Waarom het juiste isolatiemodel miljoenen scheelt

Waarom het juiste isolatiemodel miljoenen scheelt

Een slecht gekozen rekenmodel kan het effect van woningisolatie tot drie keer te rooskleurig inschatten. Dat is geen theoretisch probleem, maar puur euro’s, CO₂ en – in de zorg – risico op verkeerde investeringskeuzes in zorgvastgoed en zorghuizen.

In deze blog koppel ik de inzichten uit recent PBL‑onderzoek over isolatiemodellen aan een bredere trend die we in de zorg al kennen: verkeerde modellen leiden tot verkeerde beslissingen. Precies zoals een slecht getraind AI‑model in de zorg verkeerde diagnoses kan versterken, kan een verkeerd gekozen energieverbruiksmodel het isolatiebeleid in Nederland uit koers trekken.

Dit stuk hoort bij de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg”. De rode draad in die serie: goede data, goede modellen en een duidelijke fit-for-purpose zijn net zo belangrijk voor een energieneutrale gebouwde omgeving als voor verantwoorde inzet van AI in ziekenhuizen en ouderenzorg.

1. De kern: niet elk model is gemaakt voor jouw vraag

De belangrijkste boodschap uit het PBL‑onderzoek is simpel: gebruik het juiste model voor de juiste toepassing, of je cijfers kloppen niet.

Voor woningisolatie worden grofweg drie typen energieverbruiksmodellen gebruikt:

1. Normeringsmodellen (zoals NTA8800)
2. Beleids- en projectiemodellen (bijvoorbeeld Warmteprofielengenerator, Hestia, Referentieverbruik)
3. Maatwerkadviesmodellen voor individuele woningen (zoals VerbeterJeHuis)

Elk type is gebouwd met een ander doel, andere aannames en andere inputdata. Wie een normeringsmodel gebruikt om de gemiddelde besparing op wijk- of landelijk niveau te berekenen, krijgt structureel te hoge besparingen in beeld. Bij slechte energielabels kan de berekende winst met een normeringsmodel tot een factor drie hoger uitvallen dan met modellen die zijn gekalibreerd op werkelijk verbruik.

Dat is precies het soort fout dat we in de zorg krampachtig proberen te voorkomen bij AI-systemen: een model trainen voor diagnose, en het daarna stilletjes gaan gebruiken voor triage, capaciteitsplanning of kostenramingen. Ook daar gaat het mis als doel en model niet op elkaar aansluiten.

2. Waarom isolatie zo lastig te “meten” is

Grote verschillen tussen bewoners en woningen

Isolatie lijkt overzichtelijk: je stopt warmteverlies, dus je bespaart energie. In de praktijk zijn de uitkomsten echter extreem gevoelig voor menselijk gedrag en woningtype.

Enkele harde verschillen:

• De 10% meest onzuinige bewoners hebben grofweg drie keer zo’n hoge energierekening als de 10% zuinigste bewoners in vergelijkbare huizen.
• Sommige bewoners verwarmen alleen de woonkamer, anderen stoken het hele huis.
• Ventilatiegedrag (ramen open of dicht), thermostaatinstelling, aanwezigheid overdag: alles schuift het werkelijke verbruik op.
• De kwaliteit van de uitvoering (koudebruggen, spleten, verkeerd aangebracht materiaal) bepaalt of een theoretische Rc‑waarde ook echt wordt gehaald.

De potentiële besparing hangt dus sterk af van de beginsituatie:

• Een zuinige gebruiker met al relatief laag gasverbruik heeft minder “ruimte” om nog extra te besparen.
• Een onzuinige gebruiker kan juist veel meer winnen door hetzelfde isolatiepakket.

In zorginstellingen zie je een vergelijkbaar patroon: twee verpleeghuizen met hetzelfde bouwjaar en hetzelfde label kunnen totaal verschillende energieprofielen hebben, puur door gebruikspatronen, installatiesturing en gedrag van personeel en bewoners.

Weinig praktijkdata, dus veel modelwerk

Er is nog verrassend weinig empirisch onderzoek naar de daadwerkelijke opbrengst van isolatiemaatregelen:

• In landelijke statistieken wordt niet systematisch vastgelegd welke isolatiemaat waar en met welke kwaliteit is uitgevoerd.
• Volledige energieverbruiksdata van huishoudens zijn pas sinds kort – en dan nog onder strikte voorwaarden – beschikbaar voor onderzoekers.

Daardoor zijn we voor de inschatting van energiebesparing grotendeels aangewezen op energieverbruiksmodellen. De methodische keuzes in die modellen (welke gemiddelden, welke gedragspatronen, welke technische marges) hebben een enorme impact op de uitkomsten.

Voor AI in de zorg geldt precies hetzelfde: als de onderliggende data incompleet of scheef zijn, moet je extra scherp zijn op de aannames van je model. Anders is elk mooi dashboard slechts een gevisualiseerde illusie.

3. De drie modeltypen: wanneer gebruik je welke?

3.1 Normeringsmodellen – goed voor eisen, slecht voor besparing

Doel: controleren of nieuwbouw voldoet aan energieprestatie-eisen en energielabels bepalen.

Voorbeeld: NTA8800.

Belangrijke kenmerken:

• Honderden technische parameters zijn bewust conservatief gekozen.
• Aannames: bewoners zijn vaak thuis, thermostaat staat relatief hoog, weinig zuinig gedrag.
• Ontworpen om te voorkomen dat bouwers zich “rijk rekenen” aan energiebesparing.

Waarom dit misgaat voor besparing:

• Als je zulke conservatieve aannames gebruikt als startpunt, krijg je vaak een theoretisch hoger verbruik dan in werkelijkheid.
• Reken je dan isolatiemaatregelen door, dan kan de “besparing” groter worden dan het echte verbruik van bewoners ooit was.

Kortom: normeringsmodellen zijn ongeschikt voor het inschatten van werkelijke (individuele of gemiddelde) energiebesparing. Ze zijn gemaakt voor normen en labels, niet voor beleid of maatwerkadvies.

3.2 Beleids- en projectiemodellen – voor wijk en land

Doel: beleidsmakers helpen inschatten hoeveel energiebesparing een maatregel gemiddeld oplevert op wijk- of nationaal niveau.

Twee smaken:

• Bouwfysische modellen met gemiddelde in plaats van conservatieve parameters (zoals Warmteprofielengenerator, Hestia).
• Statistische modellen die energiebesparing afleiden uit grote datasets met verbruik (zoals Referentieverbruik).

Deze modellen proberen beter aan te sluiten op werkelijke gemiddelden, vaak door kalibratie op CBS‑gegevens of andere empirische bronnen.

Gebruik dit type model als je vragen hebt als:

• “Wat levert het Nationaal Isolatieprogramma gemiddeld op aan gasbesparing?”
• “Wat gebeurt er met de totale energievraag in deze gemeente richting 2030?”
• “Hoeveel CO₂‑reductie mogen we verwachten in onze regionale energiestrategie?”

Voor grote zorgorganisaties en zorgverzekeraars zijn dit de modellen waarmee je scenario’s maakt voor de duurzame transitie van zorgvastgoed.

3.3 Maatwerkadviesmodellen – voor de individuele woning

Doel: een concrete besparingsinschatting voor één woning/bewoner geven.

Voorbeeld: het model achter adviesplatforms als VerbeterJeHuis.

Eigenschappen:

• Gebaseerd op bouwfysische modellen, maar met parameters aangepast richting gemiddeld werkelijke gebruik.
• Mogelijkheid om een aantal invoerparameters af te stemmen op de situatie van de bewoner of organisatie (bijvoorbeeld huidig gasverbruik, type gebruik, stookgedrag).

Hiermee kun je bijvoorbeeld:

• Een huiseigenaar laten zien wat HR++‑glas, vloerisolatie of gevelisolatie doet voor zijn eigen rekening.
• Een kleine zorginstelling inzicht geven in de terugverdientijd van dakisolatie, afgestemd op hun actuele verbruik.

De crux: afstemmen op een realistische startwaarde van het verbruik. Wat je niet verbruikt, kun je ook niet besparen.

4. “Wat je niet verbruikt, kun je ook niet besparen” – de valkuil

Een van de scherpste punten uit het PBL‑onderzoek is deze:

Als je begint met een te hoog ingeschat startverbruik, wordt je berekende isolatie‑effect automatisch te groot.

Daarmee ontstaan drie risico’s:

1. Overschatting van CO₂‑reductie

   • Beleidsplannen laten optimistische grafieken zien.
   • In 2030 blijkt de werkelijke emissiereductie achter te blijven, terwijl iedereen dacht “op koers” te zijn.

2. Verkeerde investeringsbeslissingen

   • Gemeenten of woningcorporaties investeren op basis van te hoge verwachte besparingen.
   • Zorgorganisaties rekenen zich rijk op terugverdientijden die in de praktijk nooit gehaald worden.

3. Verlies van vertrouwen

   • Als beloofde besparingen structureel niet worden gehaald, keldert het vertrouwen van burgers én professionals in beleid en advies.

In de zorg kennen we hetzelfde bij AI‑toepassingen: als een triagetool in de praktijk veel minder betrouwbaar blijkt dan beloofd, stopt men niet alleen met die tool, maar soms met álle digitale vernieuwing in dat ziekenhuis. Overselling is dodelijk voor draagvlak.

5. Isolatie is meer dan energiebesparing – zeker voor de zorg

Het onderzoek focust op energiebesparing, maar isolatie doet veel meer. Juist voor de zorgsector zijn die “bijwerkingen” misschien wel belangrijker dan de gasrekening.

Belangrijke co‑effecten van goede isolatie:

• Comfort: minder tocht, stabielere binnentemperatuur, prettigere verblijfsruimtes voor patiënten en bewoners.
• Gezondheid: vooral bij slecht geïsoleerde woningen en gebouwen verbetert een betere thermische schil de gezondheid (minder vocht, schimmel, kou‑gerelateerde klachten).
• Geluid: isolatie dempt geluidsoverlast, wat in stedelijke zorglocaties en bij GGZ‑instellingen direct merkbaar is in rust en herstel.

Voor een ziekenhuis of verpleeghuis levert een isolatiepakket dus niet alleen energiebesparing op, maar ook:

• minder stress en onrust bij patiënten/bewoners,
• betere slaapkwaliteit,
• prettiger werkomgeving voor zorgmedewerkers.

Als je AI‑modellen inzet om keuzes in zorgvastgoed te ondersteunen, hoort die brede welvaart eigenlijk ook in het model. Alleen sturen op kWh‑reductie is dan gewoon een te smalle doelstelling.

6. Wat betekent dit concreet voor beleid, zorgorganisaties en AI‑teams?

Voor beleidsmakers (rijk, gemeenten, zorgverzekeraars)

• Check altijd het doel waarvoor een model is ontwikkeld. Normeringsmodel? Dan niet gebruiken voor gemiddelde besparing of maatwerkadviezen.
• Eis transparantie van modelbouwers: welke aannames over gedrag, bezetting en temperatuur zijn er gebruikt?
• Koppel modellen aan CBS‑data en andere empirische bronnen om de gemiddelde startwaarden te kalibreren.
• Neem onzekerheidsmarges expliciet op in beleid: niet één besparingscijfer, maar een bandbreedte.

Voor bestuurders en facilitair managers in de zorg

• Vraag bij elk isolatievoorstel: “Op basis van welk model zijn deze cijfers berekend?”
• Laat een check doen op je echte jaarverbruik: sluit het startpunt van het advies daarop aan?
• Kijk verder dan de energierekening: neem comfort, gezondheid en geluid mee in je businesscase.
• Combineer isolatieprojecten met smart building‑technologie en AI‑gestuurde gebouwbeheersystemen, zodat besparing niet alleen op papier maar ook in de praktijk wordt gehaald.

Voor data- en AI‑teams (in energie én zorg)

• Zie energieverbruiksmodellen als een broertje van medische AI‑modellen: zelfde noodzaak voor fit-for-purpose, validatie en bias‑analyse.
• Documenteer per model:
  • Doel en gebruiksgrenzen
  • Gebruikte databronnen
  • Kern­aannames over gedrag en techniek
• Zorg voor continue monitoring: vergelijk voorspelde besparing met gerealiseerde verbruikscijfers en verbeter je modellen.
• Verken cross‑overs: AI‑technieken uit de zorg (zoals probabilistische risicomodellen) kunnen helpen om onzekerheden in energiemodellen beter zichtbaar te maken.

7. Waarom meer empirisch onderzoek onmisbaar is

Het PBL pleit nadrukkelijk voor meer empirisch onderzoek naar de daadwerkelijke energiebesparing van isolatiemaatregelen. Dat is geen luxe, maar randvoorwaarde voor realistisch klimaat- en energiebeleid.

Belangrijke stappen:

• Systematisch vastleggen welke isolatiemaatregelen waar en met welke kwaliteit zijn uitgevoerd.
• Langdurig monitoren van energieverbruik vóór en ná isolatie op grote schaal.
• Samenwerking tussen overheid, woningcorporaties, zorginstellingen en onderzoeksinstituten om datasets te delen (met respect voor privacy).

Voor de zorgsector ligt hier een kans om kennis te bundelen: veel zorgvastgoed is groot, goed gemonitord en beheerd. Dat maakt het bij uitstek geschikt als “living lab” voor slimme isolatiestrategieën, AI‑gestuurd energiebeheer en realistische effectmeting.

Slot: dezelfde les voor energiemodellen en zorg‑AI

De rode draad tussen woningisolatie en AI in de zorg is verrassend helder: modellen zijn geen waarheid, maar gereedschap. En gereedschap moet je kiezen op basis van de klus.

Gebruik je een normeringsmodel om energiebesparing te berekenen, dan overschat je wat isolatie kan. Gebruik je een diagnostisch AI‑model als triagetool zonder hertraining, dan speel je met patiëntveiligheid. In beide gevallen is de fout hetzelfde: het verkeerde model voor de verkeerde vraag.

Wie in 2025 serieus werkt aan de duurzame transitie – in de gebouwde omgeving én in de Nederlandse zorg – doet er goed aan drie simpele vragen standaard te stellen:

1. Welk model gebruik ik?
2. Waarvoor is het ooit ontworpen?
3. Sluit mijn vraag daar echt op aan?

Wie daar eerlijk op antwoordt, voorkomt overspannen verwachtingen, haalt realistischer CO₂‑reducties én bouwt stap voor stap vertrouwen op in zowel de energietransitie als in AI in de zorg.