Met AI-codeerassistenten bouw je in één middag een planningstool die er verrassend goed uitziet. Een overzicht van medewerkers, een paar projecten, uren die je kunt verslepen: het werkt. Geen wonder dat steeds meer organisaties zich afvragen waarom ze nog een abonnement op planningssoftware zouden betalen.
Dat is een terechte vraag, en het eerlijke antwoord is: het hangt ervan af. In deze blog zetten we de voor- en nadelen van zelf bouwen met AI op een rij, laten we zien waarom juist planning een lastig domein is, en geven we een paar vragen mee waarmee je zelf de afweging kunt maken.
Wat zelf bouwen met AI je oplevert
Laten we beginnen met wat er écht goed is aan zelf bouwen, want die voordelen zijn reëel. Het grootste is maatwerk: een eigen tool sluit precies aan op je werkwijze, je termen en je rapportages. Je hoeft je proces niet aan te passen aan de logica van een leverancier.
Daarnaast gaat het snel. Een eerste werkende versie staat er in dagen in plaats van maanden, en dat is waardevol om feedback van planners op te halen. Er zijn geen licentiekosten per gebruiker, en data, logica en roadmap zijn volledig van jou.
Ten slotte levert zelf bouwen kennis op. Teams die met AI experimenteren, leren snel wat er technisch mogelijk is. Die kennis is ook elders in de organisatie bruikbaar.
Waar het lastig wordt
AI verlaagt de drempel om software te bouwen, maar niet de kosten om software te bezitten. Daar zit het verschil tussen een geslaagd prototype en een tool waar een organisatie jarenlang op kan draaien.
Het begint met de randgevallen. Een demo werkt met tien medewerkers en drie projecten. In de praktijk krijg je te maken met deeltijdcontracten, verlof, feestdagen en projecten die halverwege van vorm veranderen. De eerste 80 procent gaat snel, de laatste 20 procent kost het meeste werk.
Daarna komt het onderhoud, en dat stopt nooit. AI schrijft code, maar iemand moet die code begrijpen, testen en repareren als er iets misgaat. Vaak zit die kennis bij één collega. Vertrekt die, dan blijft er een systeem achter dat niemand goed durft aan te passen.
Ook beveiliging en koppelingen vragen blijvend aandacht. Planningsdata bevat persoonsgegevens zoals beschikbaarheid en verlof, dus toegangsrechten, logging, back-ups en de AVG zijn geen bijzaak. En een planning staat zelden op zichzelf: HR, urenregistratie, ERP en agenda’s moeten erop aansluiten, terwijl die systemen zelf ook veranderen.
Tot slot zijn er de verborgen kosten. Licentiekosten zijn zichtbaar in de begroting, de uren van je eigen mensen vaak niet. Tel de tijd van ontwikkelaars, key users en beheer eerlijk mee, en vraag je af wat die mensen anders hadden kunnen doen. Gebruiksgemak en adoptie vragen bovendien jaren van luisteren naar gebruikers, niet één sprint.
Waarom juist planning een lastig domein is
Niet alle software is even moeilijk om zelf te bouwen. Een formulier of een simpel overzicht is goed te doen. Resource- en capaciteitsplanning hoort bij de lastigere categorie, omdat er veel bewegende delen samenkomen.
Meerdere projecten vragen om dezelfde mensen, op hetzelfde moment. Die mensen zijn bovendien niet uitwisselbaar: vaardigheden, certificeringen, locatie en contracturen bepalen wie waar inzetbaar is. En de planning verandert voortdurend. Een klant schuift op, iemand valt uit, een offerte wordt gegund, en de rest van de planning mag daardoor niet omvallen.
Daar komt bij dat iedere rol iets anders wil zien. De resourcemanager zoekt het totaalbeeld, de projectleider zijn project, de medewerker zijn eigen week en het management de bezetting en prognose. Juist de waardevolste functies, zoals wat-als-scenario’s en het afwegen van nieuwe opdrachten tegen beschikbare capaciteit, zijn ook de meest complexe.
Een planning optimaliseren doe je niet met een taalmodel
Wie met AI zelf een planningstool bouwt, laat vaak ook de planning zelf door een taalmodel (LLM) maken. Dat lijkt logisch, maar hier zit een belangrijke valkuil. Goede planningssoftware rekent met algoritmische optimalisatiemodellen: wiskundige solvers die harde regels nooit overtreden en binnen die regels de beste oplossing zoeken.
Een taalmodel werkt anders. Het voorspelt de meest waarschijnlijke tekst, en controleert niet of alle regels tegelijk kloppen. Zolang er weinig regels zijn, gaat dat goed. Zodra regels op elkaar inwerken, zoals beschikbaarheid, vaardigheden, deadlines en het verbod op dubbele inzet, gaat het mis. Onderzoek naar planningstaken laat zien dat zelfs de sterkste modellen sterk terugvallen zodra verschillende soorten beperkingen samenkomen. Volgens een andere benchmark daalt het aandeel geldige roosters van 97 procent bij eenvoudige problemen naar minder dan 2 procent bij complexe.
Dat betekent niet dat taalmodellen nutteloos zijn voor planning. Ze zijn uitstekend in het begrijpen van een vraag in gewone taal, het uitleggen van conflicten en het voorbereiden van keuzes. De kracht zit in de combinatie: het taalmodel als gesprekspartner, het optimalisatiemodel als rekenmachine. Die combinatie goed bouwen, vraagt om specialistische kennis van beide werelden.
Wat een leverancier meebrengt: domeinkennis, data en innovatie
Een gespecialiseerde leverancier bouwt niet alleen software, maar verzamelt ook jarenlang kennis over het vak planning. Elke klant brengt nieuwe vraagstukken mee, uit andere branches en met andere werkwijzen. Die lessen zitten verwerkt in hoe het product werkt, vaak op plekken die je pas waardeert als je ze zelf had moeten bedenken.
Met de opkomst van AI wordt dat voordeel groter. AI wordt pas echt slim als het leert van veel en gevarieerde data. Een leverancier kan, geanonimiseerd en binnen de afspraken met klanten, patronen zien over veel organisaties heen: hoe lang soortgelijke projecten werkelijk duren, waar capaciteit structureel tekortschiet en welke planningen haalbaar blijken. Een zelfgebouwde tool leert alleen van de data van één organisatie.
Daardoor wordt de AI in gespecialiseerde software doorgaans sneller beter dan wat je zelf kunt trainen. Zelf bouwen met AI geeft je dus wel de technologie, maar niet de ervaring en de data die die technologie waardevol maken.
Bovendien staat het vak zelf niet stil. Gespecialiseerde leveranciers investeren continu in AI, van slimme suggesties voor de inzet van mensen tot assistenten die zelfstandig planningen voorbereiden en conflicten oplossen. Het planningsdomein gaat de komende jaren grote stappen maken.
Als organisatie wil je op die ontwikkeling meeliften, niet haar zelf proberen bij te houden. Wie zelf bouwt, moet elke nieuwe mogelijkheid zelf uitzoeken, ontwikkelen en onderhouden, terwijl de eigen tool al snel achterloopt. Wie standaard software gebruikt, krijgt die vernieuwing met elke update erbij, en kan de eigen mensen inzetten op het werk waar de organisatie écht in uitblinkt.
Wanneer zelf bouwen wél verstandig is
Zelf bouwen is niet altijd de verkeerde keuze. Bij een eenvoudige behoefte, zoals een klein team op één locatie zonder koppelingen, volstaat een lichte eigen oplossing of zelfs een goed spreadsheet.
Het kan ook strategisch zinvol zijn als je manier van plannen echt je onderscheidend vermogen is, en je een eigen ontwikkelteam hebt dat de tool jarenlang kan beheren. Daarnaast is een snel gebouwde tool een prima prototype om je eisen scherp te krijgen, voordat je een standaardpakket selecteert.
De interessantste route is vaak een combinatie: een standaardpakket als stabiele basis, en met AI zelf bouwen wat erbovenop komt. Denk aan een eigen rapportage, koppeling of assistent via de API.
Een beslisboom voor je eigen afweging
Twijfel je? Loop de vijf vragen hieronder eerlijk door. Alleen wie ze alle vijf met ja beantwoordt, heeft een sterk argument om zelf te bouwen.
Figuur 1: beslisboom · 5 vragen, 3 uitkomsten
Reken daarnaast de totale kosten over drie tot vijf jaar door, niet alleen de bouw. Neem de uren van je eigen mensen, beheer, hosting, beveiliging en de kosten van uitval mee, en zet dat naast de licentiekosten in je begroting.
Conclusie: bouw waar je je onderscheidt, koop waar je dat niet doet
AI heeft zelf bouwen toegankelijker gemaakt dan ooit, en dat is goed nieuws. Maar de vraag is niet of je een planningstool kúnt bouwen. De vraag is of je hem jarenlang wilt bezitten, beveiligen, koppelen en doorontwikkelen.
Voor de meeste organisaties is planning een kritisch proces, maar geen product dat ze zelf willen maken. Dan ligt standaard planningssoftware als basis meer voor de hand: bewezen, veilig en direct inzetbaar voor alle gebruikers. Gebruik AI vervolgens waar het echt verschil maakt, bijvoorbeeld voor eigen analyses, koppelingen of slimme assistenten bovenop die basis.
Zo profiteer je van de snelheid van AI, zonder dat je eigen mensen softwareleverancier hoeven te worden.
