Vijf AI-modellen, één bouwaanvraag

In de vorige versie draaide de inhoudelijke Bbl-toets op één model. Dat werkte, maar liet een vrij voor de hand liggende vraag liggen: welk model kun je deze toets eigenlijk het beste laten uitvoeren? Dus kregen vijf modellen exact dezelfde geanonimiseerde nieuwbouwaanvraag. Zelfde documenten, zelfde tools, zelfde kennisbestanden. Geen aangepaste vragen en geen stiekem extra koekje voor de favoriet.

Eén aanvraag, vijf modellen

De testcase was een echte, maar geanonimiseerde aanvraag voor een nieuwbouwwoning op een hoekkavel in een Twentse gemeente. Het dossier bestond uit twaalf documenten met samen 102 pagina's: van A4-rapporten tot grote tekeningen. Daaronder een statische berekening van 23 pagina's (7 november 2023), een BENG-berekening uit UNIEC3 van 32 pagina's, een geotechnisch onderzoek van 16 pagina's, de BBSL- en MPG-berekeningen, een energielabel, en de tekeningen: situatietekening BA-01 op groot langformaat (594 × 1051 mm) en een geluidstekening W-01 op A0-formaat (841 × 1189 mm).

Ieder model kreeg dezelfde systeeminstructies, dezelfde agent-tools en dezelfde kennisbestanden. Ook de documenten en de volgorde waarin ze beschikbaar waren bleven gelijk. Het is een gecontroleerde praktijktest op precies het soort dossier waarvoor we de agent bouwen.

Alle vijf modellen kwamen tot hetzelfde eindoordeel: AANVULLEN_VEREIST. Dat is belangrijker dan kleine verschillen in formulering. De aanvraag kon volgens geen van de modellen zonder aanvullende informatie worden afgetekend.

Terra was met 79 seconden ruim de snelste en met ongeveer $0,39 ook de goedkoopste. Opus 4.6 en 4.8 zaten qua tijd en kosten dicht bij elkaar. Fable 5 was iets sneller dan beide Opus-versies, maar kostte ruim twee keer zoveel.

Sol nam de meeste tijd en voegde als enige een negende aspect toe: een aparte toets op het omgevingsplan. Dat maakte hem niet per definitie beter, wel strenger en breder. Wie ooit met een gemeentelijke checklist heeft gewerkt, weet dat breder en beter soms familie zijn, maar niet altijd bij elkaar op verjaardag zitten.

De kleuren per aspect

Op hoofdlijnen was de overeenstemming opvallend groot. Energiezuinigheid en geluid waren bij ieder model rood. Ventilatie, daglicht en isolatie waren overal groen. Brandveiligheid werd door vier modellen oranje en door Sol rood.

Sol was duidelijk het strengst. Naast rood voor brandveiligheid zette het model ook gebruiksoppervlak op rood en voegde het de rode omgevingsplan-toets toe. De meest interessante afwijking zat alleen niet daar. Die zat bij constructieve veiligheid, waar de Claude-modellen groen gaven en Terra en Sol oranje.

Hoe komt een model eigenlijk aan een kleur?

Een gekleurd bolletje is pas iets waard als eronder staat waaróm. Daarom werkt de toets niet op onderbuikgevoel, maar per aspect met een concrete waarde uit de stukken die wordt afgezet tegen een norm uit de kennisbank. Die kennisbank is een bestand met de Bbl-eisen: per artikel de grenswaarde, de eenheid en de richting (een minimum of een maximum). Het model haalt de werkelijke waarde uit een specifiek document, noemt de pagina, en vergelijkt.

Concreet zag dat er bij dit dossier zo uit. Telkens: waarde uit het document, bron met pagina, en de norm waartegen wordt getoetst.

Zo wordt daglicht niet groen omdat het model "een goed gevoel" heeft, maar omdat de kleinste verblijfsruimte 1,12 m² equivalente daglichtoppervlakte heeft terwijl artikel 4.137 minimaal 0,5 m² vraagt. Gebruiksoppervlak is groen omdat de kleinste verblijfsruimte 8,50 m² is en de eis 5 m². En energiezuinigheid is rood, niet omdat de getallen slecht zijn, maar omdat de BENG-berekening op "niet geregistreerd" staat en het energielabel nog "voorlopig" is. Een prima berekening die je formeel nog niet mág gebruiken bij de aanvraag telt nu eenmaal niet.

Het aardige is dat elk bolletje daarmee terug te klikken is naar een regel in een document. Een oordeel zonder herleidbare bron is geen ondersteuning, maar een nieuwe collega die heel stellig praat en nooit zijn notities bewaart.

Dezelfde feiten, een andere kleur

Eerst het belangrijkste: het verschil bij constructieve veiligheid was geen leesfout. Beide modelfamilies haalden dezelfde informatie uit de constructieve stukken. De unity checks, oftewel benuttingsgraden, bleven met 0,59 voor het staalprofiel en 0,85 voor de doorbuiging van de balklaag ruim onder 1,0 (statische berekening, pagina 9-10). De hoofdberekening zat dus keurig binnen de norm. Ook zag iedereen het geotechnisch onderzoek: twee sonderingen en een handboring, met een fundering op staal.

Het verschil ontstond bij de koppeling tussen die fundering en dat grondonderzoek. Er was grondonderzoek aanwezig, maar geen expliciete uitwerking waarin de gekozen fundering werd gekoppeld aan draagkracht, zetting en de aangetroffen sonderingen.

Claude: de hoofdberekening klopt, dus groen

Opus 4.6, Opus 4.8 en Fable 5 scoorden de check "fundering onderbouwd met grondonderzoek" als aanwezig, en dus als voldaan. De redenering: grondonderzoek is er, de berekening is intern consistent en het bouwwerk valt in gevolgklasse 1. Daarmee is het aspect voldoende aannemelijk gemaakt en dus groen. Opus 4.8 zag de ontbrekende schakel zelfs expliciet en noteerde in zijn eigen conclusie:

"Let op: geotech is bodemverkenning, expliciet funderingsadvies ontbreekt."

En zette het aspect vervolgens toch op groen. Dat lijkt tegenstrijdig, maar is het binnen deze kalibratie niet. Claude behandelt de ontbrekende expliciete koppeling als een aandachtspunt binnen een verder complete en geslaagde hoofdtoets.

OpenAI: niet aantoonbaar is niet verifieerbaar

Terra en Sol scoorden diezelfde check als niet voldaan. Terra noteerde dat de definitieve draagkrachttoets ontbreekt en verwees naar het principedetail van de funderingsstrook op de constructietekening. Sol schreef dat de fundering nog expliciet onderbouwd moet worden met draagkracht, zetting en een koppeling aan de sonderingen. Beide kwamen daarom uit op oranje: geen afkeur van de constructie, maar een aandachtspunt dat een behandelaar nog moet verifiëren.

Claude zegt: de stukken zijn compleet genoeg en de hoofdberekening slaagt. OpenAI zegt: ik zie de losse onderdelen, maar niet de aantoonbare brug ertussen.

Geen van beide is hier simpelweg fout. Dit is een kalibratieverschil. Claude laat een geslaagde hoofdcontrole zwaarder wegen. OpenAI laat een niet-verifieerbare subcontrole doorwerken in de kleur van het hele aspect.

Voor een vergunningverlener is oranje eigenlijk best prettig. Het maakt zichtbaar waar nog een professioneel oordeel of een aanvullende vraag nodig is, in plaats van de ontbrekende schakel weg te middelen. Aan de andere kant lijkt groen bij complete, plausibele stukken weer meer op hoe een ervaren plantoetser soms aftekent.

Het is een beetje het verschil tussen een optimist en een constructeur die 's nachts wakker ligt. Beiden hebben naar dezelfde fundering gekeken. Slechts één van hen heeft om 03.14 uur nogmaals de zettingsberekening geopend.

Zijn dit wel de punten die een vergunningverlener nakijkt?

Dat is de ongemakkelijke maar noodzakelijke vraag. Een model kan heel overtuigend negen kleuren produceren, maar als een menselijke plantoetser naar andere dingen kijkt, hebben we vooral een dure verkeerslichtinstallatie gebouwd.

De inhoudelijke vergelijking is geruststellend. Dit zijn daadwerkelijk de vaste plantoets-punten uit hoofdstuk 4 van het Bbl voor nieuwbouw.

Vooral de fundering tegenover het grondonderzoek is een klassiek plantoets-punt. De hoofdberekening kan er keurig uitzien, maar iemand moet nog steeds kunnen volgen of het bouwwerk op deze bodem ook doet wat de berekening veronderstelt.

En dan zijn er nog de locatiegebonden punten

Bij deze aanvraag ging het om een woning op een hoekkavel. Daardoor speelde de vraag welk deel als achtererfgebied mocht worden beschouwd. Ook de positie van de warmtepomp was niet duidelijk genoeg op de tekening aangegeven.

Dat waren niet zomaar modelvondsten. Het waren exact de twee locatiegebonden punten die de behandelende gemeente in het echte aanvulverzoek noemde: het achtererfgebied bij de hoekwoning en de positie van de warmtepomp. De modellen lopen dus in grote lijnen dezelfde checklist af als een menselijke plantoetser, alleen sneller en met bron plus paginanummer erbij.

Tekeningen en scans

Hier zit meteen een les. De inhoudelijke toets zelf draait op een Opus-klasse model. Dat model doet het zware leeswerk: het haalt de maatvoering, oppervlakten, Rc-waarden en unity checks uit de berekeningen en tabellen, en zet ze af tegen de norm. Het grootste deel van de bewijslast in een net dossier zit namelijk niet in de pixels van een tekening, maar in de tekst en tabellen van de BBSL-, BENG- en statische berekeningen. Dáár komen de harde getallen vandaan.

Voor documenten zonder bruikbare tekstlaag, de echte scans en tekeningen, gaat er een aparte stap overheen: OCR plus een vision-lezing die er type, schaal, maatvoering en posities uit haalt. Die vision-lezing draait op een Opus-klasse model, want juist bij kleine maatvoering en rommelige reproducties leest dat betrouwbaarder dan een licht model. En precies daar liet dit dossier de grens zien. De geluidstekening W-01 was een A0-scan zonder bruikbare tekstlaag. De vision-lezing haalde er nog wel de positie van de buitenunit en de afstandsmaten (5000 en 1500 mm) uit, maar het feitelijke geluidsniveau in dB(A) staat er domweg niet op. Het geluidsniveau van de warmtepomp op de perceelgrens was daardoor niet te verifiëren, en geluid werd terecht rood.

Het model verzon niets. Het gaf terug wat het zag, en zette er eerlijk bij: het dB-getal staat niet op dit blad, dus dat kan ik niet aantonen. Dat is precies het gedrag dat je wilt.

En dan meteen de vraag die er logisch op volgt: gaat dán maar alles door dat dure Opus-model heen? Nee. De keten kiest per document. Alles met een fatsoenlijke tekstlaag, zoals de berekeningen en rapporten, wordt gewoon als tekst gelezen; daar komt geen vision aan te pas. Alleen de tekeningen en scans zonder bruikbare tekstlaag, in dit dossier een handvol bladen, gaan naar de Opus-klasse vision-lezing. Zo betaal je het zware model alleen voor de paar tekeningen die het echt nodig hebben, en niet voor de honderd pagina's berekening eromheen.

Wat kost dat geintje dan?

Een volledige Bbl-toets van dit dossier, met twaalf documenten en 102 pagina's, kostte bij deze gemeten uitvoering tussen de $0,39 en $2,85 aan modelgebruik. GPT-5.6 Terra was het goedkoopst, Claude Fable 5 het duurst. Geen schokkende bedragen, maar wel echte metingen. Geen rekensom van een leverancier met drie documenten en wind mee.

Voor wie de spreadsheet al open heeft: Opus 4.8 gebruikte 188.878 inputtokens en 16.514 outputtokens, Fable 5 kwam op 197.129 in en 17.662 uit, Terra op 105.899 in en 8.071 uit en Sol op 227.074 in en 16.901 uit. Het patroon is helder: die 102 pagina's aan invoer domineren de rekening. De agent leest een flinke stapel papier en schrijft daarna een betrekkelijk compact oordeel. Net een ambtenaar, maar dan zonder bureaustoel.

Twee modellen, één bescheiden bonnetje

De voorgestelde productieopstelling gebruikt Claude Opus 4.6 als primaire toetser en GPT-5.6 Terra als snelle dubbelcheck. Dat kost ongeveer $1,30 plus $0,39, samen zo'n $1,69 per aanvraag. Bij een koers van ongeveer 1 USD voor EUR 0,92 in juli 2026 is dat krap €1,60. De tweede mening van Terra kost dus ongeveer een automaatkoffie. Terra klaagt bovendien niet over de koffie.

Die bedragen zijn bewust afgerond. Providerprijzen bewegen, wisselkoersen ook, en voor je het weet zit iemand drie cijfers achter de komma te verdedigen in een overleg van anderhalf uur. Dat overleg is dan vermoedelijk duurder dan duizend dubbelchecks.

Dit zijn uitsluitend de modelkosten van de inhoudelijke toets. Ontwikkeling, hosting en infrastructuur, OCR en vision, beheer en vooral de mensuren voor het eindoordeel zitten er niet in. De behandelaar blijft verantwoordelijk voor de beslissing; het model levert een voorzet met een bron en paginanummer.

Geen bouwvergunning uit de automaat dus. Wel een collega die in een paar minuten het leeswerk ordent en netjes aanwijst waar iets staat.

De vergelijking is dan ook niet een dure, domme mens tegenover een goedkope, slimme machine. De winst zit in snelheid en herleidbaarheid. Als een toetser normaal al snel een dagdeel kwijt is aan voorbereidend leeswerk, valt ongeveer €1,60 aan modelkosten weg in de ruis. Dat is een indicatie, geen benchmark: het echte oordeel kost nog steeds aandacht, ervaring en een mens die zijn handtekening durft te zetten.

De snelste manier om de begroting alsnog uit de berm te rijden is trouwens niet het verkeerde model kiezen, maar de context laten aandikken. Hoe meer documenten en herhalingen je bij elke stap opnieuw meesleept, hoe meer inputtokens, hoe hoger de rekening en hoe langer de wachttijd. Zuinig zijn op context is dus tweemaal zuinig. Dat tikt an.

Niet het beste model, maar de beste combinatie

Na vijf modellen is de verleiding groot om een winnaar aan te wijzen. Dat staat lekker in een grafiek en scheelt nuance. Alleen laat deze test juist zien waarom één winnaar niet zo nuttig is.

Claude Opus 4.6 blijft een sterke primaire toetser. Het model is grondig, redelijk voorspelbaar en betaalbaarder dan Fable 5. De manier waarop Opus complete, plausibele stukken groen aftekent, sluit bovendien goed aan bij hoe mensen vaak een hoofdtoets afronden.

GPT-5.6 Terra is vervolgens een uitstekende dubbelcheck. In deze proef was Terra ongeveer drie keer sneller en ruim twee keer goedkoper dan Opus 4.6. Tegelijk maakt Terra niet-verifieerbare koppelingen explicieter zichtbaar. Precies de eigenschap die je naast een iets pragmatischer primaire toetser wilt hebben.

Toon beide oordelen naast elkaar en markeer waar groen en oranje uiteenlopen. Dáár hoeft geen derde model bij. Dáár moet een mens even kijken.

Mijn voorstel voor productie is daarom: Claude Opus 4.6 als primaire Bbl-toetser en GPT-5.6 Terra als snelle, goedkope tweede lezer. Waar beide modellen hetzelfde oordeel en dezelfde bron geven, krijgt de behandelaar een stevig voorzetje. Waar ze verschillen, tonen we de argumenten naast elkaar en laten we de behandelaar beslissen.

De laatste maatlijn

Vijf modellen, één dossier van 102 pagina's, en aan het eind geen scoreboard met een gouden beker, maar iets veel bruikbaarders: een toets waarbij elk gekleurd bolletje terug te klikken is naar een regel in een document, met het Bbl-artikel ernaast. Waar de modellen het eens zijn, is dat een cadeautje aan de behandelaar. Waar ze verschillen, oranje tegen groen op de fundering, staat er letterlijk een pijl naar de plek waar een mens even goed moet nadenken.

Dat is precies waar AI moet stoppen en de mens begint. Niet omdat mensen nooit fouten maken, maar omdat de betekenis van "voldoende aantoonbaar" uiteindelijk een professioneel en soms bestuurlijk oordeel blijft. Een model mag de ontbrekende brug aanwijzen. De vergunningverlener bepaalt of er nog een plank overheen moet. En die ene onleesbare A0 met de geluidsberekening? Die scannen we gewoon nog een keer, netjes recht deze keer. De fundering moet je namelijk zelf blijven storten.