AI-schattingen zonnepanelen kunnen tot 40% afwijken, en dat is geen detailprobleem

Veel gemeenten vertrouwen op AI om zonnepanelen in kaart te brengen. Snel, schaalbaar en ogenschijnlijk nauwkeurig. Maar wat als die cijfers er structureel naast zitten?

Binnen een aantal projecten rond de Duurzaamheidskaart zien we in de praktijk afwijkingen tot 40% op buurtniveau..

Overtuigend op kaart, onbetrouwbaar in detail

Op het eerste gezicht lijken AI-modellen voor zonnepanelendetectie goed te werken. Zeker op nationaal of regionaal niveau leveren ze cijfers die logisch ogen en bruikbaar lijken.

Het probleem ontstaat pas zodra u inzoomt.

Binnen toepassingen zoals de Duurzaamheidskaart zien we dat dezelfde modellen installaties structureel verkeerd inschatten. Sommige buurten worden consequent te hoog ingeschat, terwijl andere juist achterblijven. De kaart blijft er overtuigend uitzien, maar de onderliggende cijfers kloppen niet.

Wat hier vooral opvalt, is dat dit geen incident is, maar een patroon. Zeker in de berekening, en op buurtniveau blijkt AI structureel onbetrouwbaar.

Waar de aanname kantelde

Binnen een provincie waar we met de Duurzaamheidskaart werkten, ontstond twijfel over de uitkomsten bij de vergelijking van de uitkomsten van de AI-detectie in 2023 t.o.v. onze detecties voor 2024. Sommige buurten gingen namelijk achteruit op het aantal zonnepanelen: dat kan natuurlijk niet kloppen.

In eerste instantie werd gedacht dat het probleem bij onze verwerking lag. Dus hebben we het getest.

We vergeleken AI-detecties uit 2023 met een handmatige controle in 2024. In sommige buurten liep de afwijking op tot 40%. Sommige wijken werden structureel overschat, andere juist onderschat

Met andere woorden: het model maakte geen kleine fouten, maar herhaalde dezelfde verkeerde aannames.

Luchtfoto’s verklaren het niet

Op het eerste gezicht lijkt het logisch om naar luchtfoto’s te kijken. Hogere resolutie, nieuwere beelden… dan zou AI toch beter moeten presteren?

Maar dat is niet wat we in de praktijk zien. AI-modellen blijven hetzelfde patroon volgen, ook wanneer de imagery bruikbaar en actueel is. De verschillen die ontstaan per buurt komen niet doordat de beelden ‘niet goed genoeg’ zijn, maar doordat het model die beelden verschillend interpreteert. De luchtfoto laat het probleem zien, maar is niet de oorzaak ervan.

Sturen op cijfers die niet kloppen

Binnen de Duurzaamheidskaart wordt deze data gebruikt voor beleid, investeringen en het monitoren van duurzaamheidsdoelen. Zodra de cijfers op buurtniveau afwijken, verschuift uw focus automatisch.

Met andere woorden: u stuurt beleid op cijfers die aantoonbaar niet kloppen.

Daardoor mist u kansen waar ze wél liggen, en investeert u mogelijk waar het minder nodig is. En dat gebeurt vaak zonder dat het direct zichtbaar is, omdat de kaart zelf er betrouwbaar uitziet.

Schaalbaar betekent niet automatisch betrouwbaar

Wat deze case laat zien, is dat schaalbaarheid en betrouwbaarheid niet hetzelfde zijn. AI kan snel en efficiënt grote gebieden analyseren. Maar zodra precisie belangrijk wordt, bijvoorbeeld binnen toepassingen zoals de Duurzaamheidskaart op wijk- of buurtniveau, ziet u dat diezelfde modellen tekortschieten. Zonder controle lijkt het betrouwbaar. Met controle blijkt dat niet altijd zo te zijn.

Combineren in plaats van vertrouwen

Betekent dit dat AI geen waarde heeft? Zeker niet. Maar wat wél duidelijk wordt, is dat AI op zichzelf niet genoeg is. De kracht zit juist in de combinatie. Binnen de Duurzaamheidskaart combineren we AI met validatie en context. Daardoor ontstaat een dataset die niet alleen snel beschikbaar is, maar ook klopt. En uiteindelijk is dat waar het om draait.

Betekent dit dat AI geen waarde heeft? Zeker niet.

Maar wat wél duidelijk wordt, is dat AI op zichzelf niet genoeg is. De kracht zit juist in de combinatie.

Binnen de Duurzaamheidskaart combineren we AI met validatie en context. Daardoor ontstaat een dataset die niet alleen snel beschikbaar is, maar ook klopt.

👉 Bekijk hoe dit werkt binnen de Zonnekaart Pro