Uit het onderzoek van de Royal Institution of Chartered Surveyors (RICS) uit 2026, waarbij meer dan 3.100 beëdigde taxateurs werden ondervraagd, bleek dat tweederde van de bouwprofessionals en driekwart van degenen die werkzaam zijn in commercieel vastgoed momenteel gebruikmaken van AI, maar dat het grootste deel van dat gebruik zich nog in de proeffase bevindt. Sinds 9 maart 2026 verplicht de RICS-beroepsnorm inzake het verantwoord gebruik van AI in de taxatiepraktijk leden en gereguleerde bedrijven ertoe om professioneel oordeel te vellen over en vast te leggen met betrekking tot AI-uitkomsten die wezenlijke invloed hebben op hun werk. De norm beschrijft wat bedrijven moeten doen. Er wordt minder ingegaan op de dagelijkse uitvoering daarvan.

Op 19 oktober 2026 publiceerde de RICS het document „How to build a judgement layer for AI use in surveying”, een achtergrondnota die is opgesteld om die leemte op te vullen. Chris de Gruben FRICS, Senior Director bij Artefact UK en medevoorzitter van de werkgroep die de norm heeft opgesteld, heeft deze samen met Anil Sawhney FRICS (RICS), James Garner FRICS (Gleeds) en David Wong MRICS (The Augmented Practitioner Column) opgesteld.

Waarom actoren hun oordeel bijstellen

Bij een chatbot formuleert de taxateur de vraag aan het begin en beoordeelt hij het antwoord aan het einde. Een AI-agent krijgt een doel, hulpmiddelen en toestemming om te handelen, en kiest zelf zijn stappen. Fouten kunnen al lang voordat de uitkomst wordt geleverd, binnensluipen: het ophalen van verkeerd bewijsmateriaal, het inzetten van het verkeerde hulpmiddel, of het ongecontroleerd overnemen van een aanname. Het artikel geeft het voorbeeld van een agent die vergelijkbare objecten samenstelt en daarbij twee objecten uit een aangrenzende deelmarkt met een andere vraag en andere rendementen selecteert. De voorlopige taxatie lijkt aannemelijk, maar is onjuist, en uit een beoordeling van het eindresultaat zal niet blijken waarom.

Het oordeel heeft derhalve zowel betrekking op het proces als op het resultaat. Het bepalen wat een opdrachtnemer mag doen, welk bewijsmateriaal hij mag gebruiken en wanneer hij de leiding weer aan de landmeter moet overdragen, is op zich al een professionele beslissing.

Verbinden, vastleggen, beheren

Het antwoord dat in het artikel wordt gegeven, is een ‘beoordelingslaag’: de manier waarop een onderneming haar informatie, kennis en controles zo organiseert dat door AI ondersteund werk op de juiste wijze kan worden gecontroleerd en goedgekeurd. Ondernemingen bouwen deze laag op door de manier waarop zij hun werk organiseren en vastleggen, in plaats van deze als software aan te schaffen. Deze laag bestaat uit drie elementen.

Maak verbinding. Het AI-systeem moet toegang hebben tot het bewijsmateriaal dat een landmeter normaal gesproken zou gebruiken, en de landmeter moet kunnen zien waarop het systeem zich heeft gebaseerd. Bedrijven hoeven in het begin geen volkomen overzichtelijke data te hebben, maar zij moeten wel weten waar hun belangrijkste bewijsmateriaal zich bevindt en tot welke gegevens het systeem toegang heeft.

Codificeren. Hierin wordt vastgelegd hoe met dat bewijsmateriaal moet worden omgegaan: welke vergelijkbare gevallen toelaatbaar zijn, wanneer een aanname opnieuw moet worden getoetst, en wanneer een zaak wordt overgedragen aan een meer ervaren collega. De kennisbasis van een kantoor groeit van zaak tot zaak, waardoor dit het onderdeel is dat het langst duurt om op te bouwen.

Besturen. Hierdoor worden de regels van het bedrijf omgezet in controles: wat het systeem mag doen, waar de grenzen liggen, wat er wordt gecontroleerd en wie de goedkeuring verleent. Dit levert twee documenten op: een overzicht van wat het systeem heeft gedaan en een verslag van het besluit van de genoemde landmeter om de output te accepteren, te wijzigen of af te wijzen.

In veel bedrijven zijn deze controles deels geïntegreerd in tools van leveranciers, zoals voorgestelde vergelijkbare objecten of door AI opgestelde delen van een onderzoeksrapport. De leverancier heeft de opdracht van de klant niet ingezien en ondertekent het rapport niet; daarom worden de standaardinstellingen van de leverancier in dit document beschouwd als ontwerpkeuzes die het bedrijf zelf moet specificeren en toetsen.

De bijdrage van Artefact

Artefact bracht het perspectief van een bedrijf dat AI dagelijks inzet in de vastgoedsector: wat wel en wat niet werkt, hoe de systemen in de praktijk worden geïmplementeerd, de uitdagingen waarmee teams onderweg worden geconfronteerd en de invloed op de manier waarop het werk wordt uitgevoerd. Die ervaring zorgt ervoor dat het artikel is gebaseerd op wat bedrijven nu al kunnen doen, met de systemen en data waarover zij reeds beschikken.

“De meeste AI-projecten die wij in de vastgoedsector zien, mislukken niet omdat het model tekortschiet. Ze mislukken omdat het bedrijf niet heeft vastgesteld waar de gegevens zich bevinden, wat de regels zijn en wanneer een mens moet ingrijpen. De beoordelingslaag biedt taxateurs een gemeenschappelijke taal voor die beslissingen, en het is dezelfde werkwijze die wij hanteren wanneer wij agents voor klanten ontwikkelen.” – Chris de Gruben FRICS, Senior Director, hoofd Vastgoed VK & EU, Artefact

Waar te beginnen

Geen enkel bedrijf hoeft de volledige infrastructuur te hebben opgezet voordat het AI kan gaan gebruiken. In het artikel wordt aanbevolen om te beginnen met één terugkerende workflow waarbij de output van invloed kan zijn op het advies:

  • bepaal welke bewijsstukken doorgaans worden gebruikt en controleer tot welke gegevens het AI-systeem toegang heeft;
  • noteer één of twee terugkerende beslissingen en bepaal op welk punt het systeem moet worden onderbroken voor evaluatie;
  • Test de workflow aan de hand van concrete voorbeelden en pas de regel, de data of de besturing aan wanneer zich uitzonderingen voordoen.

Voor een zelfstandige beroepsbeoefenaar kan ‘connect’ betekenen dat de conditierapporten worden verplaatst naar een map die het AI-systeem kan lezen, en kan ‘govern’ een korte notitie zijn van wat er is gecontroleerd voordat de output werd gebruikt. De vereisten van de RICS-norm, waaronder de documentatie van het AI-systeem en de due diligence van de leverancier, blijven van toepassing, ongeacht de omvang.

In het artikel wordt ook ingegaan op opleiding. Junior-inspecteurs leren al lange tijd door middel van routinematig werk: het verzamelen van bewijsmateriaal, het opsporen van uitzonderingen en het observeren hoe seniorcollega’s een eerste antwoord ter discussie stellen. Als AI dat werk overneemt en er geen alternatief voor komt, winnen bedrijven nu aan efficiëntie, maar verliezen zij later aan deskundigheid. Het artikel beveelt toezicht aan waarbij junioren de opdracht zelf kunnen invullen, bronnen kunnen controleren en aannames ter discussie kunnen stellen, voordat een senior landmeter de opdracht goedkeurt.

Lees het volledige artikel op de website van RICS.

Over de auteur

Chris de Gruben FRICS is Senior Director bij Artefact, waar hij leiding geeft aan het Britse vastgoedteam. Hij was medevoorzitter van de RICS-werkgroep die de beroepsnorm „Verantwoord gebruik van AI in de taxatiepraktijk” heeft opgesteld, is vicevoorzitter van het RICS Valuation Professional Group Panel en is medeauteur van de binnenkort te verschijnen RICS-richtlijn over AI bij vastgoedtaxaties.