Hoe je het juiste model kiest voor isolatiebesparing

Waarom het juiste isolatiemodel kiezen zoveel uitmaakt

De 10% meest onzuinige bewoners in Nederland betalen grofweg drie keer zoveel voor energie als de 10% meest zuinige bewoners in hetzelfde type huis. Toch krijgen al die huishoudens vaak hetzelfde plaatje voorgeschoteld: “U bespaart X m³ gas met spouwmuurisolatie”. Dat gaat dus mis.

Dit raakt niet alleen de energierekening, maar ook beleid, subsidies en – indirect – de zorg. Want elke overschatte energiebesparing betekent overschatte CO₂-reductie, extra druk op het klimaat en uiteindelijk meer gezondheidsproblemen door hittegolven, luchtvervuiling en energiearmoede. In onze serie “AI voor Nederlandse Zorg: Innovatie in de Gezondheidszorg” klinkt woningisolatie misschien ver weg, maar de link is rechtstreekser dan veel mensen denken.

In deze blog leg ik uit welk type energieverbruiksmodel je wanneer wél en juist níet moet gebruiken, hoe AI kan helpen om realistischer te rekenen, en waarom dit ook voor bestuurders in zorginstellingen relevant is.

---

Drie soorten energieverbruiksmodellen – en waar het misgaat

De kern is eenvoudig: er zijn drie hoofdtypen modellen om energiebesparing door woningisolatie te berekenen, maar ze worden regelmatig voor het verkeerde doel ingezet.

1. Normeringsmodellen (zoals NTA8800)

Normeringsmodellen zijn gemaakt om te controleren of nieuwbouwwoningen voldoen aan het Bouwbesluit en om energielabels van bestaande woningen te bepalen.

Kenmerken:

• Honderden technische parameters
• Bewust conservatieve aannames: hoge thermostaatstand, bewoners vaak thuis, weinig energiebewust gedrag
• Gericht op minimale prestatie-eis, niet op realistisch gemiddeld gebruik

Waarom dat belangrijk is? Omdat deze conservatieve instellingen ertoe leiden dat het berekende verbruik hoger is dan het werkelijke gemiddelde verbruik. Gebruik je dit type model toch om besparing in bestaande woningen in te schatten, dan krijg je structurele overschatting.

Normeringsmodellen zijn niet bedoeld voor het voorspellen van werkelijke besparing. Punt.

2. Beleidsmodellen voor wijk- en nationaal niveau

De tweede groep modellen is ontwikkeld voor beleid en scenario’s: wat levert een isolatieprogramma op wijk- of landelijk niveau gemiddeld aan energiebesparing op?

Voorbeelden van aanpakken:

• Bouwfysische modellen met gemiddelde parameters in plaats van conservatieve
• Statistische modellen die uitgaan van historische verbruiksdata en woningkenmerken (zoals referentieverbruik)

Deze modellen zijn geschikt voor vragen als:

• Hoeveel gasverbruik daalt gemiddeld als we in een hele wijk het dak isoleren?
• Wat betekent het Nationale Isolatieprogramma voor de nationale CO₂-uitstoot?

Ze zijn dus gemaakt voor gemiddelde effecten, niet voor de vraag: “Wat bespaar ík persoonlijk in mijn huis?”

3. Maatwerkadviesmodellen voor bewoners

De derde categorie is maatwerkadvies aan individuele bewoners, bijvoorbeeld tools zoals Verbeterjehuis.

Eigenschappen:

• Gebaseerd op bouwfysische modellen, maar aangepast op gemiddeld werkelijk gebruik
• Mogelijkheid om parameters aan te passen op de werkelijke situatie:
  • Werk je thuis?
  • Hoe hoog staat de thermostaat?
  • Hoe oud is de woning en hoe is die onderhouden?
• Gericht op realistische persoonlijke besparingsinschattingen

Dit is precies het type model dat je wilt gebruiken als je een huishouden of zelfs een zorgorganisatie (bijvoorbeeld een zorgboerderij, hospice of kleinschalige woonvorm) advies geeft over isolatie.

---

Wat je niet verbruikt, kun je ook niet besparen

De grootste denkfout in veel berekeningen is kinderlijk simpel: je kunt nooit méér besparen dan je nu verbruikt. Toch gebeurt dat in praktijkberekeningen verrassend vaak.

Hoe ontstaat dat?

• Er wordt gerekend met startverbruik uit normeringsmodellen (zoals NTA8800), die al hoger liggen dan het gemiddelde werkelijke verbruik.
• Daarbovenop wordt de theoretische besparing van isolatie berekend.
• Uitkomst: een “besparing” die soms hoger is dan het daadwerkelijke huidige verbruik.

Het Planbureau voor de Leefomgeving (PBL) laat in een vergelijking met virtuele testwoningen zien:

• Bij woningen met slechte energielabels is de berekende besparing met een normeringsmodel tot een factor drie hoger dan met een methode die is gecorrigeerd op basis van statistische data.

Oftewel: als je verkeerd model kiest, kun je zomaar denken dat een maatregel drie keer meer oplevert dan realistisch is. Dat is niet alleen een rekenfout; het heeft concrete gevolgen:

• Overoptimistische klimaatdoelen
• Te rooskleurige businesscases voor woningcorporaties en zorginstellingen
• Huishoudens (en cliënten) die teleurgesteld raken omdat de energierekening minder daalt dan beloofd

Voor een eerlijke inschatting moet het startverbruik kloppen met statistische gemiddelden of met goed gemeten individuele data. Daar zie je ook meteen de rol voor AI en data-analyse.

---

De rol van gedrag, kwaliteit van uitvoering en AI

Energiebesparing door isolatie is geen natuurconstante. Gedrag en uitvoeringskwaliteit bepalen een groot deel van het verschil.

Gedrag maakt het verschil (ook in de zorg)

Het PBL-onderzoek laat zien:

• De 10% onzuinigste bewoners hebben ongeveer drie keer zo’n hoge energierekening als de 10% zuinigste, in vergelijkbare woningen.

Factoren die daarin meespelen:

• Hoe vaak is iemand thuis?
• Wordt het hele huis of slechts enkele ruimtes verwarmd?
• Hoe hoog staat de thermostaat ingesteld?
• Staan ramen vaak open, ook bij verwarming?

Een zuinige gebruiker kan dus minder besparen dan gemiddeld, simpelweg omdat hij of zij al zuinig is. Een onzuinige gebruiker kan juist meer besparen dan gemiddeld.

In de zorg zie je hetzelfde mechanisme:

• Een verpleeghuis met strakke temperatuurregie, slimme zonwering en goed onderhoud heeft minder potentieel extra besparing dan een ouder verzorgingshuis waar ramen structureel openstaan en installaties niet goed zijn ingeregeld.

Kwaliteit van isolatie

Ook de kwaliteit van de maatregel zelf is cruciaal:

• Zijn er koudebruggen ontstaan?
• Is het isolatiemateriaal goed geplaatst?
• Zijn naden en kieren dicht?

Dit soort details komen in simpele Excel-berekeningen zelden terug, maar in geavanceerdere bouwfysische en AI-gestuurde modellen wel.

Waar AI het verschil kan maken

AI is bij uitstek geschikt om complex gedrag, variatie in woningen en praktijkdata te combineren:

• Patroonherkenning in slimme meter-data: AI-modellen kunnen herkennen welk deel van het verbruik naar verwarming gaat, hoe bewoners het huis gebruiken en hoe dat verandert na isolatie.
• Persoonlijke besparingsprofielen: door woningkenmerken, zorgprofiel (bijv. nachtopvang, 24/7 zorg) en historische verbruiken te koppelen, kun je veel preciezer voorspellen wat een maatregel oplevert.
• Detectie van afwijkingen: valt de gemeten besparing tegen, dan kan AI helpen signaleren of er sprake is van slecht aangebrachte isolatie of onverwacht gedrag (bijvoorbeeld extra elektrische bijverwarming).

De les uit het PBL-rapport past perfect in de AI-discussie: modellen zijn nooit neutraal. Dat geldt in de zorg (diagnose-algoritmes) én in energie (isolatiemodellen). Je moet heel scherp zijn op:

• Voor welk doel is het model gemaakt?
• Welke aannames zitten erin over gedrag en gebruik?
• Is het getraind of gekalibreerd met echte Nederlandse data?

---

Waarom dit ook de zorgsector aangaat

In een serie over AI in de Nederlandse zorg lijkt isolatieberekening misschien een zijpad, maar het raakt drie thema’s die voor zorgorganisaties steeds belangrijker worden:

1. Energiearmoede en gezondheid van patiënten
   Mensen in slecht geïsoleerde woningen hebben vaker gezondheidsproblemen: luchtwegaandoeningen, stress door hoge rekeningen, vocht- en schimmelproblemen. Als beleidsmakers overschatten wat isolatieprogramma’s opleveren, blijft een deel van deze groep simpelweg in de kou zitten.

2. Duurzame zorgvastgoedportefeuilles
   Ziekenhuizen, GGZ-instellingen, ouderencomplexen: allemaal zijn ze bezig met verduurzaming. Als ze voor hun investeringsbeslissingen verkeerde modellen gebruiken, lopen ze risico op:

   • te optimistische terugverdientijden;
   • onderschatting van restwarmtevraag;
   • verkeerde keuzes tussen isolatie, warmtepompen en andere technieken.

3. Leren van fouten met modellen
   In de zorg zien we vergelijkbare discussies rond AI: een model getraind op de verkeerde populatie, een algoritme dat ongelijkheden vergroot, of een tool die buiten zijn ontwerpdoel wordt gebruikt (bijvoorbeeld een triagetool als diagnose-instrument). Het PBL-rapport is in feite een casus over modelgebruik waar de zorgsector veel van kan leren.

Wie energiemodellen slordig gebruikt, zal AI in de zorg hoogstwaarschijnlijk ook slordig inzetten.

---

Praktische handvatten: welk model gebruik je wanneer?

De PBL-studie benadrukt het belang van een fit-for-purpose keuze. Je kunt dit vrij eenvoudig vertalen naar een beslisboom.

Voor beleidsmakers (rijk, provincie, gemeente)

Gebruik bij voorkeur:

• Beleids- en statistische modellen die zijn gekalibreerd op CBS-verbruiksdata en realistische gedragsscenario’s.

Vermijd:

• Normeringsmodellen als basis voor gemiddelde besparingen op wijk- of landelijk niveau.

Vragen die je jezelf moet stellen:

• Is het model gevalideerd op werkelijk gemeten verbruik?
• Rekent het met gemiddelde, niet-conservatieve parameters?

Voor woningcorporaties en zorginstellingen

Gebruik:

• Een combinatie van beleidsmodellen en maatwerkadviesmodellen.
• Waar mogelijk: AI-analyse op eigen historische verbruiksdata (bijvoorbeeld via slimme meters of gebouwbeheersystemen).

Concreet:

• Start met een model dat de theoretische besparing per maatregel inschat.
• Leg dat naast eigen verbruiksprofielen en gebruikspatronen (24/7 zorg, nachtverlichting, ventilatie-eisen).
• Gebruik AI of statistiek om te checken: klopt het dat we zoveel kunnen besparen, gegeven hoe we het gebouw echt gebruiken?

Voor individuele bewoners en cliënten

Gebruik:

• Maatwerkadviesmodellen gericht op consumenten.

Let op:

• Vul zo goed mogelijk je werkelijke gebruik in (thermostaatinstelling, aantal uren thuis, type verwarming).
• Wees kritisch op beloofde besparingen die bijna net zo hoog zijn als je huidige verbruik. Dat is meestal een signaal dat er iets niet klopt.

---

Waarom meer empirisch onderzoek en data nodig zijn

De rode draad in het PBL-onderzoek: er is te weinig praktijkdata over het werkelijke effect van isolatie.

• In landelijke statistieken wordt niet bijgehouden welke isolatiemaatregelen precies waar, wanneer en met welke kwaliteit zijn uitgevoerd.
• Pas sinds kort zijn volledige energieverbruiksgegevens onder strenge voorwaarden bruikbaar voor onderzoek.

Zonder goede data blijven we te sterk leunen op theoretische modellen. Daar kunnen zorg en energiesector veel aan doen:

• Zorginstellingen kunnen systematisch bijhouden:
  • welke maatregelen wanneer zijn uitgevoerd;
  • wat het energieverbruik was vóór en ná de maatregel;
  • welke comfort- en gezondheidsklachten veranderden.
• Met AI kunnen die datasets worden geanalyseerd tot realistische besparingsprofielen die weer terugvloeien in betere modellen.

Dit helpt niet alleen om CO₂-effecten eerlijk in te schatten, maar ook om gezondheidswinst door betere woningen beter te benoemen. Denk aan minder COPD-exacerbaties, minder valincidenten bij kou, minder ziekenhuisopnames tijdens hittegolven.

---

Slot: slimmer rekenen voor gezondere mensen

Wie in 2025 nog uitgaat van één standaardbesparing per isolatiemaatregel, kijkt weg van de werkelijkheid. Isolatie is geen vaste korting, het is een functie van gedrag, woningtype, uitvoeringskwaliteit en het gekozen model.

Voor de energietransitie én voor de zorgsector betekent dat:

• Kies altijd een model dat past bij je vraag (normering, beleid, individueel advies).
• Controleer of het uitgangsverbruik realistisch is – je kunt niet meer besparen dan je nu verbruikt.
• Combineer modellen met echte data en, waar mogelijk, AI-analyse om aannames te toetsen.

Wie isolatiebesparing realistischer berekent, voorkomt teleurstelling, scherpt klimaatbeleid aan en draagt indirect bij aan minder ziekte en meer comfort bij bewoners en patiënten. De volgende stap is duidelijk: meer meten, beter modelleren en AI inzetten als kritische partner – niet als zwarte doos.

De vraag is niet of we dat gaan doen, maar wie in Nederland het voortouw neemt: de energiewereld, de zorgsector, of – liever nog – allebei samen.