AI in commercial real estate: waarom 92% piloot draait, weinig levert

In 2025 constateerde JLL dat 92% van de commercieel vastgoedteams AI-pilots plande, tegenover minder dan 5% in 2023. Datzelfde onderzoek liet zien dat slechts 28% van de facilitaire organisaties AI daadwerkelijk had ingebed in hun operaties. Dat verschil van 64 procentpunten is geen technologieprobleem. Het is een integratieprobleem, en het speelt zich bijna volledig af binnen gebouwbeheer.

Vastgoed- en facilitaire managers staan in 2026 onder druk om AI-resultaten te laten zien en een geloofwaardige roadmap voor 2027 te presenteren. De macro-adoptiecijfers zijn reëel, maar ze beschrijven intentie, geen uitvoering. De bedrijven die de kloof dichten, doen dat niet door een beter model te kiezen. Ze doen het door AI te verbinden met de specifieke systemen, wachtrijen en werkstromen waar vastgoedmanagers en technici hun dag doorbrengen: tenanthelpdeskbeheer, onderhoudsticketverwerking, werkorderbeheer en assetdatafeeds. Al het andere is een pilot die nooit doorgroeit.

AI in commercial real estate: de adoptiecijfers verhullen een operationeel tekort

De kopcijfers zien eruit als momentum. 92% piloteert. Adoptie in vastgoedbeheer stijgt jaar op jaar. Maar de operationele realiteit is veelzeggender. JLL's onderzoek uit 2025 toonde aan dat 54% van de CRE-teams compatibiliteit met legacy-infrastructuur noemde als de belangrijkste barrière voor AI-implementatie. Dat cijfer verklaart meer over de staat van de sector dan welk adoptiepercentage ook. Bedrijven experimenteren aan de rand terwijl hun kernoperationele systemen, werkorderplatforms, tenantcommunicatietools en gebouwbeheersystemen losgekoppeld blijven van elke AI-laag.

De consequentie is zichtbaar in een afzonderlijke JLL-bevinding gepubliceerd in augustus 2026: slechts 15% van de ondervraagde CRE-leiders had de optimalisatiefase van AI-adoptie bereikt, terwijl 78% verwachtte dat AI significante veranderingen in hun portefeuillestrategieën zou aandrijven. Strategische ambitie loopt ruwweg vijf keer voor op operationele volwassenheid. Die verhouding is niet houdbaar richting de budgetcycli van 2027.

Onder de facilitaire organisaties die AI hadden ingebed, waren de meest voorkomende toepassingen werkorderbeheer met 57% en asset-lifecycle-inzichten met 54%. Die twee cijfers zijn belangrijk omdat ze direct wijzen naar de integratielaag die een werkende AI-implementatie scheidt van een vastgelopen pilot. Werkorderbeheer is niet glamoureus. Het is ook waar het volume zit. Een middelgroot commercieel vastgoedportfolio kan honderden onderhoudsverzoeken per week genereren voor HVAC, toegangscontrole, schoonmaak en compliance. Die tickets handmatig routeren, of via een regelgebaseerd systeem dat niet kan leren, is precies waar tijd en tenanttevredenheid beide eroderen.

Waar de integratiekloof werkelijk zit in gebouwbeheer

Drie integratiepunten verklaren het grootste deel van de operationele kloof in commercieel gebouwbeheer. Het eerste is tenantintake. De meeste vastgoedmanagementteams verwerken tenantverzoeken nog steeds via een mix van e-mail, telefoon, WhatsApp en portaalsubmissies. Elk kanaal creëert een aparte wachtrij. Een AI-agent die over al die kanalen heen zit, het verzoek classificeert, het assetregister raadpleegt en doorstuurt naar de juiste technicus of aannemer, vereist geen nieuw model. Het vereist een verbinding met de systemen die de data al bevatten: het CMMS, het huurbeheersplatform en de communicatiegeschiedenis. Het model is het makkelijke deel. De verbindende infrastructuur is het werk.

Het tweede integratiepunt is de onderhoudsticketstroom. Een ticket dat om 22:00 uur op een vrijdagavond binnenkomt voor een verwarmingsstoring in een kantoorgebouw met meerdere huurders, heeft een kostenprofiel dat sterk verandert afhankelijk van hoe snel het wordt geclassificeerd en geëscaleerd. Een AI-agent die het inkomende bericht kan lezen, het koppelt aan het assetrecord, de onderhoudshistorie controleert, nagaat of de storing onder een service-level agreement valt en een geprioriteerde werkorder aanmaakt in het CMMS voordat een mens het de volgende ochtend bekijkt, is in 2026 geen sciencefiction. Het is een configuratie- en integratieproject. De bedrijven die dit hebben gedaan, rapporteren meetbare reducties in de gemiddelde oplostijd. De bedrijven die het niet hebben gedaan, routeren tickets nog steeds handmatig.

Het derde integratiepunt is de gebouwsysteemlaag zelf. Deloitte's infrastructuuronderzoek uit 2026 toonde aan dat 44% van de infrastructuurorganisaties van plan was AI in te zetten voor energievraagprognoses in de komende drie jaar, en 38% voor AI-gestuurde personeelsoptimalisatie. Beide toepassingen zijn afhankelijk van verbonden assetdata. Een gebouwbeheersysteem dat zijn sensordata niet blootstelt aan een AI-laag, kan geen vraagprognoses ondersteunen. Een personeelsoptimalisatiemodel dat de werkorderwachtrij niet kan lezen, kan veldtechnici niet efficiënt inplannen. Het model staat stil totdat de datapijplijn bestaat.

Waarom rollen net zo belangrijk zijn als systemen

JLL's onderzoek uit juli 2026 over veranderingen in de arbeidsmarkt toonde aan dat 60% van de senior bedrijfsleiders verwachtte dat AI menselijke rollen opnieuw zou vormgeven in plaats van ze te vervangen. In gebouwbeheer is dat onderscheid operationeel significant. Een vastgoedmanager wiens werk momenteel bestaat uit het triëren van tenant-e-mails, het handmatig aanmaken van werkorders en het achtervolgen van aannemersbevestigingen, wordt niet vervangen door een AI-agent. Maar de vorm van die rol verandert aanzienlijk wanneer de agent intake, classificatie en routering afhandelt. De vastgoedmanager verschuift naar uitzonderingsbeheer, relatiebeheer en kwaliteitscontrole. Die verschuiving vereist bewuste herontwerp van werkstromen, niet alleen een nieuw softwareabonnement.

Hetzelfde JLL-onderzoek uit 2026 merkte op dat slechts 31% van de CRE-leiders actief bezig was met het herontwerpen van ruimtes en werkstromen voor mens-AI-samenwerking. Dat cijfer suggereert dat de meeste bedrijven AI-tools inzetten zonder de processen te herontwerpen die die tools geacht worden te ondersteunen. Het resultaat is voorspelbaar: het tool wordt gebruikt voor de eenvoudige gevallen, de moeilijke gevallen gaan nog steeds via het oude proces, en de efficiëntiewinsten materialiseren zich nooit op schaal. Werkstroomherontwerp is geen bijzaak voor verandermanagement. Het is een voorwaarde voor operationele AI die daadwerkelijk levert.

Deloitte's AI-infrastructuuronderzoek uit maart 2026 toonde aan dat 64% van de grote ondernemingen was begonnen met beperkte of geschaalde AI-factory-implementaties, waarbij 88% verwachtte dit voor 2028 te doen. In CRE-termen is een AI-factory de infrastructuurlaag die AI-agents in staat stelt dicht bij operationele data te draaien: de huurdatabase, het assetregister, het werkordersysteem, de tenantcommunicatiegeschiedenis. Zonder die infrastructuur blijft AI in gebouwbeheer een demo. Met die infrastructuur worden de hierboven beschreven integratiepunten realiseerbaar in weken in plaats van kwartalen.

Wat operationele integratie in 2027 concreet vereist

Voor vastgoed- en facilitaire managers die hun programma's voor 2027 plannen, is de praktische vraag niet welk AI-model ze moeten gebruiken. Het is welke drie integratiepunten ze als eerste moeten verbinden, en in welke volgorde. De ervaringen van bedrijven die voorbij de pilotfase zijn gegaan, wijzen op een consistente volgorde. Begin met tenantintake, want dat is het hoogvolume, laagrisico integratiepunt. Een multi-channel intake-agent die verzoeken classificeert en routeert, heeft geen toegang nodig tot financiële systemen of huurdata om waarde te leveren. Het heeft een verbinding nodig met de communicatiekanalen en het werkordersysteem. Die verbinding is realiseerbaar in een korte implementatiecyclus en produceert meetbare output vanaf dag één.

De tweede stap is onderhoudsticketautomatisering binnen het CMMS. Zodra intake is verbonden, begint de ticketdata zich op te stapelen in een gestructureerde vorm die routeringsregels, prioriteitsscoring en SLA-tracking ondersteunt. Een AI-agent die binnen die datalaag opereert, kan escalatielogica, aannemerstoewijzing en statusupdates afhandelen zonder menselijke tussenkomst voor de meerderheid van standaardverzoeken. De vastgoedmanager beoordeelt uitzonderingen, niet elk ticket.

De derde stap is het verbinden van gebouwsysteemdata met de operationele AI-laag. Dit is de technisch meest complexe stap en de stap die de meeste coördinatie vereist met facilitaire engineering en IT. Maar het is ook de stap die de energie- en personeelsoptimalisatietoepassingen ontsluit waar de Deloitte-infrastructuurdata op wijst. Bedrijven die alle drie de stappen voltooien, hebben een verdedigbaar operationeel AI-programma. Bedrijven die stoppen bij stap één, hebben een betere helpdesk.

Het 92%-pilotcijfer uit JLL's onderzoek van 2025 is geen teken dat de sector AI-adoptie heeft opgelost. Het is een teken dat de sector het makkelijke deel heeft opgelost: een model laten draaien in een gecontroleerde omgeving. Het moeilijke deel is het integratiewerk dat dat model verbindt met de systemen, rollen en werkstromen waar gebouwbeheer daadwerkelijk plaatsvindt. Dat werk is niet glamoureus, het gaat niet snel, en het genereert geen persberichten. Het is ook het enige werk dat de kloof sluit tussen een pilot en een programma dat levert.