De Omgevingswet beoogt wat ruimtelijk Nederland al decennia nastreeft: integraal denken. Niet meer per sectorale regel beoordelen wat ergens mag, maar in samenhang kijken naar wat een gebied kan dragen en bieden. Maar ook met de alles-in-één-wet blijft dat lastig. Een ruimtelijke ordenaar die woninglocaties zoekt, moet tegelijk rekening houden met stikstofruimte, bodemgesteldheid, wateropgave, energiecapaciteit, ecologische waarden. Het omgevingsplan integreert die regels in theorie, maar in de praktijk moet je daarvoor tientallen lagen en systemen doorzoeken. Daardoor worden kansen gemist, duurt besluitvorming lang en sneuvelen plannen op randvoorwaarden die te laat in beeld kwamen. Of in de woorden van het UN-Habitat-rapport GeoAI Toolkit for Urban Planners uit 2025: 'traditionele methoden worstelen om bij te blijven met de snelheid, schaal en complexiteit van hedendaagse stedelijke verandering.'
Geospatial knowledge graphs bieden een uitweg doordat ze onzichtbare relaties in de ruimte zichtbaar en doorzoekbaar maken. GeoAI biedt volgens het UN-Habitat-rapport een 'hogere nauwkeurigheid, significant snellere analyse en kostenefficiëntie door het automatiseren van dataverwerking en het schalen van ruimtelijke analyse over grote en complexe stedelijke gebieden.' Maar hoe werkt dat? Om dat te begrijpen, is het nodig de technologie te doorgronden. Die bestaat uit drie lagen die op elkaar voortbouwen.
Laag één: het taalmodel
Generatieve AI werkt met LLM’s, Large Language Models. Deze zijn getraind met enorme hoeveelheden tekst. Lars van Vianen, AI-ontwerper en curator bij de City Deal Over AI, legt het uit aan de hand van een sportmetafoor: 'Vergelijk het met nemen van een strafschop. Dat kan je op veel manieren doen en voetballers trainen daar ook op, zodat ze op het moment dat bal op de stip wordt gelegd bijna instinctief de goede keuze maken. Daar zijn ze op getraind. Zo werkt een LLM ook. Je geeft een LLM bij wijze van spreken een set van wel tien miljoen vragen en antwoorden binnen een bepaald thema. Op het moment dat je hem dan uiteindelijk gaat gebruiken, zal hij nooit exact het antwoord geven wat in een van die trainingssetjes zat, maar hetgeen het meest dicht bij het goede antwoord komt. Net als die voetballer die door alle getrainde strafschoppen, tijdens de wedstrijd weet wat hij moet doen.'
Maar een LLM is een taalmodel en dus vooral heel goed in taal: uitleggen, samenvatten, verbanden benoemen. Voor ruimtelijke ordening schiet het fundamenteel tekort. 'In zijn meest pure vorm kan een taalmodel geen kaart lezen,' zegt Van Vianen. 'Het weet niet goed wat ruimtelijke relaties zijn. Het begrijpt niet hoe bepaalde vlakverdelingen in de stad een ruimtelijke relatie met elkaar hebben.' Een taalmodel weet wel wat een boom is. Ook wel hoe die er uit ziet. Maar het weet niet waar die staat, en nog minder wat de planologische betekenis is van de relatie tussen die boom en de kavel ernaast, dat moet het leren.
Op het moment dat je hem dan uiteindelijk gaat gebruiken, zal hij nooit exact het antwoord geven wat in een van die trainingssetjes zat
Laag twee: RAG
Retrieval Augmented Generation, afgekort RAG, is de manier waarop een taalmodel deze beperkingen omzeilt. 'Terwijl zo'n model een antwoord genereert kan het ook de informatie opzoeken in andere, vooraf ingevoerde, bronnen. En daarmee verbetert het zijn eigen antwoord,' legt Van Vianen uit. Het kijkt als het ware in een boekenkast met relevante boeken. 'Vergelijk het nu met de keeper die de strafschop moet houden en op zijn drinkfles kijkt om te weten welke hoek de strafschopnemer waarschijnlijk kiest.' Voor de ruimtelijke ordening is dit relevant omdat het de herleidbaarheid van kennis herstelt. Een gewoon taalmodel weet niet meer waar zijn kennis vandaan komt, het zit als een soort spiergeheugen in het model. Een RAG-systeem haalt informatie op uit aangewezen bronnen en vermeldt daarbij ook de bron. Zo wordt het systeem verantwoordbaar: een planologische afweging is niet langer gebaseerd op een ondoorzichtig model, maar op aantoonbare documenten.
De RAG-laag maakt het ook mogelijk om een model te voeden met lokale kennis: het omgevingsplan van een specifieke gemeente, de beleidsregels voor een bepaald gebied, de stikstofberekeningen voor een regio. 'Dan maak je eigenlijk een planologie-RAG,' aldus Van Vianen. Een systeem dat niet alleen algemene kennis heeft, maar specifiek de context kent van het gebied waarover de planoloog vragen stelt.
Laag drie: de geospatial knowledge graph
'Dat is belangrijk, maar je weet nu nog steeds niet zo goed de relaties tussen objecten in de ruimte', zegt Van Vianen. 'En daarvoor zou je goed binnen je RAG-systematiek een kennisgraaf kunnen inzetten.' Want een knowledge graph is een netwerk van knooppunten en relaties. Van Vianen: 'Een graaf is als een spinnenweb. Punten, entiteiten eigenlijk, die met elkaar verbonden zijn door middel van lijntjes, de relaties tussen die punten.' Wat een ruimtelijke knowledge graph toevoegt, is de koppeling van die relaties aan geodata.
Een traditioneel GIS-systemen is goed in geometrie: een punt, een vlak, een lijn. Het ziet dat een boom in een park staat. Maar begrijpt niet de planologische betekenis van de relatie tussen die boom, het nabijgelegen woongebied, de ecologische zone die erover heen ligt en de bouwregel die daarmee samenhangt. Het UN-Habitat-rapport over GeoAI stelt dat kennisgrafen 'een gestructureerde manier bieden om ruimtelijke informatie te representeren en er over te redeneren. Ze modelleren entiteiten zoals plaatsen, gebeurtenissen en waarnemingen als knooppunten, en hun ruimtelijke of semantische relaties als verbindingen.' Van Vianen: 'Er zijn twee aspecten belangrijk aan een ruimtelijke knowledge graph. Enerzijds maak je de onzichtbare relaties in een stad expliciet. En anderzijds kan je die relaties terugkoppelen naar de fysieke leefomgeving.'
Kennisgrafen bieden een gestructureerde manier om ruimtelijke informatie te representeren en er over te redeneren
Het antwoord op het planologische probleem
De drie lagen samen - een LLM gecombineerd met een RAG op basis van een geospatial knowledge graph - vormen een systeem dat doet wat de ruimtelijke ordenaar tot nu toe niet kon: alle relevante relaties tegelijkertijd bevragen, ook de onzichtbare.
Van Vianen geeft een concreet voorbeeld uit de woningbouwpraktijk: 'Als je woningen wilt gaan bouwen, dan kan je vragen: ik zoek gebieden die beschikbaar zijn voor optopping, verdichting of nieuwbouw, die de ecologische omstandigheden hebben dat er überhaupt huizen gebouwd mag worden en waar genoeg ruimte op het energienet zit zodat er ook gebouwd kan worden.' De graph doorzoekt vervolgens alle relaties: het omgevingsplan, de stikstofruimte, de bodemgeschiktheid, de energiecapaciteit. 'De relaties in de ruimte kan je goed analyseren en terugkoppelen naar de ruimte zelf. Dan krijg je een overzicht van de kavels waar je kan bouwen gerangschikt op de parameters die je zelf wil.'
Daarmee kan je met een geospatial knowledge graph werken vanuit wat er nog wel kan. De traditionele werkwijze redeneert van opgave naar locatie: er moeten woningen komen, wat zijn de kaders, wat mag hier? Geospatial knowledge graphs keren die redenering om: niet ‘mag het hier?’, maar ‘waar komen de condities samen?’ Het UN-Habitat-rapport bevestigt dat dit een fundamenteel andere blik op planning oplevert. Dit stelt ruimtelijke planners in staat om 'meer geïnformeerde en op bewijs gebaseerde beslissingen te nemen, zelfs in contexten waar data schaars zijn' en biedt 'geavanceerde voorspellende en analytische capaciteiten' die handmatige analyse simpelweg niet kan evenaren aldus het UN-Habitat rapport.
De vakprofessional blijft in controle
Dit versterkt het vakmanschap van de ruimtelijke ordenaar en planoloog stelt Van Vianen: 'Zonder die vakkennis is zo'n model veel te generiek en waarschijnlijk zelfs nutteloos en niet toepasbaar.' De graph is zo goed als de kennis die erin zit en de vragen die eraan gesteld worden. De planoloog bepaalt welke relaties relevant zijn, welke ronnen worden ontsloten, welke vragen worden gesteld. Het systeem analyseert, de mens oordeelt.
Het UN-Habitat-rapport benadrukt dat. GeoAI moet worden ingezet 'als ondersteuning van beslissingen, maar niet als enige basis daarvoor, waarbij een balans wordt bewaard tussen wat de technologie biedt en de validatie door professionals in het veld.' Dat is geen voorbehoud, maar een architectuurkeuze: de graph maakt het vakmanschap van de planoloog niet overbodig, maar legt het vast en versterkt het.
AI versterkt je als vakprofessional. En het haalt direct de informatie naar boven die je nodig hebt.
'Versterken en beter ontsluiten, daar gaat het om,' zegt Van Vianen. 'AI versterkt je als vakprofessional. En het haalt direct de informatie naar boven die je nodig hebt. Waar de planoloog nu handmatig door lagen moet, volstaat straks een gerichte vraag in gewone taal. Niet als vervanging van het ruimtelijk oordeel, dat blijft mensenwerk, maar als enorme versnelling van de analysefase die eraan voorafgaat. Zo kan je dus echt integraal werken.
