De kloof tussen stedelijke theorie en kunstmatige intelligentie: een multi-agent aanbevelingssysteem voor duurzame stadsontwikkeling

Waarom dit van belang is voor het stadsleven

Naarmate meer steden kunstmatige intelligentie inzetten om verkeer, hittegolven, criminaliteit en vervuiling aan te pakken, ontstaat er een verborgen risico: veel AI-projecten negeren decennia aan hard verworven kennis over hoe echte buurten werken. Deze studie laat zien dat de meeste stedelijke AI-tools de nieuwste algoritmen nastreven in plaats van de werkelijke behoeften van inwoners, en biedt vervolgens een nieuwe manier om mensgerichte stedenbouwkundige denktradities weer de leiding te geven over de machines.

Wanneer slimme tools stadswijsheid vergeten

De auteurs bekeken 1.123 wetenschappelijke artikelen over het gebruik van AI voor stedenbouw en veiligheid. Ze vonden dat minder dan 2 op de 100 zelfs maar klassieke ideeën over steden noemden, zoals hoe straatactiviteiten bijdragen aan veiligheid of hoe voorzieningen in een buurt georganiseerd zouden moeten zijn. In plaats daarvan werd bijna de helft van de studies hoofdzakelijk door technologie gedreven: onderzoekers kozen algoritmen omdat ze nieuw of krachtig waren, niet omdat ze aansloten bij een echt stedelijk probleem. Sociale rechtvaardigheid, langetermijnweerbaarheid en dagelijkse leefbaarheid werden vaak als bijzaak behandeld.

Gegevens en algoritmen die de verkeerde kant op sturen

Het team onderzocht ook welke soorten algoritmen en gegevens deze projecten gebruikten. Moderne machine learning en deep learning domineerden, en nieuwere AI-modellen zoals grootschalige taalmodellen en generatieve tools werden vrijwel meteen na release overgenomen. Tegelijk vertrouwden de meeste projecten op makkelijk verkrijgbare sensor- en omgevingsgegevens, zoals luchtkwaliteitsmeters of verkeersdetectoren. Moeilijker te verzamelen informatie over de ervaringen van mensen, sociale omstandigheden of buurtindelingen werd veel minder gebruikt, ook al zeggen veel stedelijke theorieën dat deze factoren cruciaal zijn. Het resultaat is wat de auteurs "data-opportunisme" noemen, waarbij wat meetbaar is de vragen vormt, in plaats van wat echt belangrijk is voor het stadsleven.

Hoe de haast naar AI het probleem versnelt

Wanneer ze over tijd kijken, zagen de onderzoekers dat AI in steden verschuift van zorgvuldige, probleemgestuurde experimenten naar een snelle "technologiepush." Voor 2008 gebruikten vrijwel geen stedenbouwkundige artikelen AI-taal. Daarna, en vooral nadat deep learning in opkomst raakte, explodeerde het aantal als AI gelabelde studies, met meer dan 60 procent gepubliceerd na 2020. Nieuwe tools zoals beeld-taalmodellen en grote tekstmodellen verschenen in stedelijk onderzoek binnen hetzelfde jaar dat ze werden uitgevonden. Die snelheid klinkt misschien spannend, maar ze moedigt aan om te gebruiken wat nieuw is, zelfs als het slecht past bij de taak of planners afsluit van sociale en ecologische afwegingen.

Een nieuwe gids voor slimmer, eerlijker AI in steden

Om AI weer te verbinden met echte stedelijke behoeften, bouwden de auteurs een systeem gebaseerd op grote taalmodellen dat functioneert als een paneel van deskundige assistenten. Wanneer het een beschrijving van een stedelijke uitdaging krijgt, zoals voedselverspilling, hittebelasting of rampenrisico, structureert de ene agent eerst het probleem. Een andere doorzoekt een verzameling van 46 klassieke stadstheorieën om die te vinden die het beste beschrijven wat er speelt. Een derde koppelt geschikte AI-methoden, een vierde suggereert benodigde gegevensbronnen, en een vijfde controleert of het hele pakket robuust en realistisch is. Tests op casestudies tonen aan dat dit proces projecten verschuift weg van enge doelen, zoals het verlagen van bezorgkosten of het verbeteren van voorspellingsnauwkeurigheid, en naar rijkere doelstellingen die ook rekening houden met gelijkheid, gezondheid en klimaateffecten.

Wat dit betekent voor de toekomst van stedelijke AI

Kort gezegd betoogt de studie dat beginnen met de vraag "Wat kan dit algoritme doen?" de verkeerde uitgangspositie is. In plaats daarvan zouden planners, ingenieurs en gemeenschappen eerst moeten vragen: "Wat heeft dit stedelijke probleem werkelijk nodig om duurzamer en rechtvaardiger te worden?" en pas daarna AI-instrumenten kiezen die bij die behoeften en de beste beschikbare stadstheorieën passen. Door die theorieën zichtbaar en bruikbaar te maken binnen een AI-aanbevelingssysteem tonen de auteurs hoe steden geavanceerde rekenkracht kunnen gebruiken zonder het menselijke beleven, gedeelde ruimtes en langetermijnweerbaarheid uit het oog te verliezen.

Bronvermelding: Tong, J., Wang, S., Wang, G. et al. Bridging urban theory and artificial intelligence: a multi-agent recommendation system for sustainable city development. npj Urban Sustain 6, 77 (2026). https://doi.org/10.1038/s42949-026-00377-2

Trefwoorden: stedelijke AI, duurzame steden, stedenbouw, multi-agent systemen, smart city-bestuur