Personeelsplanning is een aanhoudende zoektocht naar balans tussen wat een organisatie nodig heeft en wat medewerkers willen. Die balans wordt vaak op een van twee manieren gezocht: de planner stelt het rooster vast en communiceert het achteraf, of medewerkers krijgen zelf ruimte om een deel van hun rooster in te vullen. Beide routes hebben grenzen. De eerste levert weinig draagvlak op. De tweede is niet overal haalbaar: bij complexe kwalificatie-eisen, 24/7-continuïteit of grote, wisselende teams loopt onderlinge afstemming al snel vast. AI-planning voegt een derde route toe. Voorkeuren worden niet als apart proces georganiseerd, maar als expliciete data meegenomen in hetzelfde model dat ook de bezetting optimaliseert.
Waarom voorkeuren meetellen
Een rooster dat alleen naar bezetting kijkt, is op papier vaak kloppend en in de praktijk toch een bron van frictie. Medewerkers die geen enkele invloed ervaren op hun werktijden, ervaren een rooster eerder als iets wat hen overkomt dan als iets dat bij hun leven past. Dat werkt door in betrokkenheid, in de bereidheid om bij te springen bij uitval, en op de langere termijn in verzuim en verloop. Andersom geldt: voorkeuren volledig laten prevaleren boven bezetting is evenmin houdbaar, want dan verdwijnt de basis waarop de organisatie draait. AI-planning is aantrekkelijk omdat het geen keuze hoeft te zijn tussen deze twee — het model zoekt continu naar de beste balans tussen beide.
Wat telt als een voorkeur
In een AI-model is een voorkeur niets anders dan een extra variabele met een gewicht. Denk aan:
- een vaste vrije dag of dagdeel, bijvoorbeeld voor mantelzorg of een vaste sportavond;
- een maximum aantal nachtdiensten of weekenden per periode;
- voorkeur voor een vast team, een vaste locatie of vaste collega’s;
- combinatievoorkeuren, zoals nooit een vroege dienst direct na een late;
- tijdelijke wensen rond een verhuizing, studie of herstelperiode.
Elk van deze wensen kan worden vastgelegd, meegenomen en — als de situatie daarom vraagt — na verloop van tijd weer worden aangepast.
Hoe het model voorkeuren afweegt
Niet elke voorkeur weegt even zwaar, en dat hoeft ook niet. Sommige wensen zijn hard omdat ze samenhangen met wet- en regelgeving of contractuele afspraken; andere zijn zacht en concurreren met elkaar zodra meerdere medewerkers hetzelfde moment claimen. Een AI-model lost dat op met expliciete gewichten en rotatieregels: wie deze periode een wens niet vervuld ziet, krijgt de volgende periode voorrang. Het resultaat is een rooster waarin niet iedereen altijd zijn zin krijgt, maar wel iedereen aantoonbaar evenveel kans heeft gehad. Dat onderscheid — uitlegbaar in plaats van willekeurig — is precies waarom voorkeuren als data waardevoller zijn dan voorkeuren als los overleg.
Waar voorkeuren stoppen
Voorkeuren blijven ondergeschikt aan de randvoorwaarden die de bezetting garanderen: de benodigde kwalificatiemix, wettelijke rust- en arbeidstijden, en de minimale bezetting per dienst. Wanneer voorkeuren structureel botsen met deze randvoorwaarden — bijvoorbeeld omdat te veel medewerkers dezelfde dagen willen mijden — is dat geen roosterprobleem maar een capaciteitssignaal. Het model maakt dat verschil inzichtelijk, in plaats van het te verbergen achter een rooster dat toch net rond wordt gepuzzeld.
Wat dit oplevert
Organisaties die voorkeuren als data behandelen, zien vooral verandering in de acceptatie van het rooster: minder discussie achteraf, meer begrip voor de keuzes die zijn gemaakt, en een planner die tijd overhoudt voor uitzonderingen in plaats van voor het handmatig verwerken van wensen. De bezetting blijft daarbij het uitgangspunt — voorkeuren verbeteren de uitkomst, ze vervangen de puzzel niet.
Benieuwd hoe medewerkersvoorkeuren in jouw organisatie een plek kunnen krijgen in een geoptimaliseerd rooster? Wij denken graag mee over welke voorkeuren het verschil maken en hoe een model daar verantwoord mee omgaat.