Curtis Fenn, president van het Amerikaanse vastgoedtech-platform REDX, herkent een patroon dat hem zorgen baart. Toen sociale media rond 2010 doorbraken in de makelaardij, sprongen de meeste professionals erop zonder enig plan. Ze openden Instagram-accounts, postten foto's van listings, schreven Facebook-updates. De resultaten waren marginaal: weinig kwalitatieve leads, weinig sterke branding, veel verspilde uren. Wie wel succesvol was, had vooraf een contentstrategie en harde KPI's gedefinieerd. Vijftien jaar later doet het vak hetzelfde met AI, schreef Fenn in een recent stuk in Inman.
De parallel zit in het ontbrekende plan#
De meeste makelaars die nu AI gebruiken vertellen vergelijkbare verhalen: ze testen ChatGPT voor e-mailteksten, abonneren zich op een AI-taxatieproduct, experimenteren met een chatbot voor leadrespons. Wat ontbreekt is de vraag waarmee het zou moeten beginnen: welk specifiek probleem moet deze tool oplossen, en hoe wordt succes gemeten?
Zonder die vraag is iedere AI-investering speculatie. De technologie wordt aangeschaft omdat collega's erover praten, niet omdat een bedrijfsproces gericht verbeterd moet worden. Hetzelfde gebeurde bij sociale media: makelaars die een Instagram-account openden zonder contentplan en zonder definitie van een lead, zaten een jaar later met 800 volgers en geen extra omzet. De makelaars die wel succes hadden, beantwoordden vooraf drie vragen: welke contentpijler, welk publiek, welke conversie-actie.
REDX bedient dagelijks duizenden makelaars met data en tooling. Fenn observeert dat de winnaars in deze nieuwe AI-golf één eigenschap delen: ze definiëren vooraf welk concreet proces beter moet worden, kiezen één tool die dat proces raakt, en bouwen workflows daaromheen. De rest experimenteert breed en haalt nergens schaal.
Vijf stappen voor strategische AI-adoptie#
1. Identificeer drie tijdrovers in het huidige proces. Niet beginnen bij wat AI kan, maar bij waar de productie nu vastloopt: trage leadrespons buiten kantooruren, repetitieve administratie rond bezichtigingen, lange doorlooptijd op eerste waardebepaling. Dat zijn de plekken waar AI rendement maakt. Een handmatige tijdsmeting van twee weken laat zien welke processen kwantitatief de meeste uren kosten.
2. Match één gespecialiseerde tool per taak. Geen generieke ChatGPT-licentie voor alles. Voor huurderscommunicatie zijn platforms zoals EliseAI productie-klaar en compliance-gevalideerd. Voor automatische waardebepaling werken Calcasa en HouseCanary binnen hun specifieke vakgebied. Generieke modellen werken voor losse copywriting, niet voor toezicht-gevoelige processen waar fouten klanten of de inschrijving raken.
3. Definieer een meetbare KPI vooraf. Een AI die leadrespons versnelt heeft een duidelijke metric: gemiddelde respondtijd in minuten. Een tool voor conceptcontracten: uren per dossier. Een chatbot op de eigen website: conversieratio van bezoeker naar kwalitatieve lead. Zonder vooraf vastgelegd doel is geen objectieve evaluatie mogelijk en blijft elke discussie subjectief.
4. Pilot zes weken, niet zes maanden. Een korte cyclus dwingt scherpe inzet en eerlijke metingen. Lange pilots verschuiven gaandeweg van scope, eindigen in onbesliste evaluaties en kosten capaciteit zonder uitkomst. Bepaal vooraf de evaluatiedatum, de te meten KPI en de drempelwaarde voor doorgaan.
5. Schrap of schaal, geen tussenoplossing. Na de pilot één van twee beslissingen: de tool integreert volledig in de standaard workflow met training en SOP, of hij gaat er volledig uit. Tools die ergens halverwege blijven hangen creëren technologische schulden zonder rendement en frustreren collega's die de tool moeten gebruiken zonder dat de organisatie erop is ingericht.
Wat dit voor het Nederlandse vakveld betekent#
Het Nederlandse veld bevindt zich in dezelfde fase. NVM-leden experimenteren met AI-tools voor lead-kwalificatie zonder gestandaardiseerde KPI's. Funda zet AI in voor zoekfunctionaliteit, gestuurd door conversie als bovenliggend doel. Beleggers als Vesteda werken met EliseAI op grootschalige huurportefeuilles, met responstijd en huurder-tevredenheid als harde meetpunten.
De AI-leveranciers die nu actief verkopen aan makelaars en beheerders hebben er belang bij dat het experimenteren breed en oppervlakkig blijft: zo verkopen ze meer licenties. De vakprofessional die de licenties betaalt, heeft het tegenovergestelde belang: focus, meetbaarheid, en de bereidheid om een tool die niet werkt na zes weken zonder ceremonie te schrappen. Dat is het onderscheid dat in 2027 het verschil bepaalt tussen vastgoedkantoren die AI als productiviteitstool gebruiken, en vastgoedkantoren die honderden euro's per maand uitgeven zonder zichtbare uitkomst.
