Er bestaat een oud gezegde in de computerwereld dat teruggaat tot de eerste mainframes: "Garbage in, garbage out" (onzin erin, onzin eruit). Het betekent dat een machine alleen kan werken met de informatie die je erin stopt, en als je er onjuiste informatie in stopt, zal hij je met vol vertrouwen onjuiste antwoorden geven. Dat principe is nog nooit zo belangrijk geweest als nu, nu kunstmatige intelligentie steeds vaker wordt toegepast in de tools die we gebruiken voor het ontwerpen, installeren en inspecteren van brandbeveiligingssystemen. De technologie is indrukwekkend. De data die eraan ten grondslag liggen, bepalen alles.

Waarom datakwaliteit belangrijk is bij brandbeveiliging

Brandbeveiliging is een discipline die draait om de juiste details. Een ontwerper die een systeem dimensioneert volgens NFPA 13 werkt met kennis die is getest aan de hand van echte branden, echte storingen en echte dodelijke slachtoffers. Wanneer we een AI-tool vragen om te helpen bij dat werk, vragen we de tool om gebruik te maken van de informatie waarop deze is getraind. Als die informatie actueel, nauwkeurig en gebaseerd is op de codes die we daadwerkelijk gebruiken, kan de tool echt van pas komen. Als de informatie verouderd, onvolledig of afkomstig is van ongeverifieerde bronnen op internet, wordt de tool een bron van stille, zelfverzekerde fouten. En zelfverzekerde fouten zijn de gevaarlijkste soort fouten in een toepassing die op het spel staat.

Wat datakwaliteit betekent voor AI in systemen voor levensreddende maatregelen.

Bedenk eens wat "datakwaliteit" in onze wereld nu eigenlijk betekent. Het betekent dat de editie van de norm ertoe doet. Een model dat is getraind op een verouderde editie van NFPA 13 kan regels voor afstanden of gevarenclassificaties vermelden die niet langer van toepassing zijn. Het betekent dat de bron ertoe doet. Richtlijnen uit een installatiehandleiding van een fabrikant wegen anders dan een reactie op een forum, maar een AI-systeem dat het verschil niet kan zien, zal beide als even waar beschouwen. Het betekent dat de context ertoe doet. Een regel die correct is voor een omgeving met een laag risico, kan onjuist, zelfs gevaarlijk, zijn wanneer deze wordt toegepast op een opslagconfiguratie waarvoor deze nooit bedoeld was. De machine kent het verschil niet, tenzij de data het verschil heeft geleerd.

Hoe NFPA en NFSA AI ontwikkelen op basis van gezaghebbende bronnen

Dit is waar de industrie iets opmerkelijks begint te doen. NFPA en NFSA zijn begonnen met het ontwikkelen van AI-tools die gebaseerd zijn op gezaghebbende bronnen in plaats van het open internet. NFPA beschrijft zijn CASI-assistent, gelanceerd binnen NFPA LiNK, als een antwoord waarop gebruikers kunnen vertrouwen omdat het gebaseerd is op officiële NFPA-content en verwijzingen geeft naar de bronteksten waarop het zich baseert (NFPA, 2026). NFSA heeft een vergelijkbare weg bewandeld met zijn Chat EOD-tool voor technische en ontwerpvragen. Wanneer een tool zijn antwoorden ontleent aan de daadwerkelijke codes en normen, stijgt de kwaliteit van de input aanzienlijk en wordt de output iets waarmee een professional aan de slag kan. Die onderbouwing is de kern van de zaak. Het is het verschil tussen een tool die gokt en een tool die redeneert vanuit dezelfde documenten die je in de kast zou pakken. De waarde van deze inspanningen zit hem niet in het feit dat ze door AI worden aangedreven. De waarde zit hem in de zorgvuldigheid waarmee ze zijn ontwikkeld.

Het hallucinatieprobleem wanneer de gegevens gebrekkig zijn.

Vergelijk dat eens met wat er gebeurt als de data gebrekkig is. Een algemeen model, dat een vraag over brandbeveiliging krijgt voorgelegd, zal vaak een antwoord produceren dat gezaghebbend klinkt en goed leesbaar is. Het kan een norm bij naam noemen. Het kan de juiste terminologie gebruiken. En het kan op manieren fout zijn die alleen een ervaren professional zou opmerken. Dit is het probleem van hallucinatie, en het is geen zeldzame fout. Het is een voorspelbaar gevolg van het vragen aan een systeem om verder te gaan dan wat de data kunnen ondersteunen. Het systeem liegt niet. Het heeft geen concept van waarheid. Het stelt een plausibel antwoord samen uit patronen, en wanneer de onderliggende patronen zwak of gebrekkig zijn, is het antwoord dat ook, verpakt in vloeiende taal die de tekortkoming verbergt. De juridische wereld heeft dit in het openbaar ondervonden toen twee advocaten een rechtszaak aanspanden gebaseerd op zaken die door een AI-tool waren verzonnen, en de rechter hen daarvoor bestrafte (Mata v. Avianca). De verzonnen citaten leken echt. Ze bestonden simpelweg niet.

Professionele verantwoording en de zorgstandaard

De inzet is zo hoog dat dit meer is dan een technische curiositeit. In ons vakgebied blijft een fout niet beperkt tot het scherm. Het wordt een ontwerp dat wordt goedgekeurd, een systeem dat wordt geïnstalleerd, een gebouw dat in gebruik wordt genomen. De bevoegd ingenieur die een tekening goedkeurt, neemt de professionele verantwoordelijkheid ervoor op zich, en geen enkele AI-tool deelt die verantwoordelijkheid. Zelfs als de data die de tool voedt waardeloos is, blijft de professional verantwoordelijk voor het resultaat. Dat is een ontnuchterende gedachte, en het zou bepalend moeten zijn voor hoe ieder van ons met deze tools omgaat. We zijn verantwoordelijk voor wat we produceren, ongeacht wat ons daarbij geholpen heeft.

Goede praktijken voor het gebruik van AI-tools in brandbeveiliging

Hoe ziet goede praktijk er dan uit wanneer deze tools beschikbaar komen? Het begint met weten waar het antwoord vandaan komt. Een tool die zijn bronnen kan tonen, de daadwerkelijke standaard kan citeren en je kan verwijzen naar de passage waarop hij zich baseert, is veel nuttiger dan een tool die simpelweg een bewering doet. Het gaat verder met verificatie. Elke output van een AI-systeem moet worden gecontroleerd aan de hand van de geldende code, net zoals je het werk van een junior collega zou controleren, want dat is in wezen wat je doet. En het hangt af van oordeelsvermogen, het soort oordeelsvermogen dat voortkomt uit jarenlange ervaring, waardoor een ervaren ontwerper aanvoelt wanneer een antwoord niet klopt, zelfs voordat hij of zij kan uitleggen waarom. Dat instinct is iets wat de machine niet kan vervangen. Het is de laatste verdedigingslinie wanneer de data ons in de steek laat.

De kwaliteit van de data bepaalt of AI levens beschermt.

Dit alles is geen reden om de technologie de rug toe te keren. De instrumenten die gebaseerd zijn op gezaghebbende bronnen laten al zien wat zorgvuldige data kunnen bereiken, en ze zullen alleen maar beter worden. Het punt is eenvoudiger en ouder dan al deze principes. Een instrument is slechts zo goed als de input die je erin stopt. In de meeste vakgebieden is een slecht antwoord een ongemak. In het onze kan het mensen in gevaar brengen. Daarom is datakwaliteit geen bijzaak voor ons vakgebied. Het is dé kwestie die bepaalt of deze instrumenten ons helpen levens te beschermen of stilletjes de zorgstandaard ondermijnen die we in decennia hebben opgebouwd.

De machines zullen steeds beter worden. Onze verplichting blijft hetzelfde. De brandveiligheidsgemeenschap heeft al aangegeven waar haar aandacht op gericht is. Op de SFPE AI in Fire Engineering Summit die ik in 2025 in Berkeley bijwoonde, bleek verificatie en validatie een gedeelde prioriteit te zijn onder de aanwezige professionals. De mensen die de gebouwen bewonen die wij beschermen, rekenen op werk dat we zelf hebben gecontroleerd, niet op antwoorden die een machine ons op goed geluk heeft gegeven. Het principe 'garbage in, garbage out' gold al voor de mainframe-operators die deze uitdrukking bedachten. Het is vandaag de dag nog steeds even relevant, en de kosten van het negeren ervan zijn nog nooit zo hoog geweest.

 Referenties

Chat EOD: Ontwikkeld door de branche, voor de branche. https://nfsa.org/2025/11/06/chat-eod-developed-by-the-industry-for-the-industry/

NFPA onthult NFPA LiNK 3.0, een stap verder in de digitale transformatie op het gebied van brand- en levensveiligheid. https://www.nfpa.org/about-nfpa/press-room/news-releases/2026/nfpa-unveils-nfpa-link-3-0-advancing-digital-transformation-in-fire-and-life-safety

Praktische lessen uit de misstappen van advocaat AI in de zaak Mata tegen Avianca. https://www.acc.com/resource-library/practical-lessons-attorney-ai-missteps-mata-v-avianca

Terugblik op de AI in Fire Engineering Summit van 2025. https://www.sfpe.org/blogs/amanda-tarbet/2025/08/01/2025-ai-in-fire-engineering-summ