Grotendeels ja. Het bijhouden van stroom-, gas- en watermeters, het signaleren van afwijkingen en het aandragen van besparingsmaatregelen is een taak die zich goed leent voor een AI-agent, mits de data er is. Bij een locatie zonder slimme meters of met verbruik dat handmatig wordt afgelezen, is dat antwoord anders. Deze pagina legt uit waarom, aan de hand van het profiel dat wij voor deze taak gebruiken.
Drie assen geven hier de doorslag: gestructureerdheid, foutkosten en volume.
Het verbruik van stroom, gas of water komt uit systemen die al gestructureerd data leveren: meterstanden, tijdstempels, facturen. Er is geen vrije tekst te interpreteren, geen telefoongesprek te voeren, geen document te lezen dat per leverancier anders is opgemaakt. Een energiemanagementsysteem levert een reeks getallen, en een afwijking daarin -- een piek op een zondagmiddag, een verbruik dat drie keer zo hoog is als vergelijkbare weken -- is met een vaste rekenregel te herkennen. Dat is precies het soort werk waar een AI-agent op vandaag al goed op scoort: patroonherkenning op gestructureerde reeksen, continu, zonder dat de aandacht verslapt na de vijftigste meterstand.
De foutkosten zijn beperkt. Als de analyse een verbruikspiek een dag te laat signaleert, of een besparingsvoorstel doet dat niet optimaal is, kost dat geen klant, geen boete en geen productiestop. Het kost op zijn hoogst een paar euro aan energie of een gemiste kans op besparing die de week erna alsnog wordt opgemerkt. Vergelijk dat met een taak als kwaliteitscontrole op een product, waar een gemiste afwijking direct een product buiten specificatie oplevert: daar liggen de foutkosten wezenlijk hoger, en dat verklaart waarom toezicht daar zwaarder wordt ingericht.
Het volume is hoog en repetitief. Een locatie met meerdere meters, meerdere leveranciers en dagelijkse of uurlijkse standen produceert een gestage stroom data die zich niet leent voor incidentele, handmatige controle. Een facility manager die dit nu doet, kijkt doorgaans periodiek naar een dashboard of een factuur; een agent kan continu monitoren en alleen naar boven escaleren wat buiten de norm valt.
Drie andere assen relativeren het beeld: oordeelsruimte, creativiteit en compliance scoren gematigd, niet laag.
Een afwijking signaleren is anders dan een besparingsmaatregel doorvoeren. Of een piek in het watergebruik wijst op een lek, een storing in een installatie, of gewoon een schoonmaakploeg die een extra dienst draaide, vraagt iemand die de locatie kent. De agent kan het signaal geven en een aantal verklaringen aandragen; de facility manager of technische dienst bepaalt welke maatregel past en wanneer die wordt uitgevoerd. Dat is het patroon dat bij deze taak past: AI signaleert en rekent, een mens beoordeelt met toezicht dat goedkeurt of afkeurt met reden.
Compliance speelt een rol zodra verbruiksdata wordt gebruikt voor rapportage aan een toezichthouder, een certificering of een duurzaamheidsverslag. Daar is een vastgelegde verantwoordelijkheid nodig voor wie de cijfers heeft gecontroleerd voordat ze extern gaan, ook als de onderliggende analyse door een systeem is gedaan.
Of dit vandaag al werkt bij een specifiek bedrijf, hangt af van twee randvoorwaarden. Sensordata moet beschikbaar zijn: slimme meters of een energiemanagementsysteem dat continu of op regelmatige interval standen doorgeeft. Zonder die koppeling is er niets om op te analyseren, en blijft het bij een handmatige aflezing die iemand periodiek in een spreadsheet zet. Daarnaast is een koppeling met de facturatie van de leverancier nuttig, zodat een afwijking in verbruik direct te vertalen is naar een bedrag, in plaats van alleen een aantal kilowattuur of kuub.
Bedrijven met oudere installaties, gehuurde panden zonder eigen meterdata, of locaties waar de nutsvoorziening via de verhuurder loopt, missen die randvoorwaarden vaak. Daar blijft het monitoren voorlopig mensenwerk, tot de meetinfrastructuur is aangepast.
Wat hier verandert, is niet dat facility management verdwijnt, maar dat het werk verschuift van periodiek aflezen naar continu monitoren met uitzonderingsafhandeling. Dezelfde beweging is te zien bij andere taken die op gestructureerde data draaien: het berekenen van materiaalbehoefte per order volgt een vergelijkbaar patroon, waar een vaste rekenregel het grootste deel van het werk doet en een mens de uitzondering beoordeelt. Ook bij het inboeken van inkomende goederen is dat te zien: veel gestructureerde invoer, weinig oordeelsruimte, en toezicht dat zich concentreert op de afwijkingen. De hoeveelheid vrijgespeelde tijd hangt dus niet af van de sector, maar van hoe gestructureerd de onderliggende data al is.
Dit is geen aanbeveling om functies te schrappen. Als een verschuiving in taken gevolgen heeft voor personeel, gelden daarvoor eigen wettelijke vereisten; die worden hier niet behandeld. Deze pagina beschrijft alleen welk deel van het werk zich, op basis van de aard van de taak, laat overnemen door een systeem, en welk deel toezicht blijft vragen.
Of dit specifiek voor uw locatie geldt, hangt af van welke meters, systemen en leveranciers u heeft, en van hoe uw facility- of technische dienst nu al met die data werkt. De gratis quickscan van FTE TO AI bestaat uit twaalf vragen, zonder account, en geeft een indicatie van welk deel van de uren in een profiel als dit vandaag door AI is over te nemen. De volledige werkscan, die het werk van een heel bedrijf tot op taakniveau in kaart brengt, is nog in aanbouw.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.