AI dispatching: waar begint de terugverdientijd?
AI dispatching verhoogt techniekcapaciteit met 40%. Ontdek welke taakoverdrachten een mens moet blijven zien voordat je automatiseert.
AUTEUR
Ralf Klein

Een grote waterbehandelaar verhoogde zijn techniekcapaciteit met 40% en verlaagde overuren met 6% na de invoering van digitale planning, zo blijkt uit McKinsey-onderzoek gepubliceerd in maart 2025. Geen pilotresultaat, maar een uitgerolde implementatie zonder extra personeel. Als je vijf of meer technici aanstuurt, werkt de rekenkunde van ai dispatching al tegen je als je nog niet begonnen bent.
Ai dispatching is geen verbeterde routeplanning. Het is een continu beslissingsproces dat certificeringen, live gps-positie, actuele verkeersdata, werkbelasting en jobprioriteit tegelijkertijd afweegt en de planning in seconden herbouwt zodra een nieuw ticket binnenkomt of een klus uitloopt. Een menselijke planner die tien technici over een stad coördineert, neemt sequentiële beslissingen op basis van onvolledige informatie. Het systeem neemt parallelle beslissingen op basis van bijna volledige informatie. Dat verschil groeit naarmate het team groter wordt. Voor vastgoedbeheerders en operationeel managers vertaalt dat verschil zich rechtstreeks in responstijd, tevredenheid van huurders en loonkosten.
De strategische vraag is niet of je dispatch moet automatiseren. Het bewijs is overtuigend genoeg. De vraag is welke toewijzingen een mens nog moet zien, en hoe je die grens bepaalt voordat je live gaat, niet erna.
Ai dispatching-winst zit in benutting, niet in koptellingen
De capaciteitswinst van 40% bij de waterbehandelaar verdient nadere toelichting. Het bedrijf heeft geen mensen ontslagen. Het haalde meer productieve uren uit hetzelfde team door de dode tijd tussen klussen te elimineren: onnodige rijtijd, wachttijd door slechte volgorde en overuren door last-minute herplanningen. De 6% minder overuren is het scherpste signaal, want overuren zijn bijna altijd een planningsfout, geen capaciteitsfout. Als een technicus op vrijdag twee uur overwerkt, betekent dat doorgaans dat eerder in de week de verkeerde persoon werd ingepland, of dat een spoedklus werd opgepakt door de dichtstbijzijnde beschikbare technicus in plaats van de meest geschikte.
Ai dispatching pakt beide fouten aan. Het wijst klussen de eerste keer toe aan de juiste technicus, waarbij certificeringseisen en nabijheid samen worden gewogen in plaats van apart. En als er een spoedgeval binnenkomt, zoekt het systeem niet simpelweg de dichtstbijzijnde technicus. Het modelleert de doorwerking op elke openstaande klus in de wachtrij en kiest de herindeling die de totale planningsverstoring minimaliseert. Een menselijke planner onder tijdsdruk kan die berekening niet maken. Het systeem doet het in minder dan een seconde.
Voor vastgoedbeheer is dit extra relevant omdat de taakmix heterogeen is. Eén ochtend kan een gasketelcontrole met vereiste certificering, een standaard slotvervanger, een urgente waterlekkage en een geplande elektrische inspectie bevatten. Die vier klussen over drie technici verdelen is een optimalisatieprobleem. Handmatige dispatch lost het bij benadering op. Ai dispatch lost het optimaal op, en herberekent elke keer dat de omstandigheden veranderen.
De sector is in 2025 en 2026 voorbij de experimenteerfase
Twee derde van de aftermarket-directeuren die McKinsey ondervroeg, investeert in agentische AI, inclusief dispatch- en debriefassistenten, zo blijkt uit bevindingen gepubliceerd in december 2025. Datzelfde onderzoek toonde aan dat organisaties die vooroplopen in AI voor aftermarket en klantenservice 50% omzetgroei rapporteerden, tegenover 8% bij achterblijvers. Het verschil wordt niet verklaard door het dispatchtool alleen. Het weerspiegelt een bredere operationele modelkeuze: bedrijven die routinecoördinatie automatiseren, bevrijden hun senior mensen voor beslissingen die daadwerkelijk oordeelsvermogen vereisen.
McKinseys AI-onderzoek uit 2026 bevestigde dit patroon. Acht op de tien respondenten zeiden dat AI hun productiviteit had verbeterd, een cijfer dat sectoren en functies overstijgt. In fieldservice is productiviteitswinst door AI bijna altijd terug te voeren op hetzelfde mechanisme: routinecoördinatietaken, die een onevenredig groot deel van de tijd van een vakkundige medewerker opslokte, worden door het systeem afgehandeld, en de vakkundige medewerker richt zich op uitzonderingen.
Een distributieproject dat McKinsey in mei 2026 beschreef, liet een verbetering van 20% in tijdige levering zien binnen zes maanden na invoering van ai-ondersteunde dispatch en herindeling van vrachten, plus meer dan twee uur per dag aan teruggegeven supervisortijd. Hetzelfde project reduceerde ingeplande arbeidsuren met 25% tot 30% op een drukke stedelijke locatie, terwijl de volledige servicedekking gehandhaafd bleef. Supervisors behielden controle door de aanbevelingen van het systeem te beoordelen en bij te sturen, niet door eraan voorbij te gaan. Die ontwerpkeuze, beoordelen in plaats van omzeilen, bepaalt of een implementatie slaagt of stagneert.
De grens voor menselijk ingrijpen is een ontwerpbeslissing, geen standaardinstelling
De meeste ai dispatching-implementaties die ondermaats presteren, doen dat omdat de grens voor menselijk ingrijpen nooit expliciet is vastgesteld. Het systeem werd aangezet, planners kregen te horen dat ze het konden overschrijven, en binnen drie weken overschreef iedereen het constant omdat niemand had afgesproken wanneer dat gepast was. Het resultaat is een systeem dat parallel aan handmatige dispatch draait, kosten toevoegt zonder iets te vervangen.
De grens moet schriftelijk worden vastgelegd vóór de livegang, en moet minimaal drie categorieën omvatten.
Noodherplanningen. Bij een veiligheidsincident moet een mens de beslissing nemen. Niet omdat het systeem geen herindeling kan berekenen, maar omdat verantwoordelijkheid voor een veiligheidsuitkomst niet bij een algoritme kan liggen. Het systeem kan opties tonen en gevolgen modelleren. De beslissing en de communicatie zijn voor een persoon.
Veiligheidskritische klustypen. Bepaalde certificeringen zijn wettelijke vereisten, geen voorkeuren. Gasinstallaties, hoogspanning, asbest-gerelateerde werkzaamheden. Het systeem moet certificeringsmatching automatisch afdwingen en elke klus markeren waarbij de match onduidelijk is. Een mens beoordeelt de markering. Het systeem wijst geen onduidelijke certificeringsmatches automatisch toe zonder beoordeling.
Sleutelaccounts en relatiegevoelige klussen. Sommige huurders of klanten hebben een vaste technicus, contractueel of op basis van operationele geschiedenis. Het systeem moet dit weten en dienovereenkomstig routeren. Als de voorkeurstechnicus niet beschikbaar is, beslist een mens of een alternatief wordt gestuurd of dat de klant eerst wordt gecontacteerd. Dat is een relatiebeslis, geen routebeslis, en die hoort bij een persoon.
Alles buiten die drie categorieën is kandidaat voor volledige automatisering. Routineonderhoudsopdrachten, standaard reactieve klussen, geografische volgorde, werklastverdeling over diensten: dit zijn optimalisatieproblemen die het systeem beter en sneller oplost dan een mens. Een mens in de lus houden voor routineopdrachten is geen veiligheidsmaatregel. Het is een knelpunt.
Hoe je de grens bepaalt voordat je automatiseert
Het praktische werk gebeurt vóór de livegang. Begin met een audit van je dispatchbeslissingen over de afgelopen drie maanden. Categoriseer elk klustype op twee variabelen: de gevolgen van een verkeerde toewijzing en de frequentie van dat klustype. Hoge gevolgen, lage frequentie: menselijke beoordeling. Lage gevolgen, hoge frequentie: automatiseringskern. De middenband, gemiddelde gevolgen en gemiddelde frequentie, krijgt voorwaardelijke regels: het systeem wijst toe, maar de planner ontvangt een melding en heeft een vastgesteld tijdvenster om te overschrijven voordat de toewijzing wordt bevestigd.
Definieer het meldingsvenster expliciet. Als een planner vijf minuten heeft om een gemarkeerde toewijzing te beoordelen voordat die automatisch wordt bevestigd, is dat een werkbaar proces. Als het venster ongedefinieerd is, behandelen planners elke melding als urgent en voelt het systeem als extra werk in plaats van minder werk.
Leg de techniciusattributen vast in het systeem vóór de lancering. Certificeringen, geografische zones, voorkeursdienstpatronen, sleutelaccountrelaties en eventuele tijdelijke beperkingen zoals een technicus die terugkeert na blessure. De kwaliteit van de output van het systeem is rechtstreeks evenredig met de kwaliteit van de data over je team. Een dispatchmotor die draait op onvolledige technicusprofielen produceert toewijzingen die planners terecht overschrijven, en die overschrijvingen worden de AI aangerekend in plaats van de datagap.
Voer een schaduwperiode van twee tot vier weken uit waarbij het systeem toewijzingen genereert parallel aan je bestaande proces. Handel nog niet op de toewijzingen van het systeem. Vergelijk ze met wat je planners daadwerkelijk deden. Waar het systeem en de planner het eens waren, heb je bevestigde automatiseringskandidaten. Waar ze verschilden, onderzoek je waarom. Sommige verschillen onthullen systeemfouten of datagaps. Andere onthullen plannergewoonten die niet daadwerkelijk optimaal zijn. Beide zijn waardevolle bevindingen vóór de livegang.
De grens is niet permanent. Naarmate het systeem geschiedenis opbouwt en je team vertrouwen krijgt in de output, verschuift de grens. Klussen die begonnen in de categorie menselijke beoordeling, schuiven naar voorwaardelijke automatisering. Het doel is niet een vaste grens definiëren en verdedigen. Het doel is een verdedigbare startgrens definiëren en die vervolgens op basis van bewijs laten verschuiven.
Operationeel managers die ai dispatching behandelen als een routeringsfunctie, pakken een fractie van de beschikbare winst. Managers die het behandelen als een herontwerp van het operationele model, met een bewuste grens tussen geautomatiseerde en menselijke beslissingen, zijn degenen die opduiken in de 50% omzetgroeigroep in plaats van de 8%. De technologie is in 2026 niet de beperking. De ontwerpbeslissing is dat wel.
Onze artikelen terugzien in je Top Stories?
BLOG
Andere inzichten
AI-strategie19 nov 2026AI for real estate: begin bij de ticketwachtrijAI for real estate draait in de markt om makelaarstooling. Portfoliobeheerders met hoog ticketvolume beginnen beter bij intake en triage.
AI-strategie8 okt 2026Property management call center: stuur slimmer doorJe property management call center is je duurste intake-kanaal. Zo bepaal je welke tickets een mens bereiken en welke dat nooit zouden moeten.
AI-strategie17 sep 2026Property management API integration: audit schrijftoegang eerstDe schrijf-API van je property systeem bepaalt hoe ver AI-agents komen. Audit objectbereik, auth en rate limits vóór je tekent.