Benieuwd naar Staffyou WFM?

Plan een demo
Staffyou
Demo
WFM blog

AI in personeelsplanning: wat forecast, matching en agents echt doen

AI in personeelsplanning doet drie verschillende dingen: voorspellen hoeveel mensen je per uur nodig hebt (forecast), voorstellen wie wanneer werkt binnen je regels en budget (matching), en open diensten opvolgen, bijvoorbeeld via WhatsApp (agents). Elke laag heeft andere gegevens nodig en gaat op een andere manier mis. De planner blijft beslissen over uitzonderingen, regels en mensen. Koop je AI-planning, vraag dan per laag wat het systeem doet en hoe je dat controleert.

WFM blog

AI in personeelsplanning doet drie verschillende dingen: voorspellen hoeveel mensen je per uur nodig hebt (forecast), voorstellen wie wanneer werkt binnen je regels en budget (matching), en open diensten opvolgen, bijvoorbeeld via WhatsApp (agents). Elke laag heeft andere gegevens nodig en gaat op een andere manier mis. De planner blijft beslissen over uitzonderingen, regels en mensen. Koop je AI-planning, vraag dan per laag wat het systeem doet en hoe je dat controleert.

Wat is AI-planning eigenlijk?

LaagVraagHeeft nodigGaat mis bijDe planner
ForecastHoeveel mensen heb ik nodig, per uur en per afdeling?historie van omzet, bezoekers of orders en bezetting, plus signalen zoals reserveringen, weer en evenementennieuwe locaties, eenmalige pieken, fouten in de datavoert bekende uitzonderingen in en controleert de uitkomst
MatchingWie werkt wanneer?beschikbaarheid, skills en certificaten, contracturen, tarieven, cao- en ATW-regelsregels die niet zijn ingesteld, verouderde beschikbaarheidstelt de wegingen in, keurt goed en legt keuzes uit
AgentWie vult de open dienst?de open dienst, de juiste kandidaten, de volgorde en de tijdvenstersonduidelijke antwoorden, korte oproeptermijnenbepaalt de regels en neemt gesprekken over

Niet alles wat als AI wordt verkocht, is juridisch een AI-systeem. Volgens de richtsnoeren van de Europese Commissie valt bijvoorbeeld een voorspelling die alleen het gemiddelde van vorige weken doortrekt, buiten de definitie. Voor jou als koper is het label minder belangrijk dan de vraag of het beter werkt dan wat je nu doet.

Forecast: hoeveel mensen heb je nodig?

Een forecastmodel zoekt patronen in je eigen historie, zoals het verschil tussen een dinsdagochtend en een zaterdagavond, en combineert die met signalen van buiten. Dat werkt zolang het patroon terugkeert. Het gaat mis bij wat het model nooit heeft gezien: een nieuwe locatie, een verbouwing, een evenement in de buurt dat niemand heeft ingevoerd, of dagen waarop je dicht was en die als 'rustig' in de data staan.

De belangrijkste test is simpel: is de forecast beter dan een eenvoudige methode, zoals 'zelfde dag vorige week'? Het open leerboek Forecasting: Principles and Practice van Hyndman en Athanasopoulos raadt aan elk model met zulke simpele methoden te vergelijken. Doet het model het niet beter, dan is het de moeite niet waard.

Voorbeeld (fictief): zaterdagavond in een restaurant, vier weken. Achteraf bleken er 9, 11, 8 en 12 mensen nodig te zijn. De zaterdag vóór week 1 waren dat er 10.

WeekNodigVorige weekAfwijkingModelAfwijking
1910+190
2119-210-1
3811+39+1
4128-411-1
Gemiddelde afwijking (zonder plus of min)2,5 mensen0,75 mensen

Met 'vorige week' plan je in vier weken 4 diensten te veel en kom je 6 mensen tekort. Bij 7,5 uur per dienst en € 28 per uur kosten die 4 overbodige diensten € 840. Het model plant 1 dienst te veel (€ 210) en komt 2 mensen tekort. Vraag een leverancier om deze vergelijking op jouw eigen data, per dagdeel.

Reken bij kleine aantallen liever in mensen dan in procenten. Een procentuele afwijking loopt sterk op als het werkelijke aantal dicht bij nul ligt, bijvoorbeeld op een stil uur.

Matching: wie werkt wanneer?

Matching zet de open diensten om in een voorstel: wie past op welke dienst, op basis van beschikbaarheid, skills, contracturen, kosten en regels. Dat is niet altijd een lerend model; het kan ook rekenwerk met regels en wegingen zijn. Het sterke punt is dat software duizenden combinaties naloopt en elke regel bij elke dienst toetst. Het zwakke punt is dat het systeem alleen weet wat je erin stopt. Staat de rusttijd van 11 uur uit de Arbeidstijdenwet niet goed ingesteld, dan plant een systeem dat op kosten stuurt iemand na een sluitdienst net zo makkelijk in voor de opening. Is de beschikbaarheid nog van vorige maand, dan klopt het voorstel ook niet.

Let ook op welke gegevens over mensen meewegen. Rangschikt een systeem medewerkers op stiptheid, no-shows, acceptatiegraad of beoordelingen, dan kan het volgens de conceptrichtsnoeren van de Europese Commissie onder de hoog-risicoregels van de AI Act vallen. Die gelden vanaf 2 december 2027. Plannen op beschikbaarheid die mensen zelf opgeven, of op een verplicht certificaat, valt daar volgens dezelfde richtsnoeren niet onder; plannen op afstand in de regel ook niet.

Agents: wie vult de open dienst?

Een agent neemt het belwerk over: hij vraagt beschikbaarheid uit, biedt een dienst aan, bevestigt en schakelt de planner in als het niet lukt.

Een agent is sterk bij veel gesprekken tegelijk en bij herhaalwerk, en heeft meer moeite met een antwoord als "misschien, als mijn zus oppast". Houd ook rekening met de regels:

  • Oproeptermijn. Een oproepkracht die je minder dan 4 kalenderdagen vooraf oproept, hoeft niet te komen, tenzij je cao een kortere termijn heeft. Een agent mag vragen, maar een nee is geen no-show.
  • Transparantie. Sinds 2 augustus 2026 moet een AI-systeem dat rechtstreeks met mensen praat, zo zijn gemaakt dat mensen weten dat ze met AI te maken hebben, tenzij dat voor de hand ligt (artikel 50 AI Act). Vraag je leverancier hoe dat is geregeld.
  • Tijdvensters. Leg vast wie wanneer berichten krijgt, en wanneer een mens het gesprek overneemt.

Drie misverstanden over AI-planning

"AI vervangt de planner." Het werk verschuift. Uit verkennende bedrijfsbezoeken van de Nederlandse Arbeidsinspectie bleek dat de meeste bezochte bedrijven algoritmes gebruikten waarbij managers nog konden ingrijpen. De planner stelt de regels in, beslist over uitzonderingen en voert de gesprekken die een systeem niet kan voeren.

"Je hebt jaren aan data nodig." Een weekpatroon is na een aantal weken al zichtbaar. Een jaarpatroon, zoals de decemberpiek, kan een model pas uit je eigen data halen als het dat seizoen minstens één keer heeft gezien. Tot die tijd vul je aan met normen per activiteit, signalen van buiten en de kennis van de planner.

"AI is een black box." Dat hoeft niet. Een forecast kan laten zien welke signalen meewegen, een matcher kan per dienst laten zien waarom iemand is gekozen. Vraag ernaar. Uitleg is ook juridisch relevant: bij hoog-risicosystemen hebben mensen die nadeel ondervinden van een besluit recht op uitleg (artikel 86 AI Act), en menselijke tussenkomst telt volgens de Autoriteit Persoonsgegevens alleen als de beoordelaar op hoofdlijnen begrijpt hoe de uitkomst tot stand komt.

Wat merken medewerkers ervan?

  • Uitleg. Medewerkers willen weten waarom ze een dienst wel of niet krijgen. Kan de planner dat niet uitleggen, dan voelt elk rooster als willekeur.
  • Genoeg uren. Een systeem dat strak op de forecast plant, kan uren afsnoepen bij mensen die op een vast aantal uren rekenen. Spreek af hoe je contracturen en wensen meeweegt voordat het systeem roosters gaat voorstellen.
  • Rust en voorspelbaarheid. Een systeem dat alleen op kosten stuurt, kan sluit-opendiensten en wisselende patronen opleveren. In Nederland begrenst de Arbeidstijdenwet dat: 11 uur rust, één keer per 7 × 24 uur in te korten tot 8 uur als het werk dat vraagt.
  • Werkdruk en autonomie. De Autoriteit Persoonsgegevens en de Arbeidsinspectie wijzen op meer werkdruk, minder autonomie en het gevoel continu bekeken te worden. Twee bedrijven die de inspectie bezocht, zijn weer gestopt met ranglijsten van medewerkers.

De Arbeidsinspectie adviseert de RI&E bij te werken en medewerkers, en bij grotere bedrijven de OR, vanaf het begin te betrekken.

Checklist: dit vraag je voordat je AI-planning koopt

  1. Welke laag koop je precies: forecast, matching, een agent of alle drie?
  2. Hoe nauwkeurig is de forecast op jouw data, per dagdeel, vergeleken met 'zelfde dag vorige week'?
  3. Welke gegevens over mensen wegen mee in de matching? Zitten daar stiptheid, no-shows, acceptatiegraad of beoordelingen bij?
  4. Welke regels zijn ingebouwd (ATW, jouw cao, contracturen, regels voor jongeren), en blokkeert of waarschuwt het systeem per regel?
  5. Kun je per dienst zien waarom iemand is gekozen?
  6. Wie keurt goed, en binnen welke grenzen publiceert het systeem zelf?
  7. Via welk kanaal werkt de agent, wanneer stuurt hij berichten en wanneer neemt een mens het over? Zegt hij dat hij AI is?
  8. Is er een verwerkersovereenkomst, en welke informatie krijg je voor je DPIA en voor de OR?
  9. Wat kost het, en hoeveel tijd vraagt de inrichting?

Hoe organiseer je dit in de praktijk?

Begin bij de laag waar je nu de meeste tijd verliest. Laat een forecast eerst een paar weken naast je huidige methode meelopen voordat je erop gaat plannen.

In Staffyou WFM voorspelt Staffyou Forecast de bezetting per uur, locatie en afdeling uit historie, omzet, reserveringen, weer en evenementen. Is er weinig historie, dan gebruikt het normen per activiteit, locatiekenmerken en externe signalen. De forecast rekent door naar loonkosten, afgezet tegen je budget of omzetpercentage, en zet de voorspelling om in conceptdiensten. Staffyou Algoritme stelt een planning voor op beschikbaarheid, skills, locatie, voorkeuren, kosten en regels, met eerst je eigen mensen, dan je flexpool en dan leveranciers. De planner keurt het goed of past het aan. Staffyou Agent biedt open diensten aan via WhatsApp, binnen de groepen, tijden en berichten die je instelt, en schakelt de planner in als het niet lukt.

Veelgestelde vragen

Wat is AI-planning?

Software die de vraag voorspelt, een rooster voorstelt of open diensten opvolgt. Vaak gaat het om een combinatie van die drie.

Kan AI zelfstandig een rooster maken?

Het kan een voorstel maken en dat binnen ingestelde grenzen zelf publiceren. Laat beslissingen die mensen echt raken, zoals wie minder uren krijgt, door een planner nemen.

Hoeveel data heb je nodig voor een AI-forecast?

Voor weekpatronen een aantal weken, voor jaarpatronen elk seizoen minstens één keer. Ontbreekt die historie, dan vul je aan met normen en signalen van buiten.

Mag een AI-agent mijn medewerkers appen?

Dat kan, als je afspraken maakt over wie wanneer berichten krijgt, als duidelijk is dat het om AI gaat en als je de AVG en de oproeptermijnen respecteert.

Wil je zien hoe forecast, voorstel en agent samenwerken met jouw eigen team? Plan een demo.

Bronnen

Verder lezen

Personeelsplanning in één systeem?

Staffyou WFM: €0,15 per gepland uur, de eerste 500 uur per maand gratis.

Plan een demo