In de huidige discussie rond Agentic AI staan vaak de capaciteiten van modellen centraal. Nieuwe systemen kunnen plannen, tools aanroepen, workflows orkestreren en steeds complexere taken overnemen. Zodra deze discussie echter de wereld van demo's verlaat en op echte operationele vraagstukken stuit, verschuift het perspectief. Dan is de vraag niet langer of een KI-agent een taak kan uitvoeren. Veel interessanter wordt de vraag of hij de omgeving begrijpt waarin een beslissing genomen moet worden. Precies deze vraag stond aan het begin van een Urban-Digital-Twin-scenario voor Frankfurt am Main. Het doel was te onderzoeken hoe ruimtelijke analyses, simulaties en KI met elkaar verbonden kunnen worden om besluitvormingsprocessen in een complexe stedelijke omgeving te ondersteunen. Tijdens het werk ontstond echter een veel fundelere inzicht: voordat een KI-agent zinvolle beslissingen kan ondersteunen, moet hij de ruimtelijke verbanden begrijpen die een stad kenmerken. Steden zijn geen verzameling onafhankelijke systemen. Verkeer, infrastructuur, weer, energieverbruik, openbaar vervoer, bouwplaatsen en menselijk gedrag beïnvloeden elkaar voortdurend. Wie deze wisselwerkingen wil begrijpen, heeft meer nodig dan data. Hij heeft context nodig. En die context is in veel gevallen ruimtelijk van aard.
Elke stad heeft een geheugen
Als er over Digital Twins wordt gesproken, denken velen eerst aan realtimegegevens. Verkeersstromen, sensoren, bouwplaatsen, weersinformatie of actuele gebeurtenissen bepalen vaak het beeld van wat een digitale tweeling moet kunnen. Tijdens het werk aan het Frankfurter scenario werd echter snel duidelijk dat het heden slechts een deel van het verhaal vertelt. Steden hebben ook een geheugen. Elk verkeersongeval laat sporen achter in de data. Terugkerende files creëren patronen. Bepaalde kruispunten of straatdelen vertonen jarenlang vergelijkbare opvallendheden. Als deze patronen zichtbaar worden gemaakt, ontstaat geleidelijk begrip voor hoe risico's zich in de stedelijke ruimte ontwikkelen. Om deze reden begon de analyse niet met KI, maar met historische verkeersongevalgegevens.
De ambitie was niet om individuele ongevallen te onderzoeken of nog een heatmap te maken. Interessant was de vraag of er over meerdere jaren stabiele ruimtelijke patronen te herkennen zijn die aanwijzingen geven over de werking van het verkeerssysteem. Sommige resultaten bevestigden de verwachtingen. Hoge concentraties ongevallen traden op langs belangrijke verkeersassen, bij druk gebruikte kruispunten en rond centrale verkeersknooppunten. Andere resultaten verrasten juist. Bepaalde delen van de stad verschenen steeds weer in de analyses, hoewel ze op het eerste gezicht geen prominente rol in het verkeersnet speelden.
Pas door het betrekken van aanvullende geodata, bijvoorbeeld over de nederzettingsstructuur, verkeersinfrastructuur of het gebruik van de openbare ruimte, ontstond een samenhangender beeld. De eigenlijke bevinding lag daarbij niet in afzonderlijke hotspots, maar in de persistentie van bepaalde patronen. Sommige delen van de stad ontwikkelden jarenlang vergelijkbare risicostructuren, terwijl andere verrassend stabiel bleven.
Terugkijken is niet genoeg
Historische data helpen om het verleden te begrijpen. Beslissingen worden echter voor de toekomst genomen.Daarom werd de analyse uitgebreid met verkeerssimulaties. Terwijl de ongevalanalyses beantwoorden wat er in voorgaande jaren is gebeurd, bieden simulaties een blik op mogelijke toekomstige ontwikkelingen.
Hoe veranderen verkeersstromen tijdens grotere bouwplaatsen?
Welke effecten hebben omleidingen?
Hoe reageren bepaalde delen van de stad op toenemende verkeersbelasting?
Welke corridors komen vroeg onder druk te staan?
Simulaties leveren geen voorspellingen in klassieke zin. Ze maken het mogelijk scenario's door te spelen en laten zien hoe belastingen zich door een verkeersnet kunnen verspreiden.Eerst bestonden beide analysemethoden naast elkaar: historische ongevalspatronen aan de ene kant, gesimuleerde verkeersstromen aan de andere kant. De echte meerwaarde ontstond pas toen beide perspectieven werden gecombineerd.
Wanneer toekomstige druk op historisch risico botst
Een hoge verkeersbelasting is belangrijke informatie. Een ongeval-hotspot is ook belangrijke informatie.Maar vooral interessant zijn die plekken waar beide factoren samenkomen. In het Frankfurter scenario toonden zich gebieden waar verkeerssimulaties toenemende belasting voorspelden en tegelijkertijd historische ongevalanalyses al jarenlang verhoogde risicowaarden documenteerden.
De analyse richtte zich daardoor niet langer uitsluitend op verkeer of verkeersveiligheid. Plots stond de vraag naar risico centraal. Hier ontstond één van de belangrijkste inzichten van het project. De grootste meerwaarde lag niet in het identificeren van individuele hotspots. Cruciaal was het begrip hoe verschillende risicosignalen met elkaar interageren. Steden komen zelden door één enkel incident onder druk te staan. Kritieke situaties ontstaan vaak wanneer meerdere factoren tegelijk optreden en elkaar versterken.Uit analytisch oogpunt betekent dit dat ruimtelijke besluitvormingsondersteuning minder gaat over het beoordelen van afzonderlijke datasets dan over het begrijpen van hun wisselwerkingen.
Hier werd KI echt interessant
Pas nadat deze analytische basis was gelegd, kwam de vraag naar het gebruik van KI-agenten in een nieuw licht.Bis dahin bestond die uitdaging niet darin, Berichte zu generieren oder Dashboards zusammenzufassen.Die eigentliche Aufgabe bestand darin, unterschiedliche Informationsquellen miteinander in Beziehung zu setzen und daraus belastbare Schlussfolgerungen abzuleiten.Stel dat een meldkamer tegelijkertijd meerdere informatie ontvangt: toenemende verkeersbelasting, een naderende weerssituatie met zware regenval, een groots evenement in het stadscentrum en historische aanwijzingen voor verhoogde ongevalsrisico's in aangrenzende gebieden.
Elk van deze informatie op zichzelf lijkt misschien weinig spectaculair. Samen vormen ze echter een veel complexer beeld precies hier ontstaat ruimte voor nieuwe concepten zoals Spatial Decision Intelligence.In het kader van het project Spatial Decision Skills werd daarom onderzocht hoe geografische analysemogelijkheden als tools voor KI-agenten beschikbaar kunnen worden gesteld.De gedachte erachter is bewust eenvoudig: in plaats van ervan uit te gaan dat een model alle informatie al kent, krijgt het toegang tot ruimtelijke analysefuncties en kan relevante informatie zelf bepalen.Een agent zou bijvoorbeeld ongeval-hotspots kunnen identificeren, kritieke infrastructuren analyseren, alternatieve routes beoordelen of de ruimtelijke gevolgen van een beslissing onderzoeken.De kracht van zo'n systeem ligt niet in het uit het hoofd kennen van antwoorden, maar in het herkennen en begrijpelijk onderbouwen van verbanden.
De belangrijkste vraag was niet "Kan KI dat?"
Tijdens het werk kwam steeds weer een andere vraag naar voren.
Niet:Kan KI deze analyse uitvoeren?
Maar: Waarom beveelt KI precies deze handeling aan?
Deze vraag bleek wezenlijk belangrijker dan de eigenlijke aanbeveling.Vertouwen ontstaat niet door automatisering.Vertouwen ontstaat door transparantie.Besluitvormers willen zien welke data gebruikt zijn.Ze willen de onderliggende aannames begrijpen en kunnen volgen hoe een systeem tot een bepaalde aanbeveling is gekomen.Hoe meer analyses richting besluitvormingsondersteuning gingen, hoe duidelijker werd dat transparantie geen bijkomende functie kan zijn.Ze vormt de basis voor betrouwbare GeoAI-systemen.Een KI-agent die ruimtelijke verbanden analyseert moet daarom meer doen dan alleen een resultaat berekenen.Hij moet zijn denkwijze openbaren.
Van Digital Twin naar Spatial Decision Intelligence
Terugkijkend heeft het Frankfurter scenario vooral één inzicht verduidelijkt.De toekomst van stedelijke systemen zal niet worden gekenmerkt door autonome KI-agenten die onafhankelijk beslissingen nemen.Veel realistischer lijkt een toekomst waarin ruimtelijke analyses, Digitale Tweelingen, Data Science en KI samenwerken om complexe verbanden begrijpelijker te maken.Spatial Data Science helpt patronen te herkennen.Digitale Tweelingen maken begrip mogelijk voor dynamieken en toekomstige ontwikkelingen.Agentic AI opent nieuwe wegen om verschillende kennisbronnen samen te brengen en contextgericht te gebruiken.Samen wijzen deze ontwikkelingen op iets groters.Op een discipline die zich niet primair bezighoudt met data of algoritmen maar met betere beslissingen.
Want uiteindelijk is de belangrijkste vraag niet of KI een antwoord kan genereren.De cruciale vraag is of zij kan helpen om de consequenties van mogelijke beslissingen beter te begrijpen voordat er gehandeld wordt.En zodra beslissingen mensen, infrastructuur of steden betreffen speelt de ruimtelijke context bijna altijd een centrale rol.
Verdere links
Discussie
De werkzaamheden rond het Frankfurter Urban-Digital-Twin-scenario en het project Spatial Decision Skills staan nog in de kinderschoenen. Juist daarom zijn we geïnteresseerd in verschillende perspectieven uit de community.
Welke beslissingen zou een KI-Agent in een Urban Digital Twin mogen ondersteunen?
Waar liggen de grenzen tussen intelligente assistentie en autonome besluitvorming?
En misschien wel de meest spannende vraag:
Welke ruimtelijke vaardigheden zou elke Geospatial AI Agent in de toekomst moeten beheersen?
%2520Office%2520skaliert.png)