GVB versnelt op AI: 'Dit vergt samenwerking tussen disciplines' | Berenschot cases

GVB versnelt op AI: 'Dit vergt samenwerking tussen disciplines'

Case
GVB versnelt op AI: 'Dit vergt samenwerking tussen disciplines'

Deel deze case

Datum

16 november 2026

Hoe kan GVB efficiënter en voorspelbaarder werken met behulp van data en AI? Het Amsterdamse openbaarvervoerbedrijf neemt medewerkers stapsgewijs mee in deze ontdekkingsreis. "Als zij het niet vertrouwen, gaan ze er niet mee werken."

Voorspelbaarder werken

Het team Areaal Metro binnen GVB heeft een belangrijke opgave bij het betrouwbaar laten functioneren van de infrastructuur, die enorm veel data afgeeft. Bijvoorbeeld over de locatie van de metro, wissels, routegerelateerde zaken en veiligheid. Die data bieden kansen om storingen eerder te signaleren, onderhoud slimmer uit te voeren en kennis beter beschikbaar te maken. 

Maar hoe laat je de organisatie efficiënter en voorspelbaarder werken? Om die vraag te beantwoorden, startte GVB een AI-traject, begeleid door Berenschot. Een multidisciplinaire werkgroep kreeg de ruimte om mogelijke AI-toepassingen te verkennen en te experimenteren met concrete usecases. Al snel werd duidelijk dat succesvolle AI-toepassingen beginnen bij de kwaliteit van de onderliggende data.

Datakwaliteit als absolute randvoorwaarde

Vrijwel iedere AI-usecase bleek afhankelijk van betrouwbare, toegankelijke en goed beheerde data. Nico Verhoek, projectleider bij GVB: “Zijn datasets volledig? Zitten er afwijkingen of dubbelingen in? En wie bepaalt wanneer de data goed genoeg zijn om er geautomatiseerde analyses op los te laten?” Door met AI-initiatieven te beginnen, kwamen deze onderwerpen expliciet aan de orde binnen de organisatie.

Wanneer vinden we data goed genoeg? Die vraag was nooit gesteld.

- Nico Verhoek, projectleider GVB 

Een datakwaliteitsdashboard was dan ook het startpunt. “Dat toetst de data uit het metronet op zeven dimensies van datakwaliteit, zoals volledigheid en dubbelingen. Zo kan GVB per databron met de gebruikers afspreken wanneer data goed genoeg zijn”, vertelt Michiel Musterd, adviseur bij Berenschot.

Bredere navolging

Inmiddels krijgt datakwaliteit ook buiten de AI-werkgroep navolging. Zo blijken afspraken over het vergaren van data bij de leverancier tijdens een aanbesteding voor nieuw materieel enorm belangrijk. Die leverancier heeft namelijk veel meer data en inzichten dan GVB, doordat deze vanaf de ontwerpfase ook data verzamelt over het gebruik en onderhoud van de metrorijtuigen in andere steden. GVB is enorm gebaat bij deze schat aan kennis.

Neem het onderhoud van metro- en trammaterieel. Bij het slijpen van wielen, een tijdrovend proces, moesten medewerkers voorheen grote hoeveelheden meetgegevens handmatig invoeren en beoordelen. Inmiddels worden data uit meerdere bronnen gecombineerd in dashboards en met een algoritme geanalyseerd om te zien welke wielstellen aandacht nodig hebben. Dat bespaart tijd, is minder foutgevoelig en helpt om het onderhoud gerichter uit te voeren. 

Stap voor stap van data naar inzet AI

GVB kiest daarbij bewust voor een tussenstap. Medewerkers leren eerst vertrouwen op dashboards en datagedreven inzichten. Pas daarna wordt gekeken of verdere automatisering of inzet van AI-agents hierbij mogelijk zijn. Verhoek: “Volledig geautomatiseerde oplossingen hebben weinig waarde wanneer gebruikers de onderliggende inzichten nog niet vertrouwen. Dan gaan ze er niet mee werken.”

De echte uitdaging zit dan ook in organisatieverandering: medewerkers meenemen, managers enthousiast krijgen en eigenaarschap organiseren. Daarom investeert GVB veel tijd in kennisdeling. Werkgroepleden presenteren hun ervaringen tijdens interne bijeenkomsten en laten collega’s zien wat wel en niet werkt.

Veel vraagstukken worden pas zichtbaar wanneer medewerkers met toepassingen aan de slag gaan.

- Ward Kobussen, teamlead Datateam Techniek GVB 

Combinatie top-down en bottom-up

Niet alle randvoorwaarden hoeven vooraf perfect uitgewerkt te zijn, is de ervaring van GVB. “Veel vraagstukken worden pas zichtbaar wanneer medewerkers daadwerkelijk met toepassingen aan de slag gaan”, zegt Ward Kobussen, teamlead Datateam Techniek bij GVB.
Expliciete directieondersteuning is nodig, maar de toepassingen ontstaan op de werkvloer rond processen en operationele uitdagingen. “Alleen top-down werkt niet, maar alleen bottom-up ook niet”, voegt Verhoek toe. “Het vereist een combinatie van beide.” 

Andere randvoorwaarden voor AI-adoptie zijn samenwerking tussen disciplines en een organisatie die leert experimenteren. Zo ontstaat een fundament voor het bouwen van grotere AI-toepassingen.

Eerste resultaten zichtbaar

Ondanks alle mogelijkheden van AI blijft één uitgangspunt overeind: mensen houden de regie, zeker binnen een veiligheidskritische omgeving zoals het openbaar vervoer. AI mag adviseren, signaleren en analyseren, maar belangrijke operationele beslissingen blijven de verantwoordelijkheid van de medewerkers. 

De eerste resultaten zijn inmiddels zichtbaar binnen GVB. Zo leidde een voorspelmodel op basis van sensordata tot een set beslisregels. Die regels genereren vroege waarschuwingen voor storingen, die via Teams worden gedeeld. Daarnaast onderzoekt de werkgroep hoe de metro zuiniger kan rijden, bijvoorbeeld met ander rijgedrag of een andere dienstregeling. 

Een andere nieuwe toepassing, de AI-storingsagent, combineert waarschuwingen en technische documentatie met wat monteurs zelf melden. Via spraak-naar-tekst leggen monteurs hun werkzaamheden eenvoudig vast in het onderhoudssysteem. Dat telt, want GVB kampt met een tekort aan monteurs en wil hun schaarse tijd beter benutten. De komende maanden werkt bijna het hele team [WS2.1]aan de storingsagent. 

GVB-medewerkers werken zelf in sprints aan het AI-traject, wij helpen ze implementeren. Zo blijft de kennis bij GVB.

- Michiel Musterd, adviseur Berenschot 

Een organisatie in beweging

De werkgroep deelt de opgedane kennis actief. Elke maand presenteren werkgroepleden hun case in een lunchbijeenkomst voor zo'n honderd collega's. De aanpak rond datakwaliteit vindt ook navolging bij andere datateams binnen GVB. En de assetmanagers, die eerst overtuigd moesten worden, vragen nu zelf of ze mogen aansluiten. Verhoek: "Ik ben er trots op dat we de organisatie in beweging hebben gebracht. Dit stopt niet meer."

Blijf op de hoogte van onze laatste klantcases

Meld u aan voor onze nieuwsbrief