mAIxs Capaciteitsplanning en SPP
mAIxs combineert Strategic Personnel Planning en capaciteitsplanning in één AI-ondersteunde methodologie voor non-profit en publieke sector. Het MT werkt met benchmark-tijdschattingen en kalibreert die zelf, zodat er geen time-tracking nodig is voordat het plan rond komt.
De samenhang
SPP en capaciteitsplanning zijn geen losse oefeningen. Ze vormen een keten van strategie naar uitvoering. Pas als die keten compleet is, vertaalt een ambitie zich naar een rekenbaar personeelsplan.
Zonder SPP wordt capaciteitsplanning lineair: groei x% betekent mensen x%. SPP voegt toe welke taken verdwijnen, welke skills zwaarder worden en welke rollen verschuiven.
Zonder capaciteitsplanning blijft SPP een verhaal. Met de rekenmotor weet je hoeveel werk er per skill ontstaat, hoeveel tijd dat kost, en hoeveel FTE dat per kwartaal betekent.
De pijn die we herkennen
Non-profit en publieke sector staan voor een uitdaging die met een spreadsheet of een traditioneel SPP-traject niet op te lossen is.
Non-profit kent geen "omzet x marge x productiviteit" om FTE op te baseren. Caseload en dossierdruk zijn de echte drijvers, maar zonder eenduidige zwaarte-eenheid blijft elke berekening een gevoel.
Time-tracking ontbreekt vrijwel altijd. Drie maanden meten kost meer dan het oplevert, en zelfs dan heb je historische data in een werkelijkheid die al veranderd is.
Een MT kan zeggen "we willen 30% van de aanvragen self-service maken", maar wat dat betekent voor wijkteam-FTE in Q3 blijft een vermoeden. De brug tussen ambitie en plan ontbreekt.
Het echte probleem: hoe vertaal je een kwalitatieve ambitie naar een werkmodel dat rekenbaar is, en hoe maak je daarin zichtbaar welke functies toenemen, afnemen of nieuw ontstaan? Zonder SPP wordt capaciteitsplanning lineair. Zonder capaciteitsplanning blijft SPP een presentatie.
Van ambitie naar plan
De methodologie begeleidt een MT van een kwalitatieve uitspraak tot een rekenbaar personeelsplan. Per stap is zichtbaar welke functies groeien, afnemen of nieuw ontstaan.
Het MT formuleert strategische ambities in eigen taal: "meer preventief werken", "AI-ondersteund klantcontact", "wijkteams ontlasten". Geen spreadsheet, geen norm. AI helpt die uitspraken structureren naar valideerbare aannames.
Per ambitie worden skill-clusters benoemd en de richting van functies vastgesteld: welke groeien, welke nemen af, welke zijn nieuw nodig. Dit is Laag 1 van het drie-lagen model.
Jaarplan, functieprofielen, organogram en beschikbare volumecijfers worden verwerkt tot een eerste activiteitenhypothese. AI genereert de boom; het MT valideert of corrigeert. Geen blanco vel papier.
AI stelt benchmark-gebaseerde tijdschattingen voor per activiteit, met bronvermelding vanuit WISN, de caseload-handreiking en MMO-uitkomsten uit vergelijkbare organisaties. Het MT kalibreert: "klopt dit ongeveer voor jullie?" Geen time-tracking vereist.
Niet alle cases zijn gelijk. Complexiteits- en intensiteitsweging is een first-class veld in het model, geen correctie achteraf. Een jeugdbeschermingsmedewerker met zware dossiers heeft een andere productiviteitsnorm dan een medewerker met lichte casussen.
Meerdere toekomstscenario's worden live doorgerekend naar FTE-impact per functie per kwartaal. Niet "wat als +30% groei", maar "wat als +30% groei plus 20% automatisering plus twee generalisten in het wijkteam". Aannames zijn altijd zichtbaar en aanpasbaar.
Output: FTE per functie per kwartaal, wervings- en trainingsmomenten met onderbouwing, en per capaciteitsgap een expliciete investeringskeuze: werven, trainen, automatiseren of herschikken. Dit is Laag 3: een plan dat in de begrotingscyclus past en in een teamoverleg uitgelegd kan worden.
Het productmodel
Het product werkt in drie expliciete lagen. Elke laag is afzonderlijk valideerbaar door een MT. De waarde zit in de samenhang.
In Laag 1 bepaalt het MT welke skills de organisatie de komende twee tot drie jaar nodig heeft, welke functies groeien, krimpen of nieuw ontstaan, en welke keuze per skill-gap gemaakt wordt.
Laag 2 vertaalt de strategische richting naar concrete aantallen. Volume-drivers zijn geen euro's maar caseload, dossiers en cliënten. Complexiteits- en intensiteitsweging zit ingebouwd als eerste-orde variabele.
Laag 3 levert wat een begrotingscyclus vraagt: FTE per functie per kwartaal, onderbouwde wervings- en trainingstijdlijnen, en een investeringskeuze per capaciteitsgap die het MT kan verdedigen.
SPP zonder capaciteitsplanning levert een verhaal op dat niemand kan omzetten naar een begroting. Capaciteitsplanning zonder SPP levert een lineaire projectie op die automatisering en functieverschuiving mist. Samen doorbreken ze beide beperkingen. De drie lagen versterken elkaar in twee richtingen: strategie bepaalt richting, en de rekenuitkomst scherpt de strategie aan waar aannames niet kloppen.
Vier AI-koppelpunten
AI maakt op vier specifieke plekken een verschil dat een spreadsheet of een traditionele aanpak niet kan leveren. Dit zijn de koppelpunten waar de methodologie haar kracht haalt.
Een SPP-uitspraak zoals "meer preventief werken in de wijk" wordt automatisch vertaald naar een hypothese-boom van activiteiten en taken. Het MT valideert of verwerpt, maar begint niet op een leeg vel. AI genereert de eerste decompositie op basis van de ingevoerde ambities en beschikbare organisatiedocumenten.
Een gemeentelijk wijkteam formuleert de ambitie "vroeg-signalering verdubbelen". AI genereert een activiteitenboom met thuisbezoeken, multidisciplinair overleg, registratie en nazorg. Het team schrikt van de overlegdruk die dat meebrengt en herijkt de ambitie naar 40% groei, realistisch binnen de huidige bezetting.
AI stelt benchmark-gebaseerde tijdschattingen voor per activiteit en skill, met bronvermelding. Bronnen zijn WHO WISN, de Movisie/NJI caseload-handreiking, FNV Significant-norm en beschikbare normtijden uit vergelijkbare organisaties. Het MT kalibreert: "klopt dit ongeveer voor jullie?" De AI leert van die kalibratie en past de schattingen aan.
Een gecertificeerde instelling jeugdbescherming weet dat een jeugdbeschermingsdossier gemiddeld 8 uur per week kost, maar ziet ook dat zware dossiers soms 20 uur vergen. AI stelt een bandbreedte voor op basis van de FNV Significant-norm. De gedragswetenschapper kalibreert die naar de eigen praktijk in 30 minuten.
Meerdere toekomstscenario's worden doorgerekend naar FTE-impact per functie per kwartaal. Input in natuurlijke taal: "wat als we 30% self-service invoeren en twee generalisten in het wijkteam toevoegen?" De aannames zijn altijd zichtbaar en aanpasbaar. Vergelijking tussen scenario's laat het MT zien wat de kosten van keuzes zijn, niet alleen de opbrengsten.
Een zorginstelling voor Wmo en langdurige zorg rekent drie scenario's door: geen verandering, 20% inzet van AI-ondersteunde rapportage, en volledige digitale intake. Scenario 2 levert 1,4 FTE winst op in administratie, maar vraagt 0,6 FTE extra voor kwaliteitsbewaking. Dat ziet het MT pas als de scenario's naast elkaar staan.
Capaciteitstekorten worden zichtbaar voordat ze kritisch zijn. Elk gesignaleerd gat krijgt een expliciete investeringskeuze: werven, trainen, automatiseren, herschikken of een combinatie. AI onderbouwt de keuze op basis van doorlooptijden, marktschaarste en de gewichten die het MT meegeeft. Output is een prioriteitenlijst met timing.
Een onderwijsinstelling ziet dat het gat in pedagogisch-didactische coaching over drie kwartalen kritisch wordt. AI detecteert dit op basis van geplande uitstroom en verwachte leerlinggroei. De aanbeveling: start nu met interne opleiding van twee ervaren docenten (Build), want de externe arbeidsmarkt voor coaches is krap en een extern profiel (Buy) vergt minimaal zes maanden doorlooptijd.
Een eerste indruk
Zes representatieve schermen uit het ontwerp. Indicatieve weergave van de werkomgeving voor facilitator en MT. Het ontwerp toont structuur en informatiedichtheid; pixel-details en interactie volgen in implementatie.
Status van de pilot in één oogopslag. Sidebar groepeert per laag, topbar laat zien waar je bent, body toont voortgang en activiteit.
PILOT FASE 2 · WEEK 4 / 6
Van ambitie "preventief en AI-ondersteund klantcontact" naar een rekenbaar kwartaal-FTE-plan voor 2026 en 2027.
Laag 1: SPP
Ambities en functiehuis
Laag 2: Capaciteit
Activiteiten en tijd
Laag 3: Planning
Scenario's en FTE-plan
MT-sessies
Begeleide workshops
Sessie 1: Ambitie en scenario's
Mike, Sandra, 5 MTValidatie hypothese-boom
Sandra, 3 teamleidersSessie 2: Plan en investering
Mike, voltallig MTActiviteit
Wat AI en MT recent deden
Skill-naar-task gegenereerd voor cluster Preventie
24 hypothese-aannames · 6 bronnen · 08:42MT-validatie: 8 activiteiten goedgekeurd
Sandra K. · functie Generalist · gisterenGap gedetecteerd: Generalist −2.3 FTE in Q3-2026
krapte UWV: zeer krap · 2 dagenDe facilitator begeleidt het MT, de AI luistert mee en structureert uitspraken naar ambitie-statements met bron-citaat. Niets is definitief tot het MT valideert.
STAPPENPLAN · 110 MIN
Inchecken en doel
10 min · afgerondAmbities articuleren
25 min · actiefSkill-clusters
30 min · volgendFunctie-shifts (toe/af/nieuw)
25 min · volgend5 B's per gap
20 min · volgendSTAP 2 · AMBITIES ARTICULEREN
Praat in eigen taal. De AI luistert mee, structureert uitspraken naar ambitie-statements en koppelt ze aan deelnemer en bron-citaat. Niets is definitief tot het MT valideert.
"We willen veel meer preventief werken in de wijk en minder pas-als-het-misgaat."
"AI moet generalisten ontlasten van administratief werk, dossiers, terugbel-acties, signaleringen."
"30% van de aanmeldingen moet self-service kunnen, maar zonder dat we kwetsbaren kwijtraken."
Facilitator-tip: vraag Eline of "30% self-service" geldt voor alle aanmeldingen of alleen eenvoudige meldingen. Dit raakt scenario-parameter self_service_pct.
LIVE EXTRACTIE NAAR LAAG 1
Verschuiving naar preventief werken
bron: Sandra K. · gevalideerd: neeAI ontlast administratief werk
bron: Bram H. · gevalideerd: nee30% self-service voor aanmeldingen
bron: Eline V. · gevalideerd: neeSUGGESTIES VAN AI
AI mapt skill-clusters naar concrete activiteiten met tijd, volume en bron. Het MT valideert per regel; niets schuift door naar Laag 3 zonder validatie.
KOPPELPUNT A · SKILL NAAR TASK
Bron: Sandra K. · Sessie 1 stap 2
3 activiteiten
3 activiteiten
Beschrijf een scenario in eigen woorden of stel parameters bij. De rekenmotor rolt door naar FTE per functie per kwartaal voor 2026 en 2027.
KOPPELPUNT C · SCENARIO SIMULATION
SCENARIO IN EIGEN WOORDEN
"Wat als 30% van de aanmeldingen self-service gaat, we 2 AI-coaches aannemen en administratie met 25% automatiseren?"
SCENARIO A · BASELINE
SCENARIO B · AMBITIE-1
SCENARIO C · AMBITIE-2
Vraag (scenario-output) tegen aanbod (huidige formatie + mutaties), met krapte-overlay uit UWV en ROA. Per cel een expliciete investeringskeuze met onderbouwing.
KOPPELPUNT D · GAP DETECTION
Het rapport dat het MT ondertekent en dat in de begrotingscyclus past. Volledig traceerbaar: elke aanname is gekoppeld aan een bron en een sessie.
EXECUTIVE SUMMARY · 9 MEI 2026
Onder scenario "+30% self-service" daalt de totale formatie van 38.4 naar 31.7 FTE in twee jaar, terwijl preventie- en AI-rollen toenemen. Drie kritische gaten vragen om actie in Q3 - Q4 2026.
TOP-3 ACTIES
Werf 1 Generalist + huur 1 in
kritischStart AI-coach traineeship (2)
risicovolBridge Backoffice naar Casusregie
voorbereidPlan gebaseerd op 47 aannames, allemaal traceerbaar in de bijlage. Bronnen: WISN-handreiking WHO, Movisie caseload-handreiking, NJI normtijden, UWV Krapte 2024 - 2030, ROA prognose. Niet-gevalideerde aannames staan apart vermeld; doorrekening past zich aan zodra het MT die kalibreert.
Bovenstaande visuals zijn bewust geen demo of werkende software. Ze tonen de structuur, informatiedichtheid en het doel van het uiteindelijke product zoals beschreven in het Project Start Document.
Voor beslissers
De combinatie van SPP en capaciteitsplanning met AI lost vier problemen op die losse aanpakken niet oplossen.
Capaciteitstekorten worden drie tot zes kwartalen van tevoren zichtbaar, niet pas als de wachtlijst al groeit. Dat geeft tijd voor gerichte werving, opleiding of herschikking, in plaats van noodoplossingen met zzp'ers en inhuur.
"+20% caseloadgroei" is geen synoniem voor "+20% formatie". Automatisering, taken die verdwijnen en functies die verschuiven maken het echt ingewikkelder. De scenario-simulatie laat zien hoe dat uitwerkt per functie, zodat een MT een onderbouwde keuze maakt in plaats van een vuistregel.
Werven, trainen, automatiseren of herschikken: elke keuze heeft een prijs en een doorlooptijd. De 5 B's (Build, Buy, Borrow, Bot, Bridge) maken die keuze zichtbaar per gap, met onderbouwing die een RvT of financier begrijpt.
SPP eindigt niet meer in een mooi verhaal dat in de la verdwijnt. Het eindigt in een kwartaal-FTE-plan dat direct ingebracht kan worden in de begrotingscyclus, met de aannames zichtbaar zodat het plan levend blijft als de werkelijkheid verandert.
Wat ons onderscheidt
De meeste SPP-trajecten leveren een verhaal op. De meeste capaciteitsplannen zijn lineaire spreadsheets. Dit product doet iets anders.
De methodologie werkt met benchmark-kalibratie en normtijden uit WISN, MMO en de Movisie/NJI caseload-handreiking. Drie maanden meten voordat je kunt rekenen is niet nodig.
Zware dossiers, meervoudige problematiek en complexe casuistiek zitten ingebouwd in het rekenmodel, niet als correctie achteraf. Zo geeft het plan een realistisch beeld van de werkdruk per type medewerker.
SPP en capaciteitsplanning zijn in dit product geen losse modules maar een keten die in twee richtingen werkt: strategie bepaalt de richting van het rekenmodel, en de rekenuitkomst scherpt de strategie aan.
Elk capaciteitsgat krijgt een onderbouwde keuze: Build (intern opleiden), Buy (werven), Borrow (inhuren), Bot (automatiseren) of Bridge (tijdelijke overbrugging). Met doorlooptijd en kosteninschatting per optie.
Een klassiek SPP-traject duurt vier tot zes maanden. Deze methodologie levert een eerste kwartaal-FTE-plan op na enkele werkdagen, inclusief scenario-doorrekening en investeringsadvies.
Het rekenmodel is gebouwd op WHO WISN, TDABC, de Movisie/NJI caseload-handreiking en de FNV Significant-norm voor jeugdbescherming. Geen profit-logica geimporteerd in een non-profit-omgeving.
Doelgroep
Dit product is gebouwd voor organisaties waar caseload en dossierdruk de drijvers van de werklast zijn. De gebruikelijke profit-aannames over omzet en marge passen er niet op.
Wijkteams, jeugdteams en sociaal domein-afdelingen die te maken hebben met groeiende caseload, stelselwijzigingen en bezuinigingen tegelijk. De vraag is niet of er formatie bij moet, maar welke functies en wanneer.
GI's die werken met de FNV Significant-norm en te maken hebben met hoge werkdruk, verloop en complexe dossiers. Formatieplanning moet kloppen met de normstelling en de realiteit van de casuistiek.
Zorginstellingen die zorgzwaartepakketten en DBC's gebruiken als volume-driver en waarbij de mix van complexiteit bepalend is voor de productiviteitsnorm per medewerker.
Scholen en koepels die te maken hebben met krimp, fusies, nieuw curriculum of een veranderende leerlingpopulatie en waarbij de vraag is welke functies en welk aantal formatieplaatsen de organisatie over drie jaar draagkrachtig maakt.
Methodologisch fundament
De methodologie is niet zelfbedacht. Ze rust op vijf hoekstenen uit de internationale en Nederlandse workforce-planningsliteratuur. Dat maakt de uitkomsten uitlegbaar aan een RvT, financier of inspectie.
De WHO WISN-methode is de internationale standaard voor activity-based personeelsberekening in de zorgsector. Het model berekent benodigde formatie vanuit activiteiten, volumes en tijdnormen, zonder time-tracking te vereisen. Dit is de rekenkundige ruggengraat van Laag 2.
Kaplan en Andersons TDABC-methode bepaalt de tijdkosten per activiteit per medewerkerscategorie. Eenvoudiger dan klassiek ABC, en direct toe te passen op de non-profit-context waar geen omzet-koppeling mogelijk is. TDABC levert de capacity cost rate die Laag 2 in Laag 3 omzet naar FTE.
ESCO (Europese Skills, Competencies, Qualifications and Occupations), ISCO (International Standard Classification of Occupations) en O*NET (het Amerikaanse beroepentaxonomie-systeem) vormen de brug tussen activiteiten in Laag 2 en de skill-clusters in Laag 1. Zo zijn activiteiten koppelbaar aan herkenbare functiecategorieen.
De Movisie en NJI caseload-handreiking biedt bandbreedtes voor wijkteams en sociaal domein. De FNV Significant-norm stelt caseload-normen voor jeugdbeschermingsmedewerkers. Beide zijn verwerkt als sectorspecifieke kalibratiepunten die het MT herkent en kan gebruiken in gesprekken met financiers of inspectie.
De Multi Moment Opname (MMO), gebaseerd op de Tippet-methode uit 1934, stelt toe dat normtijden statistisch betrouwbaar vastgesteld kunnen worden via steekproefobservaties, zonder volledige time-tracking. Dit is de methodologische basis voor het vaststellen van benchmarks in situaties waar geen tijdregistratie beschikbaar is.
Verkennen of dit bij jullie past
Een verkennend gesprek van 60 minuten met de directeur of HR-directeur is de eerste stap. Geen offerte, geen vrijblijvend praatje, maar een eerlijk gesprek over de vraag of deze methodologie past bij jullie organisatie en fase.