AI krijgt een steeds grotere rol binnen Workforce Management en Personeelsplanning. Software kan patronen herkennen, prognoses maken, scenario’s doorrekenen en voorstellen doen voor roosters en dagelijkse bijsturing.
Dat betekent niet dat AI het volledige planproces overneemt. Een systeem kent de doelen, afspraken en cultuur van een organisatie niet vanzelf. Het weet ook niet altijd waarom een uitzondering nodig is of welke keuze medewerkers als eerlijk ervaren.
De grootste verandering is daarom niet dat planners verdwijnen. Het werk verschuift. Minder tijd gaat naar handmatige berekeningen en herhaalwerk. Meer aandacht gaat naar de kwaliteit van gegevens, het beoordelen van voorstellen, het uitleggen van keuzes en het adviseren van de organisatie.
Binnen de kwaliteitscirkel van Spril kan AI iedere stap ondersteunen. De mens blijft verantwoordelijk voor de kaders, afwegingen en uiteindelijke besluiten.
Automatisering en AI worden vaak door elkaar gebruikt, maar betekenen niet hetzelfde.
Bij automatisering volgt een systeem vooraf ingestelde regels.
Voorbeelden zijn:
AI kan op basis van gegevens patronen herkennen en een verwachting, advies of voorstel maken.
Voorbeelden zijn:
Niet alles wat slim lijkt, is dus AI. Een goed ingerichte vaste regel kan soms betrouwbaarder, begrijpelijker en goedkoper zijn dan een AI toepassing.
Begin daarom altijd met het vraagstuk. Kies daarna pas welke techniek daarbij past.
De kwaliteitscirkel bestaat uit zes onderdelen:
AI kan binnen iedere stap tijd besparen en nieuwe inzichten geven. De waarde ontstaat vooral wanneer de verschillende stappen goed met elkaar verbonden zijn.
Een automatisch rooster wordt niet beter wanneer de prognose onbetrouwbaar is. Een slim dashboard heeft weinig waarde wanneer gegevens niet op dezelfde manier worden geregistreerd. Een advies voor extra capaciteit helpt niet wanneer niemand bevoegd is om er een besluit over te nemen.
AI versterkt dus wat al aanwezig is. Een goed ingericht planproces kan er sterker van worden. Een onduidelijk proces kan juist sneller onduidelijke uitkomsten opleveren.
Het doel van Prognose maken is voorspelbaarheid.
AI kan grote hoeveelheden historische gegevens onderzoeken en patronen herkennen die handmatig lastig te vinden zijn. Denk aan verschillen per dag, tijdstip, seizoen, locatie, klantgroep of werksoort.
Ook kunnen aanvullende factoren worden meegenomen, zoals:
Een systeem kan meerdere forecastmethoden vergelijken en per onderdeel bepalen welk model in het verleden de beste resultaten gaf.
Een AI model kent niet automatisch alle toekomstige ontwikkelingen.
De organisatie moet nog steeds informatie aanleveren over bijvoorbeeld een nieuwe locatie, een reorganisatie, een campagne of een verandering in dienstverlening.
De forecaster blijft nodig om:
AI kan een sterke basisprognose maken. De forecaster verbindt deze uitkomst met de werkelijkheid van de organisatie.
Lees meer in Wat is forecasting? en 9 forecastmethoden.
Het doel van Capaciteit beheren is flexibiliteit en kosten in balans brengen.
AI kan de verwachte werkvraag vertalen naar verschillende capaciteitsscenario’s. Het systeem kan bijvoorbeeld berekenen wat er gebeurt bij:
Hierdoor kan een capaciteitsmanager sneller zien wanneer een tekort ontstaat en welke maatregelen mogelijk zijn.
AI kan ook helpen om verschillen in vaardigheden zichtbaar te maken. Een organisatie kan op totaalniveau voldoende medewerkers hebben, terwijl op specifieke momenten een bepaalde bevoegdheid of ervaring ontbreekt.
Een systeem kan scenario’s berekenen, maar bepaalt niet zelfstandig welk scenario het beste bij de organisatie past.
Een keuze voor meer flexibiliteit kan bijvoorbeeld hogere kosten opleveren. Een kleine vaste bezetting kan financieel aantrekkelijk lijken, maar zorgen voor onzekerheid, werkdruk en veel externe inzet.
De capaciteitsmanager blijft nodig om:
AI maakt sneller zichtbaar wat mogelijk is. De organisatie bepaalt wat wenselijk en verantwoord is.
Lees meer in Wat is capaciteitsmanagement?.
Het doel van Rooster maken is medewerkerstevredenheid binnen de gestelde doelen en kaders.
Roosteren bestaat vaak uit veel voorwaarden die tegelijk moeten worden afgewogen. Denk aan:
Slimme roostersoftware kan in korte tijd veel mogelijke roosters vergelijken. Het systeem kan een voorstel maken dat aan harde voorwaarden voldoet en zo veel mogelijk rekening houdt met wensen.
AI kan daarnaast leren welke voorstellen planners vaak aanpassen. Zo kan het systeem toekomstige voorstellen beter laten aansluiten op de praktijk.
Een systeem maakt een rooster op basis van de doelen en regels die het krijgt.
Wanneer vooral op lage kosten wordt gestuurd, kan een rooster ontstaan met veel korte diensten of onregelmatige werktijden. Wanneer iedere voorkeur even zwaar wordt meegewogen, kan de benodigde bezetting in gevaar komen.
De uitkomst is dus afhankelijk van de gekozen prioriteiten.
De planner blijft nodig om:
AI kan een voorstel maken. De planner beoordeelt of dat voorstel ook uitvoerbaar, uitlegbaar en passend is.
Lees meer in Wat is roosteren?.
Het doel van Dagsturing uitvoeren is de balans tussen kosten en kwaliteit behouden.
AI kan gedurende de dag continu het verschil volgen tussen gepland en actueel.
Denk aan verschillen in:
Een systeem kan eerder herkennen dat een kleine afwijking waarschijnlijk groter wordt. Vervolgens kan het maatregelen voorstellen, zoals werk anders verdelen, activiteiten verschuiven of extra capaciteit inzetten.
Binnen klantcontactcentra kan AI bijvoorbeeld ondersteunen bij Traffic Management. Het systeem kan trends in klantaanbod, Service Level, behandeltijd en adherence combineren en een waarschuwing geven voordat een groot probleem ontstaat.
Niet iedere afwijking vraagt om een maatregel. Te snel bijsturen veroorzaakt onrust. Te laat handelen kan juist leiden tot achterstanden en extra werkdruk.
De medewerker die verantwoordelijk is voor Dagsturing blijft nodig om:
AI kan een afwijking herkennen en een voorstel doen. De mens begrijpt de context en draagt verantwoordelijkheid voor het besluit.
Lees meer over de toepassing binnen klantcontactcentra in Wat is Traffic Management?.
Het doel van Rapportage opstellen is de zorgvuldige registratie van gegevens.
Veel rapportages kunnen al automatisch worden bijgewerkt. AI voegt daar nieuwe mogelijkheden aan toe.
Een systeem kan bijvoorbeeld:
Een manager heeft mogelijk behoefte aan een korte samenvatting. Een WFM specialist wil juist de onderliggende cijfers en aannames zien. AI kan helpen om dezelfde informatie op verschillende niveaus te presenteren.
Een goed geschreven samenvatting is nog geen goede analyse.
AI kan een verband benoemen dat toevallig is of een belangrijke wijziging in de organisatie missen. Ook kan een duidelijke tekst meer zekerheid uitstralen dan de gegevens rechtvaardigen.
De analist blijft nodig om:
AI helpt bij het vinden en verwoorden van inzichten. De analist bepaalt wat de gegevens werkelijk betekenen.
Het doel van Optimalisatie adviseren is continu verbeteren door te leren van het verleden.
AI kan gegevens uit de volledige kwaliteitscirkel combineren. Hierdoor worden verbanden zichtbaar tussen bijvoorbeeld:
Een systeem kan signaleren dat een probleem iedere week op hetzelfde moment terugkomt. Ook kan het scenario’s doorrekenen om te onderzoeken welke verandering mogelijk het beste resultaat geeft.
Een gevonden patroon vertelt nog niet automatisch wat de beste oplossing is.
Een hoog verzuim kan samenhangen met onregelmatige roosters, maar ook met leiderschap, werkinhoud of omstandigheden buiten het werk. Een lager Service Level kan het gevolg zijn van te weinig capaciteit, maar ook van een proces dat onnodig ingewikkeld is.
De WFM adviseur blijft nodig om:
AI kan helpen om kansen te vinden. Verbeteren blijft een gezamenlijk proces van mensen.
De planner van de toekomst is niet alleen iemand die gegevens verwerkt of diensten invult.
De rol verschuift steeds meer naar:
Daarvoor zijn andere vaardigheden nodig.
Naast kennis van Workforce Management en Personeelsplanning worden belangrijk:
De planner hoeft geen programmeur te worden. Wel moet diegene voldoende begrijpen om een systeem verantwoord te gebruiken en niet blind op de uitkomst te vertrouwen.
AI is afhankelijk van de gegevens die het ontvangt.
Wanneer beschikbaarheid niet goed wordt bijgehouden, functies verschillend worden vastgelegd of oorzaken van afwijkingen ontbreken, leert een systeem van een onvolledig beeld.
Controleer daarom vooraf:
Meer gegevens zijn niet automatisch beter. Gebruik alleen gegevens die nodig, betrouwbaar en toegestaan zijn.
Een organisatie moet daarnaast voorkomen dat historische ongelijke keuzes automatisch worden herhaald. Wanneer bepaalde medewerkers in het verleden vaker ongewenste diensten kregen, kan een systeem dit patroon als normaal beschouwen.
AI controleert niet vanzelf of het verleden eerlijk was.
Menselijk toezicht betekent niet dat een planner alleen op goedkeuren klikt.
Goed toezicht vraagt dat de gebruiker:
Wanneer medewerkers ieder voorstel zonder controle overnemen, is er in de praktijk nauwelijks menselijk toezicht.
Leg daarom vast wie verantwoordelijk is, welke controles nodig zijn en wanneer een besluit door een mens moet worden genomen.
De Europese AI verordening wordt stapsgewijs van toepassing. De regels gaan onder andere over AI geletterdheid, transparantie, risicobeheersing, documentatie en menselijk toezicht.
AI systemen op het gebied van werk en personeelsbeheer kunnen als hoog risico worden gezien. Dat geldt bijvoorbeeld voor bepaalde toepassingen die medewerkers beoordelen, volgen of taken toewijzen op basis van individueel gedrag of persoonlijke kenmerken.
Niet iedere forecast, capaciteitsberekening of roostercontrole valt automatisch in deze categorie. Het doel van het systeem, de gebruikte gegevens en de invloed op medewerkers zijn bepalend.
Organisaties moeten daarom per toepassing onderzoeken:
Sinds 2 februari 2025 geldt binnen de AI verordening al een verplichting om te zorgen voor voldoende AI geletterdheid bij medewerkers die met AI systemen werken. Andere onderdelen worden later van toepassing.
De planning van de Europese Commissie kan veranderen. Controleer daarom altijd de actuele implementatietijdlijn van de AI verordening.
Betrek bij toepassingen rond medewerkers tijdig deskundigen op het gebied van privacy, arbeidsrecht, informatiebeveiliging en medezeggenschap.
Begin niet met de vraag: waar kunnen we AI gebruiken?
Begin met een concreet probleem.
Voorbeelden zijn:
Beschrijf wat nu misgaat en welk resultaat je wilt bereiken.
AI kan een onduidelijk proces niet zelfstandig oplossen.
Maak eerst helder:
Onderzoek of de benodigde gegevens volledig, betrouwbaar en toegestaan zijn.
Los belangrijke verschillen in definities en registraties eerst op.
Kijk niet alleen naar technische risico’s.
Onderzoek ook:
Kies één team, periode of procesonderdeel.
Laat het systeem eerst naast de bestaande werkwijze draaien. Vergelijk de voorstellen met de huidige uitkomsten en laat ervaren medewerkers afwijkingen beoordelen.
Leg vast:
Kijk niet alleen hoeveel uren worden bespaard.
Meet ook:
Gebruik ervaringen uit de proef om regels, gegevens en verantwoordelijkheden aan te passen.
Breid pas uit wanneer de toepassing aantoonbaar helpt en de risico’s beheersbaar zijn.
Vraag bij de keuze voor AI ondersteunde plansoftware niet alleen naar de mogelijkheden.
Stel ook vragen zoals:
Een mooie demonstratie laat vooral zien wat onder ideale omstandigheden mogelijk is. Vraag daarom ook om voorbeelden van uitzonderingen, fouten en situaties waarin het systeem geen betrouwbaar voorstel kan doen.
Veelvoorkomende fouten bij AI binnen WFM en PP zijn:
AI verandert de manier waarop onderdelen van Workforce Management en Personeelsplanning worden uitgevoerd. Het vervangt de samenhang tussen die onderdelen niet.
Een goede prognose blijft nodig om capaciteit te bepalen. Een betrouwbaar capaciteitsplan blijft nodig voor een uitvoerbaar rooster. Dagsturing blijft nodig om met afwijkingen om te gaan. Rapportage en Optimalisatie blijven nodig om van resultaten te leren.
AI kan sneller rekenen, patronen herkennen en voorstellen maken.
Mensen blijven nodig om:
De beste resultaten ontstaan daarom niet door mens óf systeem te kiezen. Ze ontstaan wanneer de techniek ondersteunt en mensen de richting bepalen.
Spril helpt organisaties om AI praktisch en verantwoord te verbinden aan Workforce Management en Personeelsplanning.
We ondersteunen onder andere bij:
Wil je onderzoeken waar AI binnen jullie planproces werkelijk waarde kan toevoegen? Neem contact met ons op. Samen zorgen we dat techniek helpt bij goed georganiseerd werk, zonder de menselijke afweging uit het oog te verliezen.