Vraag een supply chain directeur hoe AI het werk van planners zal veranderen, en het gesprek begint vaak bij technologie: welk platform, welke leverancier, welke pilot. Vraag het aan een planner, en de vragen zijn anders. Welke beslissingen zal het systeem nemen? Welke taken zullen nog aandacht vragen? En wie is verantwoordelijk wanneer een aanbeveling fout blijkt te zijn?
Dat verschil is belangrijk, want de echte impact van AI op planning zal niet enkel en alleen voortkomen uit betere algoritmes. Ze zal voortkomen uit een verandering in de manier waarop beslissingen worden genomen en dus ook in de manier waarop planners hun tijd besteden. Geavanceerde planningssystemen hebben die verschuiving jaren geleden al ingezet, maar AI versnelt ze door het aantal beslissingen dat een systeem aankan uit te breiden. Om te begrijpen wat dat betekent, moeten we eerst kijken naar hoe de job vandaag wordt uitgevoerd.
De job van de planner vandaag
Planning is in de meeste organisaties nog altijd sterk manueel, en een deel daarvan is onvermijdelijk. Wanneer een leverancier een levertijd wijzigt, een promotie niet werd ingevoerd of een sales forecast eerder een commerciële doelstelling dan de verwachte vraag weerspiegelt, beschikken planners over informatie die het systeem niet heeft. Het plan corrigeren is dan een rationele reactie op zwakke punten elders in de organisatie.
We zien hetzelfde patroon bij de meerderheid van onze klanten, ongeacht hun omvang of sector: wanneer zich een ernstige verstoring voordoet, besteden teams een groot deel van hun tijd aan brandjes blussen, en manuele allocatie bevoordeelt vaak de klant die het luidste klaagt de klant waarvoor voorraad de meeste waarde creëert.
Forecasting laat de gevolgen het duidelijkst zien, omdat dit het best onderzochte onderdeel van de job is. Een recente studie in het International Journal of Forecasting stelde vast dat planners ongeveer 75% van de statistische prognoses manueel aanpasten. Een vervolgstudie uit 2025, met meer dan 100.000 prognoses, toonde aan dat die aanpassingen de nauwkeurigheid slechts voor ongeveer de helft van de producten verbeterden en dat vooral opwaartse bijstellingen de prognose vaak slechter maakten.
Dat betekent niet dat menselijk inzicht moet verdwijnen. Integendeel, het wordt vaak gewoon op de verkeerde plaats ingezet. Een veldexperiment uit 2026, gepubliceerd in Management Science en uitgevoerd in een bedrijf voor reserveonderdelen waar de vraag onregelmatig is en moeilijk te voorspellen op basis van historische gegevens alleen, toonde aan dat correcties van planners aan de informatie die de prognose voedt zoals een ontbrekende promotie of een verouderde levertijd, de winstgevendheid met bijna 5% verhoogden. Samen met de studies hierboven is het patroon eenvoudig: het uiteindelijke cijfer aanpassen levert zelden waarde op, terwijl het corrigeren van wat het systeem niet kan weten dat vaak wel doet. En precies daar begint waar AI de rol van de planner kan beginnen veranderen.
Van plannen corrigeren naar beslissingen sturen
Niets hiervan is conceptueel nieuw. Planners hebben altijd al hun aandacht moeten prioriteren, en segmentatiemethoden zoals ABC/XYZ geven al lang aan waar ze eerst moeten kijken. Wat verandert, is de schaal: in plaats van alleen aan te geven waar een mens moet ingrijpen, kunnen systemen nu zelf veel routinematige beslissingen nemen, binnen de grenzen die de organisatie bepaalt. Dit noemen we de verschuiving van mensgerichte naar beslissingsgerichte planning, en ze verandert de job van de planner op verschillende concrete manieren.
-
De regels voor geautomatiseerde beslissingen bepalen
Planners bepalen drempels, toleranties, serviceprioriteiten en escalatieregels. De vraag is niet langer “wat moet het cijfer zijn?”, maar “onder welke voorwaarden mag het systeem beslissen?”
-
Focus op betekenisvolle uitzonderingen
De aandacht gaat naar situaties met een echte bedrijfsimpact: een onverwacht bevoorradingsprobleem, tegenstrijdige vraagsignalen, een afweging tussen service, voorraad en kosten.
-
Scenario’s en afwegingen beoordelen
In plaats van één plan te onderhouden, vergelijken planners alternatieven en maken ze de afwegingen zichtbaar voor de organisatie.
Afstemming binnen de organisatie creëren
Een aanbeveling creëert pas waarde als de organisatie ernaar handelt. Planners leggen aannames uit, maken onzekerheid zichtbaar en helpen sales, finance en operations om tot overeenstemming te komen.
Dit geldt ook buiten demand planning: een supply planner van wie het systeem orders binnen afgesproken grenzen herplant, kan tijd besteden aan leveranciersrisico’s, capaciteitsconflicten en werkkapitaal. In de praktijk verloopt de verschuiving echter wel trager dan de marketing van software vendors doet vermoeden.
Hebben bedrijven minder planners nodig?
De beschikbare gegevens laten geen definitief antwoord toe, en planningsfuncties staan in delen van Europa nog altijd op knelpunt- en tekortlijsten. Waarschijnlijker dan verdwijnende teams zijn teams die van vorm veranderen: transactioneel werk wordt kleiner of gecentraliseerd, planners beheren grotere portefeuilles, hybride functies ontstaan tussen planning, analytics en process governance, en het resterende werk vraagt meer beoordelingsvermogen. Eén vraag mag daarbij niet worden overgeslagen: ervaren planners hebben hun expertise opgebouwd rond de huidige processen en tools, en ze hebben een geloofwaardig transitiepad nodig, niet de veronderstelling dat iedereen van vandaag op morgen analist wordt.
Waarom AI-vooruitgang vaak stokt
Omdat AI invoeren gemakkelijker is dan het proces eromheen hertekenen. In een enquête uit eind 2025 was slechts 17% van de supply chain leiders bezig met zo’n herontwerp; de meesten voegden use cases één voor één toe. Dit betekent dat bekende problemen blijven bestaan: verouderde masterdata, commerciële informatie die te laat binnenkomt, onduidelijke beslissingsrechten en planners die in spreadsheets compenseren omdat het formele proces niet overeenkomt met hoe beslissingen in werkelijkheid worden genomen. AI bovenop die omgeving zetten, neemt die zwakke punten niet weg. Het kan ze enkel automatiseren.
Wat organisaties nu moeten doen
De startvraag is niet “waar kunnen we AI inzetten?”, maar “welke planningsbeslissingen zijn we bereid om te automatiseren?” Daaruit volgen vier acties.
-
Manuele overrides beheren
Bepaal wanneer planners een aanbeveling mogen aanpassen of wanneer een goedkeuring vereist is. Meet daarnaast of interventies het resultaat daadwerkelijk verbeteren om de vinger aan de pols te houden.
-
Beslissingsvaardigheden ontwikkelen
Modelafwijkingen begrijpen, scenario’s testen, afwegingen kwantificeren en communiceren over functies heen zijn belangrijker dan alleen trainingen in tools.
-
Autonomie geleidelijk uitbreiden
Begin met frequente beslissingen met een laag risico, stel duidelijke escalatieregels op en breid de autonomie uit naarmate de prestaties beter worden begrepen.
-
Rollen en beslissingsrechten hertekenen
Maak expliciet wat het systeem aanbeveelt, wat de planner valideert en wat het management beslist, en betrek planners bij dat ontwerp: zij weten waar het proces goed werkt en waar het vastloopt.
De echte vraag is niet of planners verdwijnen
De grootste verandering die AI brengt, is niet een betere forecast of een sneller plan. Het is dat routinematige beslissingen, waar minder menselijk beoordelingsvermogen nodig is, kunnen verschuiven van planners naar het systeem,. Op die manier kunnen planners zich buigen over de complexe beslissingen en thema’s. Daarmee komen we terug bij de directeur en de planner. De directeur vraagt in welk platform moet worden geïnvesteerd. De planner vraagt welke beslissingen naar het systeem gaan, welke menselijk blijven en wie eigenaar is van het resultaat. Organisaties die het best voorbereid zijn op AI, zullen op beide vragen een antwoord hebben.
Een praktische start is werken op een van de oudste gewoontes binnen planning in systemen: de manuele override. Kan iemand in jouw organisatie beoordelen of het aanpassen van de systeemaanbeveling het plan daadwerkelijk verbetert?
