer een cultuur waarin het acceptabel is om dingen te testen. En als het mislukt, faal dan snel en leer vooruit,” zegt Yanissa.

De snelste resultaten komen vaak uit de minst opvallende processen. AECO-softwareplatformen integreren AI steeds vaker direct in de tools die teams al gebruiken. Dat verlaagt de technische drempel, maar Yanissa zag bij Lantis dat de snelste en meest waardevolle ROI juist kwam uit het automatiseren van niet-kernprocessen.

Administratieve taken, zoals het signaleren van afwijkingen in facturen en het beantwoorden van contractuele vragen, zijn vaak minder gedigitaliseerd. Daardoor heeft AI hier meer potentieel voor directe impact. Het beoordelen van deze taken en het definiëren van een strategisch doel is een goed startpunt.

Grégoire sluit zich aan bij deze stapsgewijze aanpak. Innovatie opdelen in behapbare onderdelen is volgens hem de snelste manier om te leren en vooruit te falen. Tegelijk benadrukt hij dat quick wins centraal verankerd moeten zijn: “Modulariteit maakt snelheid mogelijk, maar een gecoördineerd programma om de juiste beleidslijnen en leerpraktijken te implementeren is essentieel om lessen binnen het hele bedrijf te kunnen benutten.”

OBSTAKEL 3 De adoptiecurve onderschatten

Traditionele aannames over wie nieuwe technologie tegenhoudt en wie adoptie aanjaagt, worden binnen AECO op hun kop gezet. Het negeren van het menselijke ritme van adoptie is een governance fout die zelfs goed gefinancierde programma’s kan vertragen.

Yanissa zag dit direct bij Lantis: de meest actieve early adopters zijn ervaren rollen, projectdirecteuren en senior assistants, die AI gebruiken om hun productiviteit te versnellen zonder angst voor vervanging.

Dezelfde trend versnelt in de hele sector, met name door agentic AI, AI die is ontworpen om workflows zelfstandig uit te voeren. Grégoire merkt op dat de meest transformerende directe impact plaatsvindt in data- en context-intensieve rollen, specifiek RFQ’s, offertes, accounting en customer support. In deze fase is de opdracht echter niet om taken volledig te delegeren, maar om AI te gebruiken als versneller van menselijke productiviteit.

Om voorbij dit obstakel te schalen, vraagt echte integratie om aansluiting bij waar medewerkers staan. Dat betekent gespecialiseerde technische training combineren met praktische educatie, zodat blijvend vertrouwen ontstaat in deze geavanceerde oplossingen. Door de vaardigheden van teams te versterken, zorgen embedded AI-platformen ervoor dat juist de mensen die projecten voortdrijven beter worden ondersteund.

De vraag is niet langer ROI, maar RONI

Voor besluitvormers die nog twijfelen, is het gesprek verschoven. Het risico zit niet in investeren in AI. Het risico zit in wachten en in het niet investeren, RONI.

Traditionele ROI-modellen zijn lastig te berekenen, omdat de technologie nog relatief kort bestaat. Maar de kosten van niets doen zijn duidelijk. Greg gaf aan dat early adopters nu al productiviteitswinsten van 5% tot 10% behalen. In een sector met krappe marges zoals AECO zorgt een efficiëntie kloof van 10% direct voor een groot concurrentienadeel voor organisaties die ervoor kiezen om af te wachten.

“Het is een vergissing om te denken dat digitale transformatie begint met een tool, in plaats van met een duidelijke organisatiebehoefte, of dat AI-investeringen altijd veel kapitaal en een trage ROI vereisen,” zegt Yanissa.

Zij noemt dit de “kosten van legacy”: hoe langer een organisatie wacht met het bouwen van een data fundament en verandervermogen, hoe duurder toekomstige aanpassing wordt. Lantis ervaarde dit concreet toen COVID uitbrak. Dankzij hun digitale voorbereiding konden 300 tot 400 externe contractors op dag één overschakelen naar remote werken. Dat was geen toeval. Het was het resultaat van beslissingen die jaren eerder waren genomen.

Volgens Emmanuel ligt de toekomst van digitale transformatie in Outcome-Based BIM. Embedded AI-tools kunnen AECO-organisaties helpen hun data pijplijn op te schonen en sneller BIM-volwassenheid te bereiken. Bij het beoordelen van oplossingen adviseert hij om te controleren of ze drie pijlers ondersteunen: automatiseren om repetitieve taken te verminderen, assisteren om bruikbare inzichten naar boven te halen en versterken om de creativiteit van ontwerpers te vergroten.

De kloof tussen pilots en integratie is geen technologie probleem. Het is in gelijke mate een data- en mensen probleem. De organisaties die het meeste uit AI halen, zijn niet alleen organisaties met schone en goed beheerde data. Het zijn ook organisaties waar mensen op ieder niveau adoptie aanjagen, betere vragen stellen en nieuwe gewoontes opbouwen.

Data geeft AI iets om mee te werken. Cultuur geeft AI een plek om naartoe te groeien. Als beide kloppen, blijft de basis die u bouwt ook echt staan.

Partner voor innovatie

Grégoire beschrijft de ideale relatie niet als een leverancier transactie, maar als een echt partnerschap: “Wij zien dit als co-inventie werk. Onze klanten bezitten de intellectuele eigendom van hun data en branchekennis. Zij weten hoe ze efficiënt moeten ontwerpen en goed moeten bouwen. ARKANCE brengt de methode, de datastructuur en de ervaring om de technologie op de meest veilige, betrouwbare en waardevolle manier te implementeren.”

ARKANCE werkt samen met organisaties om teams te begeleiden, toe te rusten en te versterken bij AI-adoptie. Van het bouwen van de juiste data fundament tot het opschalen met vertrouwen. Ontdek de Expert Edge-serie voor praktijkgerichte strategieën en lessen van ervaren leiders die verandering vormgeven. Transformatie vraagt om een team. Wij staan naast u.

Neem contact met ons op om te starten met het bouwen van uw AI-roadmap.