Wanneer matching niet meer met regels lukt: AI-gestuurde personeelsallocatie voor digitale HR-platforms
Het aantal flexwerkers in Nederland steeg in 2023 naar 2,9 miljoen, een toename van ruim 12 procent in twee jaar tijd. [1] Digitale platforms die deze groep bemiddelen, verwerken inmiddels honderdduizenden shifts per maand. Voor snelgroeiende platformen zoals Temper en YoungOnes ontstaat daarbij een hardnekkig knelpunt: zodra de pool van beschikbare profielen de 25.000 overschrijdt, schiet eenvoudige op vaardigheden gebaseerde matching tekort. Een schoonmaakshift op zaterdagochtend in Amsterdam-Noord, met strikte eisen aan reisafstand, CAO-tarieven en voorkeurstijden, vraagt om een systeem dat meer factoren tegelijk weegt dan handmatige filters of eenvoudige aanbevelingsalgoritmen aankunnen. Tegelijkertijd lopen de kosten van een onvervulde shift snel op: omzetverlies, een ontevreden opdrachtgever en een flexwerker die naar een ander platform vertrekt.
Bij meer dan 25.000 profielen houdt simpele op vaardigheden gebaseerde matching op te werken.
Het patroon
De meeste digitale HR-platforms in de flexbranche begonnen met een heldere belofte: breng vraag en aanbod efficiënt samen en ontzorg beide partijen. Maar bij doorgroei naar aantallen waar de traditionele uitzendbranche allang met gespecialiseerde planners werkt, blijft de automatisering achter. Uit vacatureanalyses bij Nederlandse HR-techbedrijven valt op dat data scientists met ervaring in real-time optimalisatie steeds vaker worden gezocht, een specialisatie die twee jaar geleden nog nauwelijks voorkwam. [2] De platforms lopen tegen de grenzen aan van handmatige toewijzing, en ook de basale ML-modellen die zij intussen inzetten, optimaliseren vaak slechts op één variabele, zoals historische invulling of postcodeafstand. [3]
Wat de druk vergroot, is de aard van het flexwerk zelf: korte cycli, hoge no-show-percentages en een krappe arbeidsmarkt waarin goede krachten vaak voor meerdere platforms tegelijk beschikbaar zijn. Het Algemene Bond Uitzendondernemingen (ABU) rapporteerde in 2023 dat in sectoren als schoonmaak en horeca tot wel 15 procent van de geplande uren onvervuld blijft. [4] Dit raakt niet alleen de omzet, maar holt ook het vertrouwen van opdrachtgevers uit. Een CEO van een Nederlands platform noemde in een interview met Emerce dit zijn ‘grootste operationele hoofdpijn’ bij het passeren van de 30.000 actieve gebruikers. [5]
De mogelijkheid: de Real-time Allocatie-engine
Een toegewijde AI-agent, laten we hem de Real-time Allocatie-engine noemen, kan dit probleem structureel anders aanpakken. In tegenstelling tot een aanbevelingssysteem dat eenmalig een match voorstelt, draait deze engine continu in de achtergrond en herverdeelt hij actief capaciteit.
De inputs van de engine zijn alles wat een ervaren planner zou checken, maar nu in realtime: de beschikbaarheid en actuele locatie van kandidaten, hun gewerkte uren conform de CAO, opgebouwde beoordelingen, tariefvoorkeuren, maar ook externe factoren zoals evenementen in de buurt, verkeersdrukte en weersvoorspellingen. Op basis van deze gegevens voorspelt de agent per shift de slagingskans en stelt hij proactief kandidaten voor, onderhandelt hij binnen een vooraf afgesproken tariefmarge en schuift hij bij een annulering of no-show onmiddellijk een alternatief naar voren. Alleen bij uitzonderlijke situaties, een kandidaat die voor de derde keer weigert, een CAO-bepaling die interpretatie vraagt, escaleert het systeem naar een menselijke intercedent.
Een echte allocatie-engine onderhandelt over tarief en schuift bij een no-show binnen een minuut een andere kandidaat naar voren.
De impact op de kengetallen is substantieel. Uit publieke data van platforms die met voorspellende allocatie experimenteren, blijkt een stijging van de fill rate van 80 naar 93 procent haalbaar, terwijl de gemiddelde invultijd zakt van vier uur naar een kwartier. [5] Omgerekend naar een platform met 20.000 maandelijkse shifts voorkomt dat al snel 2.600 onvervulde uren per maand. Daarnaast daalt de churn onder flexwerkers doordat zij via de engine eerder en gerichter shifts zien die écht passen bij hun wensen.
De eerlijke moeilijke delen
Net als elk lerend systeem introduceert een allocatie-agent risico’s. Allereerst het gevaar van onbedoelde discriminatie: als de agent op basis van historische toewijzingsdata leert, kan hij bestaande vooroordelen, bijvoorbeeld een systematische voorkeur voor kandidaten uit een bepaalde postcode, versterken, met juridische consequenties onder de Algemene wet gelijke behandeling. Daarnaast vereist het automatiseren van tariefonderhandeling een fijngevoelig evenwicht. Een te agressieve agent kan flexwerkers het gevoel geven dat er geen menselijke maat meer is, wat het risico op uittocht vergroot. De kunst is de agent zó te calibreren dat beide partijen de allocatie als eerlijk en transparant ervaren.
Afsluiting
De eerste stap die wij bij DenkWork zetten, is niet het bouwen van een groot model, maar het valideren van de onderliggende aannames. We zouden beginnen met het in kaart brengen van de bestaande matchlogica en beschikbare datastromen: welke signalen worden nu echt gebruikt, en waar zit de grootste voorspelfout? Twee weken later heeft u een werkend prototype dat op een afgebakende set shifts parallel meedraait en aantoont of een allocatie-engine de fill rate met minimaal tien procent kan verhogen. Bij DenkWork bouwen wij zulke agenten zonder dat het bestaande platform vervangen moet worden.
Als dit aansluit bij een knelpunt dat u nu raakt, plan dan een gesprek van 30 minuten in.
We zien ook geautomatiseerde CAO-compliance en intelligente onboarding vaker terugkomen bij bedrijven van deze vorm; bespreek graag verder als die urgenter zijn.
Bronnen
- CBS, Flexwerk in Nederland: recordaantal flexwerkers in 2023, 2024.
- Techleap, Analyse AI-investeringen in HR-tech, 2023.
- McKinsey & Company, The State of AI in 2023: staffing use cases, 2023.
- ABU, Arbeidsmarktcijfers uitzendbranche 2023, 2023.
- Emerce, Interview met CEO van digitaal flexplatform over AI-matching en schaalproblemen, 2023.