Geactualiseerde Startanalyse + AI geven gemeenten een sterke basis voor aardgasvrije warmteplannen die lokaal kloppen en toekomstbestendig zijn.
Hoe Startanalyse en AI gemeenten helpen naar aardgasvrij
In 2026 moeten álle Nederlandse gemeenten een concreet warmteprogramma hebben liggen. Geen visie op papier, maar harde keuzes per buurt: warmtenet, (hybride) warmtepomp of toch langer op gas? Terwijl de klok richting 2030 en 2050 tikt, wordt de ruimte voor uitstel kleiner.
De geactualiseerde Startanalyse Aardgasvrije buurten van het PBL geeft daar nu een stevige basis voor. Tegelijk zie je dat die basis direct vraagt om iets waar veel gemeenten nog mee worstelen: slim omgaan met onzekerheid, varianten vergelijken en plannen blijven bijsturen. Precies op dat kruispunt – data, keuzes en onzekerheid – wordt AI in de energietransitie interessant.
In deze blog leg ik uit wat er echt in de nieuwe Startanalyse schuilgaat, waar de gevoeligheden zitten (klimaatneutraal gas, warmtenetten, kostenverdeling) én hoe je als gemeente, netbeheerder of energiebedrijf AI kunt inzetten om van landelijke analyse naar lokaal uitvoerbaar warmteplan te komen.
Wat de geactualiseerde Startanalyse wél en níet zegt
De kern: de geactualiseerde Startanalyse berekent voor ruim 14.000 buurten en 3.500 wijken wat, op nationale schaal, de goedkoopste route is naar klimaatneutrale verwarming. Er wordt gerekend met 4 hoofdstrategieën en 18 varianten, variërend van all-electric warmtepompen tot warmtenetten en hybride systemen.
Belangrijk:
- Het is geen blauwdruk voor hoe Nederland er in 2050 uitziet.
- Het is wél een startpunt voor gemeenten om eigen warmteplannen te scherpen.
Oftewel: de Startanalyse zegt iets over de nationale kosten per buurt, niet over lokale haalbaarheid, politieke keuzes of de verdeling van kosten tussen rijk, gemeente, corporatie en bewoner.
Geen grote verschuivingen sinds 2020
Volgens het PBL zijn er landelijk geen enorme verschuivingen ten opzichte van 2020. De belangrijkste inhoudelijke wijziging is deze:
- Er wordt niet meer gerekend met hr-ketels op aardgas als eindoplossing.
- De beperkte hoeveelheid klimaatneutraal gas (groen gas of groene waterstof) wordt nu vooral ingezet in hybride warmtepompen.
Gevolg: dat klimaatneutrale gas wordt verdeeld over meer aansluitingen, vooral in dunbevolkte gebieden. Daardoor blijft naar verwachting ongeveer 4 procentpunt meer gebouwen op een gasnet aangesloten dan in de vorige analyse.
De boodschap: de grote lijnen blijven overeind, maar de rol van klimaatneutraal gas en hybride systemen is scherper neergezet.
Onzeker klimaatneutraal gas: waarom AI hier verschil maakt
De PBL-analyse gaat uit van 2 miljard m³ klimaatneutraal gas in 2050, conform het streven uit het Klimaatakkoord. Maar iedereen die met energiebeleid bezig is weet: die hoeveelheid is hoogst onzeker. Minder beschikbaar gas of hogere prijzen zetten de businesscase van hybride warmtepompen direct onder druk.
De Startanalyse rekent daarom scenario’s door. Waar hybride warmtepompen nu de goedkoopste optie lijken, vallen bij een lager gasaanbod vaak all-electric warmtepompen beter uit. In die buurten wordt isolatie cruciaal, omdat elektrische warmtepompen nu eenmaal goede schilisolatie nodig hebben.
Hoe AI kan omgaan met scenario’s en onzekerheid
Hier zie je een klassieke plek waar AI voor de Nederlandse energietransitie waarde toevoegt:
- AI-modellen kunnen scenario’s doorrekenen: wat gebeurt er met je warmteplan als er 1,5 in plaats van 2 miljard m³ groen gas is? Of als de gasprijs 40% hoger uitvalt?
- Met machine learning kun je historische marktdata, beleidstrends en internationale ontwikkelingen combineren om kansinschattingen te maken voor gasbeschikbaarheid en prijzen.
- Gemeenten kunnen AI gebruiken om per buurt gevoeligheidsanalyses te laten maken: in welke buurten is je strategie robuust, en waar hangt alles aan één onzeker aanname?
De realiteit is dat veel warmteprogramma’s nu nog op een paar statische scenario’s leunen. Terwijl AI het mogelijk maakt om continu, bijna realtime, te toetsen of je aannames over gas, stroomprijzen en technologieontwikkeling nog kloppen.
Warmtenetten: tijd, businesscase en het risico van uitstel
Uit de Startanalyse blijkt dat warmtenetten voor 29% van de gebouwen de laagste nationale kosten opleveren. Dat is fors. Maar hier komt de nuance: een warmtenet is extreem gevoelig voor tijd en schaal.
Zolang een wijk niet duidelijk weet of er een warmtenet komt, nemen bewoners en vastgoedeigenaren zelf beslissingen:
- Individuele (hybride) warmtepompen worden geïnstalleerd.
- Grotere gebouweigenaren kiezen voor eigen oplossingen.
Elke individuele keuze haalt een potentieel aansluiting weg uit de businesscase van het warmtenet. Hoe langer de besluitvorming duurt, hoe slechter het plaatje wordt. De Algemene Rekenkamer heeft daar recent nog op gewezen: langdurige onduidelijkheid kan een warmtenet de facto om zeep helpen.
AI als hulpmiddel voor tempo en fasering
Hier kan AI echt praktisch worden:
- Vraagvoorspelling warmte: AI-modellen kunnen per buurt het toekomstige warmtevraagprofiel voorspellen, rekening houdend met isolatieplannen, nieuwbouw, demografie en gedrag.
- Optimalisatie van uitrolfasering: met optimalisatie-algoritmen kun je bepalen in welke straten je eerst aansluit, om zo snel mogelijk voldoende volume (en dus een gezonde businesscase) te halen.
- Scenario-analyse bij uitstel: AI kan kwantificeren wat 2, 5 of 8 jaar uitstel betekent voor de warmtenet-optie in een wijk.
Een gemeente die dit soort AI-tools slim inzet, kan in gesprekken met bewoners en corporaties niet alleen vertellen dát het tempo belangrijk is, maar ook laten zien hoeveel geld, CO₂ en risico ermee gemoeid is.
Nationale kosten vs. gebruikerskosten: hier gaat het scherp worden
De Startanalyse rekent met nationale kosten: de totale kosten voor Nederland als geheel. Dat is logisch voor een lange-termijnstrategie, maar zegt weinig over wie wat betaalt.
Een paar pijnpunten:
- Stroomnetverzwaring wordt via de nettarieven betaald door álle Nederlanders.
- Aanleg van warmtenetten wordt in de huidige praktijk voornamelijk betaald door de gebruikers van dat specifieke net.
Gevolg: een warmtenet kan op nationaal niveau de goedkoopste optie zijn, terwijl bewoners lokaal toch duurder uit zijn dan bij een individuele warmtepomp. Dat is politiek explosief, vooral in wijken waar het draagvlak al kwetsbaar is.
Hoe AI kan helpen bij eerlijke en transparante kostenverdeling
AI kan hier twee dingen doen die ik persoonlijk essentieel vind:
-
Heldere, gepersonaliseerde kostenplaatjes
- Op basis van gebouwdata, energieverbruik en inkomensprofielen kan AI per huishouden een realistisch kostenpad doorrekenen voor verschillende opties (warmtenet, hybride, all-electric).
- Dit maakt het gesprek over subsidies, aansluitbijdragen en energietarieven concreter en eerlijker.
-
Beleidsvarianten testen
- Met AI-gedreven simulatiemodellen kun je beleidsscenario’s testen: wat gebeurt er met armoede, woonlasten en investeringsbereidheid als je een bepaalde subsidie of belastingmaatregel invoert?
- Zo kun je als rijksoverheid of gemeente zien welke mix van heffingen, subsidies en tarieven leidt tot zowel lage nationale kosten als acceptabele gebruikerskosten.
Als we serieus zijn over een sociale, rechtvaardige energietransitie, dan is dit precies het niveau van detail dat nodig is.
Lokale verrijking: van Startanalyse naar slim warmteprogramma
Het PBL is daar duidelijk over: de Startanalyse is een startpunt, geen eindplaatje. Gemeenten moeten zelf lokale verrijking toevoegen. Denk aan:
- Lopende plannen van woningcorporaties voor grootschalige isolatie.
- Lokale warmtebronnen (industrie, datacenters, geothermie) en hun robuustheid.
- Ruimtelijke plannen: verdichting, nieuwbouw, sloop/nieuwbouw.
- Sociaal-economische kenmerken: draagvlak, betaalbaarheid, wijktypologieën.
Waar AI concreet kan helpen in die lokale slag
-
Datakoppeling en -opschoning
AI kan grote hoeveelheden lokale data – BAG, WOZ, energielabels, netgegevens, corporatieplannen – combineren en schonen. In plaats van losse Excel-sheets ontstaat één actuele digitale kaart van de gebouwde omgeving en energie-infrastructuur. -
Clustering van buurttypen
Met unsupervised learning kun je buurten met vergelijkbare kenmerken automatisch clusteren. Dat helpt om standaardaanpakken per type buurt te ontwikkelen in plaats van 14.000 keer het wiel uitvinden. -
Dynamische actualisatie van warmteplannen
- Door AI-modellen periodiek te hertrainen met nieuwe data (prijzen, beleid, projecten) kun je warmteplannen levend houden.
- Een warmteprogramma wordt dan niet een statisch document tot 2050, maar een plan dat je bijvoorbeeld jaarlijks op basis van nieuwe inzichten bijstelt.
-
Participatie en communicatie
AI-gestuurde dashboards kunnen complexe rekenwerk vertalen naar begrijpelijke visuals voor bewoners: kosten per jaar, CO₂-winst, fasering per straat. Dat helpt enorm bij het gesprek aan de keukentafel en in de wijkzaal.
Wat betekent dit voor gemeenten en energiebedrijven in 2025?
We zitten nu aan het einde van 2025. In 2026 moeten warmteprogramma’s ingediend zijn. De Startanalyse Actualisatie ligt er. De tijd voor vrijblijvende verkenningen is voorbij.
Voor bestuurders en professionals zie ik drie concrete stappen:
-
Gebruik de Startanalyse als dataruggegraat, niet als eindkaart
- Neem de PBL-uitkomsten als basis, maar leg er je lokale data, beleid en projecten naast.
- Gebruik AI-tools om snel te zien waar lokale info je strategie verschuift.
-
Bouw een eigen ‘AI voor warmte’-toolkit
- Start klein: een model dat warmtevraag voorspelt, of een scenario-tool voor kosten per buurt.
- Werk samen met netbeheerders, corporaties en commerciële partijen: de data ligt versnipperd, de opgave is gedeeld.
-
Maak onzekerheid expliciet in plaats van hem weg te poetsen
- Laat AI helpen om ranges te berekenen in plaats van één getal.
- Communiceer naar politiek en inwoners: “Onder deze aannames is dit de beste optie, maar als X of Y verandert, verschuift de keuze naar alternatief Z.”
De realiteit? De energietransitie wordt niet gewonnen door één perfect plan, maar door duizenden besluiten die je steeds scherper maakt. De geactualiseerde Startanalyse geeft daar een stevige basis voor. AI maakt die basis adaptief, lokaal relevant en toekomstbestendig.
Wie nu investeert in die combinatie – serieuze analyse + slimme AI – heeft in 2030 geen achterafgesprekken over gemiste kansen, maar kan laten zien: we hebben de beste keuzes gemaakt met de kennis van toen, en die kennis elk jaar slimmer gemaakt.