AI en workplace analytics: meet je kantoor, niet je medewerkers

Je hebt bezettingsdata, reserveringsgegevens, toegangspassen, binnenklimaatmetingen en misschien ook medewerkersonderzoek. AI maakt het steeds eenvoudiger om al die informatie te combineren. Daarmee groeit ook de mogelijkheid om beter te begrijpen hoe je werkomgeving functioneert.

Meer data leiden alleen niet vanzelf tot betere beslissingen. AI kan patronen ontdekken die voorheen moeilijk zichtbaar waren. Dat biedt organisaties nieuwe mogelijkheden om hun kantoor beter af te stemmen op hoe er daadwerkelijk wordt gewerkt. Tegelijk wordt het steeds gemakkelijker om conclusies te trekken die verder gaan dan wat de gegevens werkelijk laten zien.

Een lage bezetting kan bijvoorbeeld verschillende oorzaken hebben. Ook aanwezigheid op kantoor vertelt op zichzelf weinig over de betrokkenheid van een medewerker. De belangrijkste vraag is daarom welke beslissing je met de verzamelde data wilt kunnen nemen.

Van kantoor meten naar medewerkers beoordelen

Sensoren laten zien hoeveel werkplekken bezet zijn. Toegangssystemen registreren aanwezigheid en reserveringssystemen geven inzicht in de vraag naar werkplekken en vergaderruimtes. Medewerkersonderzoek voegt daar informatie aan toe over hoe mensen de werkomgeving ervaren. Samen kunnen deze gegevens veel vertellen over hoe goed je werkomgeving het werk ondersteunt.

AI maakt het mogelijk om verschillende databronnen gemakkelijker met elkaar te verbinden en daarin patronen te herkennen. Tegelijk komen toepassingen binnen bereik die gegevens gebruiken om uitspraken over medewerkers te doen.

In The Atlantic beschrijft Ellen Cushing (2026) AI-toepassingen voor werknemersmonitoring die bijvoorbeeld stemgebruik, gezichtsuitdrukkingen en digitale communicatie analyseren. Vervolgens proberen deze systemen daaruit betrokkenheid, stress, stemming of gedrag af te leiden[1].

Daarmee neemt de afstand tussen wat daadwerkelijk wordt gemeten en de conclusie die daaruit wordt getrokken toe. Hoe groter die afstand wordt, hoe belangrijker het is om te weten of de interpretatie valide is.

Een lege werkplek vertelt je nog niet waarom hij leeg is

Stel dat uit je bezettingsonderzoek blijkt dat een bepaalde zone nauwelijks wordt gebruikt. Misschien zijn de werkplekken rumoerig of is het binnenklimaat onaangenaam. De locatie van de zone kan ook ongunstig zijn of de plekken passen onvoldoende bij het werk waarvoor medewerkers naar kantoor komen.

De bezettingsdata laten zien wat er gebeurt. Voor inzicht in de oorzaak heb je aanvullende informatie nodig.

Hetzelfde principe geldt voor gegevens over medewerkers. Weinig aanwezigheid op kantoor kan allerlei oorzaken hebben. Ook weinig gebruik van ontmoetingsruimtes vertelt op zichzelf onvoldoende over de samenwerking binnen een team.

AI vergroot vooral de mogelijkheden om gegevens te combineren en te interpreteren. Daardoor wordt het onderscheid tussen meting, interpretatie en conclusie steeds belangrijker.

Hier wordt AI interessant voor je werkomgeving

Juist het combineren van verschillende databronnen kan organisaties helpen beter te begrijpen waarom een werkomgeving wel of niet functioneert.

Stel bijvoorbeeld dat uit bezettingsmetingen blijkt dat een bepaalde werkzone op drukke dagen nauwelijks wordt gebruikt. Combineer je die gegevens met binnenklimaatmetingen en medewerkersonderzoek, dan kan zichtbaar worden dat de waardering van die zone afneemt wanneer de bezetting of het geluidsniveau stijgt. Daarmee ontstaat informatie waar je als organisatie iets mee kunt.

Workplace analytics kan zichtbaar maken waar de werkomgeving het werk onvoldoende ondersteunt en waar verbetering mogelijk is. Daar ligt wat mij betreft een interessante toepassing van AI. Het helpt verbanden te ontdekken tussen het feitelijke gebruik van een werkomgeving en de omstandigheden waaronder mensen hun werk uitvoeren.

Meer data leveren alleen waarde op als je de juiste vraag stelt

De technische mogelijkheden om gegevens te verzamelen en te analyseren nemen snel toe. Een dashboard vol gegevens geeft echter nog geen antwoord op een huisvestingsvraagstuk.

Daarom begint een goede analyse met de beslissing die je wilt kunnen nemen.

Wil je weten hoeveel kantoorruimte je nodig hebt, dan zijn bijvoorbeeld piekbezetting en werkpatronen relevant. Wil je begrijpen waarom bepaalde werkplekken nauwelijks worden gebruikt, dan heb je naast gebruiksdata waarschijnlijk informatie nodig over functionaliteit en gebruikerservaring.

Bij de evaluatie van een nieuw werkplekconcept geldt hetzelfde. Eerst bepaal je wat een goed functionerende werkomgeving voor jouw organisatie betekent. Vervolgens bepaal je welke informatie nodig is om dat te kunnen beoordelen. Begin bij de beslissing die je wilt kunnen nemen. Bepaal vervolgens welke data daarvoor nodig zijn.

Gebruik workplace analytics om de werkomgeving te beoordelen

Voor Nassau is daarbij een belangrijk uitgangspunt:

Gebruik workplace analytics primair om te beoordelen hoe goed de werkomgeving presteert.

Hoe vaak medewerkers bepaalde werkplekken gebruiken, is daarvoor waardevolle informatie. In combinatie met gegevens over beschikbaarheid en ervaren kwaliteit kan dat laten zien hoe goed de werkomgeving verschillende activiteiten ondersteunt.

Dezelfde gegevens kunnen ook worden gebruikt om uitspraken over medewerkers te doen. Het doel van het onderzoek en het gekozen analyseniveau bepalen dan in belangrijke mate welke conclusies verantwoord zijn.

AI maakt dat onderscheid steeds relevanter, omdat de mogelijkheden om verschillende soorten gegevens te verbinden en daar betekenis aan toe te kennen snel toenemen.

Wat vertellen jouw workplace data eigenlijk?

Organisaties beschikken over steeds meer gegevens over hun gebouwen en het gebruik ervan. AI maakt het mogelijk daar sneller patronen en verbanden in te ontdekken.

De waarde ontstaat wanneer je de juiste gegevens combineert om een concrete vraag over je werkomgeving te beantwoorden. 

Nassau helpt organisaties om bezetting, gebruik en gebruikerservaring in samenhang te onderzoeken. Zo wordt zichtbaar waar de werkomgeving het werk goed ondersteunt, waar knelpunten ontstaan en welke verbeteringen zinvol zijn.

Workplace analytics wordt daarmee een onderbouwde basis voor beslissingen over de werkomgeving.

Wil je weten wat jouw workplace data werkelijk vertellen en welke informatie je nodig hebt voor een goede beslissing? Plan een vrijblijvend gesprek.

Plan een vrijblijvend gesprek in

Referenties

• Cushing, E. (2026, May). The rise of emotional surveillance. The Atlantic.

• European Parliament & Council of the European Union. (2024). Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.

[1] Europese context: De meest vergaande toepassing die Cushing beschrijft, waarbij AI emoties van medewerkers probeert af te leiden, is in Europa in beginsel verboden. De Europese AI Act verbiedt het gebruik van AI-systemen voor emotieherkenning op de werkplek, behoudens specifieke medische of veiligheidsdoeleinden (European Parliament & Council of the European Union, 2024).