AI in operations planning

Van de bedrijven met 250 of meer mensen zet 10 procent AI in voor logistiek. Bij bedrijven van 50 tot 250 mensen is dat 3 procent, en bij de kleinste bedrijven 1 procent. Het is een van de toepassingsgebieden met het grootste relatieve verschil tussen groot en klein: grote bedrijven zetten hier ruim drie keer zo vaak AI in als middelgrote.

Dat verschil is geen toeval. Planning is het domein waar handwerk en ervaringskennis het diepst zitten, en dus waar de weerstand tegen verandering het grootst is. Dit stuk gaat over hoe je dat oplost zonder de planner die het weerhoudt te maken tot je grootste probleem.

Waarom planning anders is dan andere processen

Marketingteksten en facturen hebben een duidelijk goed en fout: de tekst klopt of niet, het bedrag klopt of niet. Planning heeft dat zelden. Een planning is goed als hij werkt, en of hij werkt hangt af van tientallen factoren die nergens zijn opgeschreven: welke klant flexibel is, welke leverancier altijd te laat levert, welke combinatie van orders praktisch is om samen in te plannen.

Die kennis zit in het hoofd van de planner, is opgebouwd over jaren, en is precies waarom een AI-systeem dat alleen naar de harde data kijkt, een planning voorstelt die op papier klopt en in de praktijk niet werkt.

Werken aan een planbord. Een planning die op papier klopt, werkt niet altijd in de praktijk.

Waarom de weerstand hier het grootst is, en terecht

Een planner die zijn werk al jaren doet, heeft goede reden om wantrouwend te zijn tegenover een systeem dat zijn ervaring wil overnemen. Twee dingen maken dat wantrouwen terecht.

Ten eerste: veel van wat een planner weet, staat nergens. Een systeem dat alleen naar historische data kijkt, mist precies de uitzonderingen die de planner al kent. Ten tweede: als het misgaat, is het de planner die het moet oplossen, niet het systeem. Die persoon draagt het risico van een fout die iemand anders heeft geautomatiseerd.

Dat is waarom het verhaal hier niet kan gaan over vervanging, en waarom het wél moet gaan over de planner beter maken. Zie ook onze stukken over meer halen uit de mensen die je al hebt en capaciteit opbouwen zonder eigen AI-team: dezelfde aanpak, toegepast op de functie waar de weerstand het grootst is.

Wat wel werkt: het model voorstelt, de planner beslist

Het patroon dat we bij planning telkens zien werken, is niet automatisering maar advisering. Een systeem dat een voorstel doet op basis van de harde data, en een planner die dat voorstel binnen seconden kan overrulen op basis van kennis die het systeem niet heeft.

Dat overrulen moet zichtbaar blijven en niet verdwijnen in het systeem. Een planner die weet dat zijn correcties worden genegeerd bij de volgende voorspelling, stopt met corrigeren en het systeem verliest precies de input die het nodig had om beter te worden.

Uitleg geven bij een whiteboard. Het model stelt voor, de planner beslist.

Vier stappen om dit goed te doen

Betrek de planner vanaf dag één, niet als tester achteraf. Iemand die vanaf het begin meedenkt over wat het systeem moet voorstellen, is eigenaar van de uitkomst. Iemand die pas een kant-en-klaar systeem krijgt voorgeschoteld, is een criticus.

Begin met voorstellen, niet met beslissen. Laat het systeem in de eerste maanden alleen suggesties doen die de planner accepteert of afwijst. Meet hoe vaak elk gebeurt en waarom.

Maak overrules zichtbaar en gebruik ze als input. Een correctie van de planner is geen fout van het systeem, het is een leermoment. Een systeem dat overrules negeert, leert nooit de uitzonderingen die het meest waard zijn.

Geef de planner iets terug. Als het systeem tijd bespaart, moet die tijd zichtbaar terugkomen bij de planner, niet verdwijnen in een taakstelling om meer orders per uur te verwerken. Anders wordt beter werken gestraft in plaats van beloond.

Een concreet voorbeeld van hoe advisering werkt

Neem een planner die dagelijks twintig orders moet indelen over vijf machines. Een systeem stelt een indeling voor op basis van doorlooptijd en beschikbaarheid. De planner ziet dat order zeventien een klant is die volgende week een veel grotere order verwacht, en verschuift die order naar de machine die als eerste vrijkomt, iets wat nergens in de data van het systeem staat.

Die verschuiving wordt vastgelegd, niet genegeerd. Na een paar maanden herkent het systeem het patroon "grote klant, kleine order, prioriteit" zonder dat iemand het hoeft te programmeren, simpelweg omdat de planner het keer op keer liet zien. Dat is het verschil tussen een systeem dat leert van een expert en een systeem dat een expert probeert te vervangen.

Wat de leverancier moet kunnen laten zien

Vraag bij elk voorstel voor een planningssysteem om een demo waarin een menselijke overrule zichtbaar wordt verwerkt, niet alleen geaccepteerd. Een leverancier die dat niet kan tonen, bouwt waarschijnlijk een systeem dat plant zonder te leren, en dat is precies het soort systeem waar planners terecht weerstand tegen bieden.

Wat dit oplevert als het goed gaat

Een planner die minder tijd kwijt is aan het handmatig invoeren van standaardgevallen, houdt tijd over voor precies de uitzonderingen waar zijn ervaring het verschil maakt. Dat is geen verlies van status, het is een verschuiving naar het deel van het werk waar een mens een model altijd zal blijven verslaan: de situatie die nog niet eerder is voorgekomen.

Bedrijven die dit goed doen, zien niet dat de planner overbodig wordt. Ze zien dat de planner degene wordt die het systeem traint, corrigeert en uiteindelijk beter maakt dan wat een externe partij in zijn eentje had kunnen bouwen.

Over deze pagina

Het cijfer over AI-gebruik in logistiek naar bedrijfsgrootte (1, 3 en 10 procent) komt uit de ICT-enquête van het CBS over 2025 en betreft de hele economie, niet één sector. Dit is de stand van 21 augustus 2026.