AI voor HR buiten werving: personeelsplanning, verzuimsignalen en onboarding automatiseren

Werving krijgt alle aandacht, maar het echte HR-werk begint pas zodra iemand is aangenomen. De roosters die elke week opnieuw moeten kloppen, het verzuim dat je liefst ziet aankomen voordat het je overvalt, en de onboarding die bij elke nieuwe collega weer een halve dag handwerk is. Voor HR-teams zonder duur, dedicated systeem verdwijnt die operationele cyclus vaak in spreadsheets, losse mailtjes en het hoofd van één overbelaste planner. Deze gids is voor de ondernemer, HR-medewerker of teamleider die drie dingen slimmer wil aanpakken met AI: de bezetting vooruit voorspellen, verzuimsignalen vroeg oppikken zonder de wet te overtreden, en onboarding van getekend contract tot eerste werkdag automatiseren.

De voorkant van HR, een vacaturetekst opstellen en sollicitanten schiften zonder biasrisico, is een verhaal apart. Deze gids pakt de operationele cyclus die daarna komt: geen abstracte beloftes, maar wat je nodig hebt, welke stappen je zet, en waar het misgaat.

Wat je nodig hebt

• Historische data, liefst minstens een jaar: roosters, de vraag die eronder lag (omzet per dag en per uur, reserveringen, ticketverkoop, binnenkomende supporttickets) en ziekmeldingen op telniveau. Pas met een jaar zie je seizoenspatronen.
• Een planningstool met forecasting of een HR-systeem, of de bereidheid om met no-code (zoals n8n) zelf koppelingen tussen je bestaande tools te bouwen.
• Heldere afspraken over wie wat mag zien. Zeker bij verzuim is dat geen detail maar de kern, zoals je verderop ziet.
• Eén eigenaar. Iemand die de cyclus bewaakt, niet "het systeem".

Aan de slag in drie pijlers

In drie bewegingen breng je de operationele HR-cyclus op orde: je voorspelt de bezetting op historische roosters en vraagdata, je signaleert verzuim vroeg met uitsluitend niet-medische data, en je automatiseert onboarding van handtekening tot eerste werkdag. Elke pijler kan los, samen vormen ze één doorlopende stroom.

Pak ze in deze volgorde aan:

1. Bezettingsprognose bouwen op historische roosters en vraagdata, zodat je rooster op de werkelijke drukte is afgestemd in plaats van op onderbuikgevoel.
2. Verzuim vroeg signaleren met geaggregeerde, niet-medische data, zodat je eerder het goede gesprek voert zonder de privacywet te overtreden.
3. Onboarding automatiseren van het getekende contract tot de eerste werkdag, zodat geen account, document of introductie meer wordt vergeten.

Pijler 1: bezettingsprognose op je eigen data

Een forecast is niets meer dan je verleden, doorgetrokken naar de toekomst, dus alles begint bij data op orde. Verzamel minstens een jaar aan roosters en de vraag die eronder lag, en laat een planningstool daar patronen overheen leggen: seizoen, weekdag, lokale events. Die zet het om naar een benodigde bezetting per dienst. Quinyx voorspelt bijvoorbeeld op historische gegevens, verkoopprognoses en lokale evenementen tot op kwartierniveau, met een nauwkeurigheid tot 95 procent voor wie genoeg schone data aanlevert.

Dit werkt het sterkst in branches met scherpe drukte-uitslagen, waar je de personeelsbezetting in de horeca op piek- en dalmomenten op reserveringen en omzet kunt laten meebewegen. En je hebt er geen enterprise-systeem voor nodig: L1NDA rekent €5,20 per ingeplande medewerker, zonder opstart- of vaste kosten, en Shiftbase is gratis tot vijftien gebruikers en biedt forecasting vanaf de Premium-laag. Voor een team van tien tot honderd mensen praat je over een paar tientjes tot enkele honderden euro's per maand, geen investering van duizenden.

Concreet doorloop je dit:

1. Verzamel een jaar historie aan roosters en de bijbehorende vraagdrijvers, op het fijnste niveau dat je hebt.
2. Koppel de vraagdrijvers die de drukte echt sturen: omzet, reserveringen, ticketverkoop, weer of evenementen.
3. Laat de tool een conceptrooster voorstellen op basis van de voorspelde bezetting per tijdslot.
4. Corrigeer met mensenkennis. De forecast is een startpunt, geen waarheid. CAO-regels, contracturen en wie goed met wie samenwerkt kan de machine niet wegen.
5. Meet en stuur bij. Minder over- en onderbezetting, lagere loonkosten per omzet-euro. Santander gaf al zijn 185.000 medewerkers AI en deelde de cijfers van een jaar strategie; op kleinere schaal geldt hetzelfde, zonder meting weet je niet of het werkt.

Pijler 2: verzuimsignalen zonder de wet te overtreden

Hier moet je oppassen. Verzuim voorspellen klinkt als een datavraagstuk, maar het is vooral een juridisch vraagstuk. De Autoriteit Persoonsgegevens is glashelder: als werkgever mag je geen gezondheidsgegevens van een zieke werknemer vastleggen, ook niet als die het zelf vertelt of er toestemming voor geeft. De aard en oorzaak van ziekte horen bij de arbodienst of bedrijfsarts, niet in jouw systeem. Wat je wél mag registreren is beperkt: bereikbaarheid, de verwachte duur, en of het verzuim met een arbeidsongeval samenhangt.

Dat betekent dat een AI die individuele medewerkers een "verzuimrisico-score" geeft op basis van gezondheidsdata voor jou als werkgever geen optie is, los van de vraag of het ethisch is. Bovendien valt het monitoren en beoordelen van werknemers met AI onder de EU AI Act: taaktoewijzing, monitoring en prestatie- of gedragsbeoordeling gelden als hoog-risico, met verplichtingen rond menselijk toezicht, transparantie en documentatie.

De uitweg is om op geaggregeerd, niet-medisch niveau te werken. Een ziekmelding tellen mag, de reden niet, dus tel verzuimfrequentie en -duur op teamniveau en leg dat naast werkdruk-signalen die je sowieso al hebt: structureel overwerk, lang openstaande vacatures, pieken zonder hersteltijd. Laat AI daar patronen in vinden. Dan stuur je niet op een persoon, maar op een team of een rooster dat te strak staat. Het vroege signaal leidt tot een gesprek of een capaciteitsbuffer, niet tot een dossier. De medische voorspelling, als die er al komt, hoort bij de arbodienst, die daar wél een grondslag voor heeft.

Pijler 3: onboarding van handtekening tot eerste werkdag

Onboarding is het deel met de meeste handmatige, herhaalbare stappen, en dus het makkelijkst te automatiseren. Het patroon is altijd hetzelfde: een getekend contract zet een keten in gang. Een HR-systeem zoals Personio of AFAS heeft hier een onboarding- of workflow-module voor; wie geen volledige suite wil, bouwt dezelfde keten met een no-code tool zoals n8n die je bestaande systemen aan elkaar knoopt.

1. Trigger op de handtekening. Zodra het contract is getekend, start de flow automatisch, zonder handmatige kick-off.
2. Preboarding. Een welkomstmail, praktische info en documenten die digitaal getekend worden, nog vóór dag één.
3. Accounts en toegang. Een e-mailaccount, de juiste tools, en een melding in Slack zodat het team weet dat er iemand bijkomt. Rechten op basis van rol, niet per ongeluk te veel.
4. Mensen, niet alleen systemen. Wijs een buddy toe, plan de kennismakingsgesprekken in en zet een eerste-werkdag-checklist klaar, desnoods in een gedeelde planning in Google Sheets als je nog geen tool hebt.
5. Opvolging op 30, 60 en 90 dagen. Automatische herinneringen voor een check-in, zodat onboarding niet stopt na week één.

Valkuilen

• Verzuimdata die je niet mag hebben. De grootste boete-val is medische gegevens vastleggen omdat de medewerker ze "zelf vertelde". Dat mag niet. Houd het medische bij de arbodienst, en werk zelf alleen met frequentie, duur en werkdruk.
• De forecast als waarheid behandelen. Een prognose op te weinig of vervuilde data is een gok met een dashboard eromheen. Garbage in, garbage out, en zet er altijd een mens met CAO- en teamkennis overheen.
• De AI Act onderschatten. Zodra je individuele werknemers monitort, scoort of taken toewijst met AI, zit je in hoog-risico-gebied met documentatie- en transparantieplicht. Ontwerp eromheen: geaggregeerd en adviserend in plaats van beslissend.
• Onboarding zo glad automatiseren dat het koud wordt. De checklist mag de machine doen, het welkom is mensenwerk. Automatiseer de administratie, niet de aandacht.
• Vendor lock-in. Een planningstool die jouw historische data gijzelt, maakt overstappen duur. Controleer of je je data kunt exporteren voordat je je erin vastlegt.

Kant-en-klaar vs. maatwerk

Mijn vuistregel: begin kant-en-klaar voor wat gestandaardiseerd is (roosteren, onboarding-administratie) en bouw maatwerk pas waar de standaardtool gaat knellen, bij een koppeling die niet bestaat, een proces dat echt van jou is, of data die je niet uit handen wilt geven. Begin daarbij bij de pijler met de meeste handmatige uren en het laagste risico, meestal onboarding; welk proces je het eerst automatiseert bepaalt of je momentum opbouwt of vastloopt. De meeste teams hebben geen maatwerk nodig om te beginnen, ze hebben één eigenaar en schone data nodig.

Tot slot

De rode draad is dat AI hier niet de beslisser is, maar de voorbereider. Het rekent je bezetting voor, het tikt je op de schouder als een team te strak staat, en het zorgt dat een nieuwe collega op dag één een werkend account en een bekend gezicht heeft. De oordelen, over wie waar past, over een verzuimgesprek, over wat een goed welkom is, blijven mensenwerk. Wie die grens scherp houdt, wint twee dingen tegelijk: minder administratie en betere beslissingen. Met slim werken, loont hard werken, ook in HR.