AllConnects is een Vlaamse specialist in fleet- en assetmanagement. Met FLEET.connect, CHECK.connect en LIVE.connect verzamelen bedrijven in de bouw, transport, techniek en verhuur betrouwbare data uit hun voertuigen, machines en teams — de basis waarop elke vorm van analyse of AI moet steunen.
Wat het onderzoek zegt
Een Europees onderzoek naar de stand van zaken in fleetmanagement bracht dit jaar een opvallend cijfer naar boven: 73 procent van de bevraagde wagenparkbeheerders onderzoekt op dit moment of AI-oplossingen in de eigen organisatie kunnen worden ingevoerd. Slechts 23 procent sluit dat op korte termijn uit.
Tegelijk stellen de onderzoekers vast dat de effectieve toepassing bij de meeste organisaties nog in een vroege fase zit. Veel belangstelling dus, weinig concrete investeringen. Dat is geen tegenstrijdigheid — dat is een symptoom.
Waar zien beheerders de meeste kansen? De vier toepassingsgebieden die het vaakst genoemd worden:
| Toepassingsgebied | Genoemd door |
|---|---|
| Voorspellend onderhoud | 38% |
| Automatisch signaleren van afwijkingen | 24% |
| Voorspellende dashboards | 19% |
| Analyse en optimalisatie van verbruik | 14% |
Wat opvalt: alle vier draaien ze rond hetzelfde. Niet rond slimmere software, maar rond het herkennen van patronen in voertuigdata. En daar begint het probleem.
Waarom het bij overwegen blijft
De verklaring die je meestal hoort voor het gat tussen interesse en toepassing, is dat de technologie nog niet rijp zou zijn. Dat klopt niet. De modellen bestaan, ze werken, en ze zijn betaalbaar geworden.
Het echte probleem: de meeste wagenparken hebben hun datafundament niet op orde.
Neem voorspellend onderhoud, met 38 procent veruit de grootste kanshebber. Om te voorspellen dat een voertuig binnen drie weken uitvalt, heb je nodig:
- Foutcodes die het voertuig zelf genereert — en die ergens binnenkomen.
- Werkelijke motoruren en verbruik, niet geschat op basis van afgelegde kilometers.
- Onderhoudshistoriek die gekoppeld is aan het voertuig, niet aan een Excel bij één collega.
- Genoeg geschiedenis om een patroon uit te halen.
Ontbreekt er één van die vier, dan kan geen enkel model iets zinnigs voorspellen. Je krijgt een resultaat — dat wel. Een model geeft altijd een antwoord. Maar een antwoord op basis van schattingen is een schatting met een grafiek errond.
Het risico van een mooi dashboard
Een AI-dashboard dat draait op onbetrouwbare invoer is gevaarlijker dan geen dashboard. Zonder dashboard weet je dat je het niet weet. Met een dashboard denk je van wel, en stuur je je onderhoudsplanning bij op cijfers die nergens op steunen.
AI is geen knop die je aanzet. Het is een verdieping bovenop je data. Ligt de fundering scheef, dan bouw je gewoon sneller scheef verder.
Berekend of uitgelezen: het verschil dat alles bepaalt
Er is één technisch onderscheid dat bepaalt of je vloot klaar is voor deze stap, en het wordt zelden uitgelegd: het verschil tussen berekende en uitgelezen gegevens.
Berekende data komt uit een schatting. Een tracker registreert dat een bestelwagen 180 kilometer heeft afgelegd en vermenigvuldigt dat met een gemiddeld verbruik. Resultaat: een brandstofcijfer. Bruikbaar voor een globaal beeld, want over een heel wagenpark middelt het uit.
Uitgelezen data komt rechtstreeks uit het voertuig, via de CAN-bus — het interne netwerk waarop de boordcomputer, de motorsturing en de sensoren met elkaar praten. Dan lees je het werkelijke verbruik, de werkelijke motoruren, de kilometerstand van de teller zelf, het brandstofpeil en de foutcodes.
Voor een maandrapport maakt dat verschil weinig uit. Voor een voorspelling maakt het álles uit. Een model dat zoekt naar het moment waarop een motor afwijkend begint te verbruiken, kan dat onmogelijk terugvinden in een cijfer dat zélf berekend is uit kilometers.
Wil je hier dieper op ingaan?
We schreven een apart artikel over hoe nauwkeurig CAN-bus data eigenlijk is, wat je er wel en niet uit kan halen, en waarom het verschil met berekende data zo groot is. Lees over de nauwkeurigheid van CAN-bus data →
De vier toepassingen, vertaald naar een Belgisch wagenpark
Het onderzoek keek naar grote en middelgrote vloten. Onze klanten zien er anders uit: een bouwbedrijf met achttien bestelwagens en vier kranen, een busmaatschappij met veertig voertuigen, een technische dienst met dertig servicewagens. Wat betekenen die vier toepassingen daar concreet?
Voorspellend onderhoud 38%
Niet: “de garage belt je vroeger op.” Wel: je ziet aan het verbruikspatroon en de foutcodes dat er iets aan het schuiven is, en je plant de herstelling in een week waarin dat voertuig toch niet op de werf moet zijn. Voor een vloot van twintig voertuigen betekent dat één of twee vermeden stilstanden per jaar. Die stilstand kost je zelden alleen een factuur — hij kost je een dag ploeg.
Afwijkingen signaleren 24%
Een machine die plots dubbel zoveel stationair draait. Een bestelwagen die elke donderdag een omweg maakt. Een koelunit die 's nachts blijft draaien terwijl hij op de werf staat. Dit soort dingen zie je niet in een maandrapport — je ziet ze pas als iemand ze eruit haalt. Dat is precies wat automatische signalering doet.
Voorspellende dashboards 19%
Wanneer heb je een extra voertuig nodig? Welke wagen nadert het punt waarop vervangen goedkoper is dan herstellen? Waar loopt je kostprijs per kilometer stilaan uit de hand? Dit is de toepassing die het dichtst bij het budgetgesprek staat, en meteen ook de toepassing die de meeste historiek nodig heeft.
Verbruik optimaliseren 14%
Het laagst scorende gebied, en dat verrast. Waarschijnlijk omdat veel bedrijven hier al met rijgedragscores werken en dus het gevoel hebben dat het bekeken is. Toch valt hier nog altijd winst te halen, zeker rond stationair draaien bij machines.
Waarom een kleine vloot relatief méér te winnen heeft
De reflex is: AI is iets voor grote vloten, want die hebben volume en budget. Voor een deel klopt dat — meer voertuigen betekent meer data en dus snellere patroonherkenning.
Maar de impact per incident loopt precies de andere kant op.
Valt er bij een vloot van duizend voertuigen één bestelwagen uit, dan is dat een planningsprobleem. Je schuift met reservematerieel en de klant merkt er niets van. Valt er bij een bouwbedrijf met vijf kraanwagens één uit op maandagochtend, dan ligt er een werf stil. Met een ploeg erop. En met een boete of een planning die drie weken doorschuift.
Kleine vloten hebben geen buffer. Daardoor is elke vermeden stilstand relatief veel meer waard. De business case is bij een kmo-vloot niet kleiner — hij is scherper.
Vergeet de chauffeur niet
Er zit nog een cijfer in het onderzoek dat te weinig aandacht krijgt. Bij de vraag welke voordelen bestuurders zelf ervaren van telematica, noemt 46 procent groter gebruiksgemak en wijst 23 procent op functies die operationele ondersteuning bieden.
Dat is geen detail. Dat is de voorwaarde.
Een systeem waar de chauffeur of de arbeider zelf niets aan heeft, wordt ontweken. Ritten worden niet correct afgesloten, statussen kloppen niet, registraties worden vergeten. En daar gaat je datakwaliteit — precies het fundament waar we het hierboven over hadden.
Een systeem dat de rittenadministratie overneemt, dat het aanmelden op de werf tot één handeling herleidt, dat de juiste uren automatisch doorstuurt naar de loonverwerking: dát wordt wél gebruikt. Draagvlak bij de mensen op de baan is geen zachte randvoorwaarde. Het is de kwaliteitscontrole op je eigen data.
Benieuwd wat er vandaag écht uit jouw voertuigen komt?
In een gesprek van een halfuur overlopen we welke gegevens je nu verzamelt, welke berekend zijn en welke uitgelezen — en wat dat betekent voor wat je ermee kan doen. Vrijblijvend, en met een concreet antwoord.
Vraag advies aanWat zeggen de Belgische cijfers?
Het onderzoek hierboven ging over Italiaanse vloten. Wij bevragen momenteel onze eigen achterban en publiceren hier in het najaar de resultaten voor Belgische fleetmanagers, wagenparkverantwoordelijken en zaakvoerders uit de bouw, transport en technische dienstverlening.
Is jouw wagenparkdata klaar voor AI?
Voor je aan AI begint, is er een eerlijker vraag: wat haal je vandaag écht uit je voertuigen? Loop deze zes punten af.
Zes keer ja? Dan is een gesprek over voorspellende toepassingen zinvol. Vier keer ja of minder? Dan zit je winst dit jaar niet in AI, maar in het dichten van die gaten. En dat is goed nieuws, want dat is een stuk sneller geregeld — en het levert onmiddellijk resultaat op, ook zonder AI.
Veelgestelde vragen
Heb ik AI nodig om mijn wagenpark efficiënter te beheren?
Nee. De meeste bedrijven halen hun grootste winst uit gegevens die ze vandaag al kunnen verzamelen: werkelijk verbruik, stationaire draaiuren, ritregistratie en onderhoudsopvolging. AI voegt daar een voorspellende laag aan toe, maar die laag is alleen zinvol als de onderliggende gegevens kloppen en volledig zijn.
Wat is voorspellend onderhoud precies?
Bij voorspellend onderhoud analyseer je voertuiggegevens doorlopend om technische problemen te herkennen vóór er een storing optreedt. In plaats van te herstellen na een defect of onderhoud te plannen op vaste intervallen, plan je op basis van de werkelijke toestand van het voertuig. Dat kan reparatiekosten drukken en vermijdt onverwachte stilstand.
Wat is het verschil tussen berekende en uitgelezen voertuigdata?
Berekende data is een schatting op basis van andere gegevens — bijvoorbeeld brandstofverbruik afgeleid uit afgelegde kilometers. Uitgelezen data komt rechtstreeks uit het voertuig via de CAN-bus, het interne netwerk waarop boordcomputer en sensoren communiceren. Voor globale rapportering volstaat berekende data vaak; voor voorspellende toepassingen is uitgelezen data noodzakelijk.
Is dit alleen interessant voor grote wagenparken?
Nee. Grote vloten hebben meer data en dus sneller bruikbare patronen, maar de impact van één onverwachte stilstand is bij een kleine vloot veel groter omdat er geen reservecapaciteit is. Voor een bouwbedrijf met vijf kraanwagens ligt bij uitval meteen een werf stil. Relatief gezien is de winst bij kleinere vloten daardoor vaak groter.
Hoeveel gegevens heb ik nodig voor betrouwbare voorspellingen?
Als vuistregel minstens twaalf maanden aaneengesloten gegevens per voertuig, zodat seizoensinvloeden zoals winterverbruik of bouwverlof in het beeld zitten. Belangrijker dan de hoeveelheid is de kwaliteit: uitgelezen gegevens over één jaar zijn bruikbaarder dan berekende gegevens over drie jaar.
Mag ik zomaar voertuiggegevens van mijn medewerkers verwerken?
Je mag gegevens verwerken die nodig zijn voor je bedrijfsvoering, maar je moet een rechtsgrond hebben, je medewerkers vooraf duidelijk informeren en niet meer verzamelen dan nodig. Voor technische voertuiggegevens zoals verbruik, motoruren en foutcodes ligt dat doorgaans eenvoudiger dan voor gegevens die het gedrag van een individuele bestuurder in kaart brengen. Betrek je preventieadviseur en de overlegorganen tijdig.
Verder lezen
Steve Van Avermaet COO bij AllConnects. Als COO bij AllConnects vertaalt Steve technologie en data naar werkbare oplossingen voor fleet- en assetmanagement. Hij schrijft over efficiëntie, innovatie en de praktijk achter een slim verbonden wagen- en materieelpark.
Bron: Fleet Management Watch, uitgevoerd door het Connected Vehicle & Mobility Observatory van de School of Management van het Politecnico di Milano, in samenwerking met Targa Telematics (juli 2026). Het onderzoek is gebaseerd op gegevens van deelnemers aan twee Italiaanse observatoria voor grote en middelgrote vloten, samen goed voor bijna 60.000 voertuigen.
