Isolatie bespaart energie én gezondheid, maar alleen als je met het juiste model rekent. Wat het PBL-onderzoek ons leert over betrouwbare modellen en AI in de zorg.
Waarom het rekenmodel achter je isolatie-advies zo belangrijk is
De 10% meest onzuinige bewoners in Nederland betalen grofweg driemaal zoveel voor energie als de 10% meest zuinige bewoners in vergelijkbare huizen. Zelfde type woning, compleet andere rekening. Dat verschil laat zien hoe tricky het is om energiebesparing door woningisolatie goed in te schatten.
Toch worden op basis van die inschattingen miljarden aan subsidies verdeeld, gemeentelijke isolatieprogramma’s ontworpen én adviezen gegeven aan individuele huiseigenaren. In de zorgsector herkennen we dit direct: verkeerde aannames in een risicomodel of triagetool, en je stuurt capaciteit of budget de verkeerde kant op.
In deze blog koppel ik het recente PBL-onderzoek naar energieverbruiksmodellen aan iets wat zorgprofessionals en bestuurders heel goed kennen: het belang van het juiste model voor de juiste vraag. Met een blik op woningisolatie, maar met duidelijke lessen voor iedereen die in de zorg met data, AI en beslismodellen werkt.
We zitten in de serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg”. Dit artikel gaat niet over een nieuwe zorg-app, maar over iets fundamentelers: hoe je voorkomt dat beleid, subsidies en AI-modellen gebouwd worden op fout rekenwerk.
Drie soorten energiemodellen – en waarom misbruik tot grote fouten leidt
De kern is simpel: er zijn verschillende typen energieverbruiksmodellen en die zijn ieder ontworpen voor een ander doel. Gebruik je ze buiten hun bedoeling, dan krijg je misleidende uitkomsten.
1. Normeringsmodellen: goed voor regels, slecht voor echte besparing
Normeringsmodellen, zoals de NTA8800, zijn gemaakt om:
- te controleren of nieuwbouw aan de energie-eisen voldoet;
- energielabels voor bestaande woningen te bepalen.
Daarom zijn de aannames expres conservatief:
- bewoners zijn vaak thuis;
- de thermostaat staat relatief hoog;
- er wordt ruim verwarmd.
Dat is logisch: je wilt voorkomen dat een aannemer het gebouw “mooier rekent” dan het in werkelijkheid presteert.
Maar als je zo’n normeringsmodel gebruikt om te berekenen hoeveel energie een bestaande woning écht gaat besparen door isolatie, gaat het mis. Dan overschat je de besparing makkelijk met een factor tot drie bij slechte labels, zo laat het PBL zien in virtuele testwoningen.
Dit is precies wat we in de zorg ook zien met verkeerde inzet van modellen: een model dat bedoeld is voor kwaliteitsnormering wordt ineens gebruikt om individuele behandeluitkomsten te voorspellen. Dat voelt misschien efficiënt, maar het is methodisch gewoon fout.
2. Beleidsmodellen: goed voor wijken en Nederland, niet voor jouw huis
De tweede categorie zijn beleidsprojectiemodellen. Die zijn bedoeld om vragen te beantwoorden als:
- Wat levert isolatie op wijkniveau op?
- Hoeveel gas bespaart Nederland als we X miljoen woningen isoleren?
Deze modellen gebruiken:
- bouwfysische uitgangspunten, maar dan met gemiddelde in plaats van conservatieve aannames (bijv. Hestia, Warmteprofielengenerator);
- of statistische benaderingen op basis van gemiddeld referentieverbruik.
Dat maakt ze nuttig voor het Nationaal Isolatieprogramma, klimaatscenario’s of gemeentelijke plannen. Maar: ze zijn niet scherp genoeg voor individueel advies. Net zo min als een landelijk zorgcapaciteitsmodel je kan vertellen hoeveel verpleegkundigen je morgen op één IC-afdeling nodig hebt.
3. Individuele adviesmodellen: dichter bij de praktijk
Voor bewoners zijn er maatwerkadviesmodellen, bijvoorbeeld zoals gebruikt in online tools van voorlichtingsorganisaties. Die proberen zo goed mogelijk aan te sluiten bij:
- het werkelijke gemiddelde verbruik;
- kenmerken van de specifieke woning;
- én – in beperkte mate – gedrag van bewoners.
Daarom kun je soms variabelen invullen als:
- hoeveel dagen per week je thuis werkt;
- hoe warm je het gemiddeld stookt;
- of je alleen de woonkamer verwarmt.
Deze modellen zijn bedoeld voor individueel advies. Ze blijven een benadering, maar ze zijn vele malen realistischer dan een normeringsmodel voor nieuwbouw.
De les: een model is geen waarheid, maar een gereedschap. En een klopboor gebruik je niet om een schilderij recht te hangen.
Gedrag van bewoners: de zorgvariant van patiëntvariatie
Eén van de sterkste boodschappen uit het PBL-onderzoek:
De 10% onzuinigste bewoners gebruiken ongeveer drie keer zoveel energie als de 10% zuinigste bewoners in vergelijkbare huizen.
Met andere woorden: hetzelfde huis, totaal ander verbruik. Dat wordt vooral bepaald door gedrag:
- hoe vaak er iemand thuis is;
- hoe hoog de thermostaat staat;
- of er kamers niet worden verwarmd;
- of ramen vaak openstaan.
Dit lijkt sterk op wat we in de zorg kennen als patiëntvariatie:
- twee mensen met hetzelfde medisch profiel;
- de één volgt therapie en leefstijladvies netjes op;
- de ander rookt door, beweegt weinig en stopt met medicatie.
Zet daar een AI-model op zonder dat gedrag meegewogen wordt, en je overschat structureel het effect van een behandeling.
Voor energiebesparing door isolatie geldt precies hetzelfde:
- een zuinige gebruiker kan minder besparen dan de modelgemiddelde verwachting;
- een onzuinige gebruiker kan juist véél meer besparen dan gemiddeld.
Wie beleid maakt op basis van één “gemiddelde bewoner” mist dus een groot deel van de werkelijkheid. In de zorg zou je zeggen: je model is niet patient-centred.
Waar gaat het precies mis? “Wat je niet verbruikt, kun je niet besparen”
Een cruciaal inzicht uit het PBL-rapport:
Als je rekent met een startverbruik dat hoger ligt dan het echte gemiddelde, overschat je automatisch de besparing.
Klinkt bijna te simpel, maar dit gaat op grote schaal fout.
Overschatting door verkeerde startwaarden
Normeringsmodellen zijn ingesteld op relatief hoog gebruik. Gebruik je die waarden als startpunt om isolatie-effecten te berekenen, dan kan dit gebeuren:
- het model zegt: je verbruikt 1.500 m³ gas per jaar;
- in werkelijkheid verbruik je 1.100 m³;
- het model “berekent” een besparing van 600 m³ door isolatie;
- maar je kúnt nooit meer besparen dan die 1.100 m³.
Het gevolg:
- subsidies en regelingen worden gebaseerd op te rooskleurige aannames;
- verwachtingen van bewoners worden onrealistisch hoog;
- nationale CO₂-reductie wordt structureel overschat.
In de zorg vertaalt zich dat bijvoorbeeld naar:
- een AI-model dat uitgaat van een te hoog basisrisico op heropname;
- het voorspelt enorme winst van een interventie;
- in de praktijk valt de winst tegen, want het uitgangsrisico was al lager.
Daarom hamert het PBL erop: gebruik normeringsmodellen nooit om gemiddeld of individueel werkelijke verbruik te schatten.
Wat heeft dit met AI in de Nederlandse zorg te maken?
Meer dan het op het eerste gezicht lijkt. De manier waarop we rekenmodellen in de gebouwde omgeving gebruiken, is bijna één-op-één te leggen op AI en datamodellen in de zorg.
1. “Fit for purpose” is geen detail, maar randvoorwaarde
- Een isolatiemodel dat voor beleid is gebouwd, gebruik je niet voor het individuele adviesgesprek met een bewoner.
- Een AI-triagemodel op SEH-data gebruik je niet zomaar voor wijkverpleging of GGZ.
Toch gebeurt dit in beide domeinen regelmatig, uit efficiency-overwegingen of gewoon omdat het model “er toch al is”. De PBL-conclusie is helder: dat levert valse zekerheid op.
2. Empirische data zijn schaars – en tóch onmisbaar
In de energiehoek is er:
- weinig fijnmazige data over welke isolatiemaatregelen waar en hoe zijn aangebracht;
- pas sinds kort beter toegang tot CBS-verbruiksgegevens.
Daarom leunen we zwaar op modellen. Het PBL pleit voor meer empirisch onderzoek om de modellen bij te stellen.
De zorg zit precies in deze fase met AI:
- veel modellen zijn getraind op beperkte datasets;
- real-world monitoring na implementatie is vaak mager;
- koppeling van zorgdata (huisarts, ziekenhuis, wijk, sociaal domein) is nog beperkt.
Wil je betrouwbare AI voor de zorg, dan moet je net als bij isolatie langdurig meten wat er echt gebeurt, en je model durven corrigeren.
3. Brede welvaart ≈ brede gezondheid
Het PBL benadrukt dat isolatie niet alleen energie bespaart, maar ook:
- comfort verhoogt;
- gezondheid verbetert (zeker in slechte woningen);
- geluidsoverlast vermindert.
Dat sluit naadloos aan bij het denken in brede welvaart. In de zorg praten we steeds vaker over positieve gezondheid: niet alleen afwezigheid van ziekte, maar ook mentale gezondheid, participatie en leefomgeving.
Een AI-model dat alleen kijkt naar acute zorgkosten en niet naar comfort, leefbaarheid of gezondheidseffecten van de woning, stuurt beslissingen eenzijdig. Terwijl een tochtige, koude woning aantoonbaar samenhangt met slechtere gezondheid en hogere zorgvraag.
De kans ligt hier juist op integratie:
- slimme isolatiestrategieën in kwetsbare wijken;
- gekoppeld aan data over gezondheidsproblemen (bijv. astma, COPD, mentale gezondheid);
- ondersteund door AI-modellen die zowel energie als zorgvraag meenemen.
Dan wordt investeren in isolatie ook een gezondheidsinterventie.
Praktische lessen voor beleidsmakers, adviseurs en zorgbestuurders
Wat kun je concreet meenemen uit dit onderzoek als je met beleid, AI of data werkt – in energie of in zorg?
1. Check altijd: waar is dit model voor gemaakt?
Voor elk model dat je gebruikt, zou je drie vragen standaard moeten stellen:
- Doel – Is dit model gebouwd voor normering, beleid of individueel advies?
- Data – Op welke data is het model gebaseerd en van wanneer zijn die?
- Aannames – Zijn de parameters conservatief, gemiddeld of dynamisch (gedragsafhankelijk)?
Als het antwoord niet matcht met jouw gebruiksdoel, dan heb je twee opties:
- ander model zoeken;
- of het huidige model aantoonbaar aanpassen en opnieuw valideren.
2. Gedrag hoort in elk serieus model (ook in de zorg)
Of het nu gaat om bewoners of patiënten: gedrag is vaak de ontbrekende schakel. Daarom is het verstandig om:
- waar mogelijk gedrag expliciet als variabele op te nemen;
- adviezen altijd als bandbreedte te presenteren (bijvoorbeeld: besparing tussen 300–600 m³, afhankelijk van gedrag);
- in de zorg niet alleen klinische data, maar ook leefstijl, therapietrouw en sociaal domein mee te nemen.
3. Combineer modellen met real-world monitoring
Modellen zijn onmisbaar, maar zonder praktijkdata blijven het educated guesses. Drie praktische stappen:
- Pilotprojecten: kleine schaal, goed gemeten, zowel in energie (wijkisolatie) als in zorg (AI-triage, digitale monitoring);
- Terugkoppeling: modeluitkomsten structureel vergelijken met echte uitkomsten;
- Iteratie: parameters aanpassen en modellen regelmatig hertrainen.
Wie dat goed organiseert, bouwt stap voor stap betrouwbare AI- en beslismodellen op – in de gebouwde omgeving én in de zorg.
Waarom dit nu urgent is – en wat je morgen kunt doen
De kans dat Nederland de klimaatdoelen voor 2030 haalt, is volgens recente analyses “heel erg klein” zonder extra beleid. Tegelijk staat de zorg onder hoge druk, met stijgende kosten en personeelstekorten. We kunnen ons geen beleid veroorloven dat gebaseerd is op optimistische rekenfouten.
Voor iedereen die werkt aan de energietransitie, de zorgtransformatie of de combinatie daarvan, zijn er drie directe acties:
- Screen bestaande modellen: gebruik je ergens een NTA8800-achtig model voor iets waar het niet voor bedoeld is? Stop, of corrigeer expliciet.
- Organiseer data-terugkoppeling: of je nu woningen isoleert of een AI-tool in het ziekenhuis uitrolt – zorg dat je structureel echte uitkomsten verzamelt.
- Verbind energie en gezondheid: bij isolatieprogramma’s in kwetsbare wijken is het verstandig om ook zorg- en gezondheidsdata te betrekken. Dat maakt investeringen beter verdedigbaar én effectiever.
De grote lijn is helder: wie serieus werk wil maken van zowel duurzame energie als duurzame zorg, zal net zo serieus moeten omgaan met de kwaliteit, bedoeling en grenzen van de gebruikte modellen. AI heeft alleen waarde als de fundering klopt.
En daar begint het, verrassend genoeg, bij zoiets ogenschijnlijk technisch als: welk rekenmodel kies je om de energiebesparing van een geïsoleerde woning te bepalen?