Onderhoud-copilot
De meeste onderhoudsplanning reageert op wat al kapot is. Voorspellende modellen kunnen dat in plaats daarvan maanden van tevoren signaleren, en dat is de AI-laag die ik toevoeg bovenop het MJOP-werk dat ik al doe.
Het probleem
De meeste woningcorporaties en vastgoedteams plannen onderhoud nog vanuit een vast meerjarenschema, met de hand bijgewerkt en hooguit één keer per jaar herzien. Tegen de tijd dat een dak, een installatie of een gevel daadwerkelijk aandacht nodig heeft, is het plan alweer verouderd, en de beheerder hoort het meestal via een klacht, niet via een voorspelling.
Hoe het werkt
Het startpunt is hetzelfde MJOP-werk dat ik al als vaste baan doe: gestructureerde, geverifieerde conditiedata op elk bouwdeel. Daarbovenop ligt een voorspellende laag, getraind om te signaleren welke onderdelen richting uitval bewegen, maanden voordat ze daadwerkelijk uitvallen, in plaats van te wachten op de volgende geplande inspectie.
Het vervangt het oordeel van een inspecteur niet. Het vertelt de inspecteur waar als eerste te kijken, en geeft een portefeuillebeheerder een plan dat zichzelf bijwerkt in plaats van stilletjes te verouderen in een la tot de volgende budgetronde.
Waar dit is bewezen
Dit is dezelfde verschuiving die ik bij Bryder liet maken door Nederlandse woningcorporaties: van statische spreadsheets naar een levend, digital-twin-gestuurd platform voor MJOP-planning.
Lees de case study →Klinkt dit als jouw eigenlijke probleem?
Plan 20 minuten, geen pitch deck