De gemeente Amsterdam zet kunstmatige intelligentie in om honderden bestemmingsplannen om te vormen tot één integraal omgevingsplan. Wat begon als een zoektocht naar ondersteuning bij een vrijwel onmogelijke opgave, ontwikkelde zich tot een innovatief hulpmiddel dat het vertaalwerk tot twintig keer sneller kan maken. Tijdens een VNG-netwerksessie op 19 juni 2026 gaf Amsterdam een open inkijk in de eerste ervaringen, successen en dilemma’s.
De Omgevingswet heeft gemeenten voor een van de grootste juridische en organisatorische transities van de afgelopen decennia geplaatst. Waar voorheen tientallen of zelfs honderden afzonderlijke bestemmingsplannen golden, moet uiteindelijk één samenhangend omgevingsplan ontstaan. Voor een gemeente als Amsterdam betekent dat het samenbrengen van ongeveer 530 bestemmingsplannen in één uniform juridisch kader. Dat is niet alleen een inhoudelijke uitdaging, maar vooral ook een enorme operatie in capaciteit, kennis en tijd.
Binnen de gemeente ontstond daarom eind 2024 de vraag of kunstmatige intelligentie kon helpen bij het omzetten van bestaande planregels naar de nieuwe structuur van het omgevingsplan. Wat volgde was geen technologisch experiment om de technologie zelf, maar een praktische zoektocht naar verlichting van een arbeidsintensief proces dat dreigde vast te lopen op beschikbare capaciteit en doorlooptijd. Uit procesanalyses en gesprekken met planjuristen kwam uiteindelijk één kansrijke toepassing naar voren: het automatiseren en ondersteunen van het vertalen van bestemmingsplanregels naar omgevingsplanregels.
Amsterdam koos daarbij nadrukkelijk voor een beleidsneutrale aanpak. Het uitgangspunt is niet om beleid te veranderen, maar om bestaande regels te harmoniseren en onder te brengen in een nieuwe structuur. Centraal staat de zogenaamde hoofdregeling: een uniforme regelbibliotheek waarin bestaande regels, de bruidsschat en nieuwe planregels samenkomen. Bestaande bestemmingsplanregels worden gekoppeld aan deze hoofdregeling, zodat uiteindelijk een consistente juridische basis ontstaat voor de hele stad.
De praktijk bleek echter weerbarstiger dan gedacht. De eerste zes bestemmingsplannen werden nog grotendeels volgens traditionele werkwijzen omgezet. Daarbij ging Amsterdam uit van ongeveer vijfhonderd uur werk per plan. De werkelijkheid pakte anders uit. Per bestemmingsplan bleek meer dan duizend uur nodig te zijn. Een deel daarvan bestond uit leerervaringen, maar de conclusie was helder: zonder aanpassingen zou de opgave nauwelijks uitvoerbaar zijn. Bovendien leverden participatietrajecten bij beleidsarme omzettingen weinig meerwaarde op. Bewoners begrepen vaak niet waarom zij werden betrokken bij plannen waarin inhoudelijk nauwelijks iets veranderde. Ook de besluitvorming bleek omslachtig en tijdrovend, terwijl politieke discussies grotendeels uitbleven.
Die ervaringen vormden het startpunt voor een herziening van het proces. Amsterdam verscherpte het uitgangspunt van beleidsarm naar beleidsneutraal, schrapte onderdelen die weinig toegevoegde waarde hadden en vereenvoudigde bestuurlijke procedures. Tegelijkertijd werd verder gewerkt aan een digitale oplossing die juist het meest repetitieve deel van het werk kon ondersteunen.
In februari 2025 startte een uitgebreide verkenning naar de inzet van AI. Daarbij werden processen, databronnen en stakeholders onderzocht. De uitkomst was de ontwikkeling van een prototype dat twee belangrijke taken uitvoert. Ten eerste leest het automatisch bestemmingsplannen in en zet deze om naar een zogenoemde omzettabel. Ten tweede zoekt het systeem in een groeiende kennisbank naar vergelijkbare regels die eerder al zijn vertaald. Daardoor kunnen planjuristen bestaand werk hergebruiken in plaats van steeds opnieuw te beginnen.
De pilot werd uitgevoerd met zes planjuristen. Zij werkten gezamenlijk 27 uur met het prototype en gebruikten het voor het vertalen van bestaande planregels. De resultaten trokken direct de aandacht. Gemiddeld werden elf regels per uur verwerkt. Op basis daarvan schatte Amsterdam dat de vertaaltijd voor een bestemmingsplan kan dalen naar ongeveer 23 uur, exclusief voorbereidingstijd. Dat is ongeveer tien keer sneller dan de oorspronkelijke inschatting en zelfs twintig keer sneller dan de eerste omzettingen zonder hulpmiddel.
Naast snelheid bleek vooral de gebruikerservaring opvallend positief. De planjuristen waardeerden het automatisch inlezen van bestemmingsplannen, de beschikbaarheid van eerdere vertalingen en het inzicht in het werk van collega’s. De tool maakte niet alleen individueel werk efficiënter, maar creëerde ook een vorm van collectieve kennisopbouw. Vertalingen die eenmaal zijn gemaakt, blijven beschikbaar voor volgende projecten. Daarmee groeit de kennisbank naarmate meer plannen worden verwerkt.
Tegelijkertijd kwamen ook beperkingen aan het licht. Niet alle matches uit de kennisbank zijn bruikbaar. Specifieke of complexe regels vragen nog altijd om menselijke interpretatie. Ook bleek dat verschillen in werkwijzen tussen juristen kunnen leiden tot uiteenlopende vertalingen. Zonder duidelijke standaarden bestaat bovendien het risico dat fouten zich via de kennisbank herhalen. Juist daarom benadrukt Amsterdam dat menselijke controle onmisbaar blijft. AI ondersteunt het proces, maar neemt de verantwoordelijkheid voor juridische kwaliteit niet over.
Technisch gezien acht de gemeente de oplossing inmiddels bewezen. Omzettabellen kunnen grotendeels automatisch worden geëxtraheerd uit bestaande documenten en het systeem kan relevante suggesties doen voor koppelingen met het omgevingsplan. Volledige foutloosheid is daarbij niet haalbaar. Kleine onnauwkeurigheden, zoals verkeerde regelnummers of verschillen in interpretatie, blijven mogelijk. Een validatiestap door deskundigen blijft daarom onderdeel van het proces.
De ontwikkelde toepassing, die binnen Amsterdam de naam Plangids heeft gekregen, wordt inmiddels gezien als meer dan alleen een vertaalinstrument. De gemeente onderzoekt hoe het systeem ook als analysetool kan worden ingezet. Daarmee zou inzicht ontstaan in welke omgevingsplanregels nog ontbreken en welke onderdelen van de hoofdregeling verder ontwikkeld moeten worden. Daarnaast wordt gekeken naar mogelijkheden om de oplossing breder beschikbaar te maken voor andere gemeenten, onder meer in samenwerking met ICTU en de landelijke opschalingsfaciliteit.
De Amsterdamse ervaring laat zien dat kunstmatige intelligentie geen wondermiddel is voor de implementatie van de Omgevingswet. Wel kan AI het verschil maken tussen een vrijwel onuitvoerbare opgave en een beheersbaar transitieproces. Juist omdat gemeenten de komende jaren duizenden planregels moeten harmoniseren, actualiseren en juridisch borgen, groeit de behoefte aan hulpmiddelen die repetitief werk verminderen zonder afbreuk te doen aan kwaliteit en zorgvuldigheid.
Wat Amsterdam heeft ontwikkeld, is daarmee vooral een praktijkvoorbeeld van hoe technologie kan worden ingezet bij een van de meest complexe veranderopgaven binnen het ruimtelijk domein. Niet door planjuristen te vervangen, maar door hen in staat te stellen zich te richten op waar hun expertise werkelijk nodig is: de juridische afweging, de kwaliteit van regels en de verdere ontwikkeling van het omgevingsplan.
