Schoonmaak is voor een groot deel uitvoerend werk op locatie: ruimtes reinigen, materiaal aanvullen, controles uitvoeren, incidenten melden. Daaromheen zit een laag planningswerk dat minder zichtbaar is maar wel bepalend voor de kosten: roosters maken, invallers regelen, klachten afhandelen, kwaliteitscontroles inplannen en rapporteren aan opdrachtgevers. De omstandigheden op locatie sturen de uitkomst sterk: het ene pand heeft een vaste ochtendploeg met weinig wisselingen, het andere werkt met wisselende teams, korte contracten en veel losse invalkrachten. Die variatie bepaalt welk deel van het werk zich laat vastleggen in een patroon en welk deel afhankelijk blijft van wat iemand ter plekke aantreft.
Die twee lagen — uitvoering op locatie en planning op afstand — reageren anders op AI. Het is niet zo dat de ene laag "slimmer" is dan de andere; het is zo dat de een zich beter laat vastleggen in gegevens dan de ander.
Binnen de planningslaag is te zien dat een deel van het werk al is verschoven. Roosters op basis van vaste patronen, urenregistratie, facturatie en basale kwaliteitsrapportage zijn taken die AI kan overnemen zodra de onderliggende gegevens gestructureerd zijn. Het inschatten van een acute personeelstekort bij ziekte, het beoordelen van een klacht die niet in het format past, of het onderhandelen met een opdrachtgever over een contractwijziging: dat blijft mensenwerk, of werk waarbij AI een voorstel doet en een leidinggevende dat goedkeurt of afkeurt met reden.
Op de vloer ligt dat anders. Sensortechniek die meldt wanneer een ruimte daadwerkelijk gebruikt is en dus schoongemaakt moet worden, is een vorm van AI-ondersteuning die al bestaat, maar die vraagt investering in apparatuur en een gebouw dat daarvoor geschikt is. Veel locaties hebben dat niet. Het reinigen zelf blijft, op robotinzet in specifieke omgevingen na, mensenwerk.
Waarom werkt dit bij het ene schoonmaakbedrijf al zo en bij het andere niet? Het verschil zit zelden in de ambitie zelf — bijna elk bedrijf wil efficiënter plannen en minder tijd verliezen aan handmatige roosters. Het verschil zit in wat er onder die ambitie ligt: heeft het bedrijf uren, ziekteverzuim en klachten al in een systeem dat een AI-toepassing kan lezen, of staat dat nog in hoofden van planners en in losse spreadsheets per regio.
Dat is precies waar een ambitie in lagen — van visie tot een concrete streeftoestand — verschil maakt: het dwingt om te benoemen wat er verandert in wie een besluit mag nemen, en wie daarvoor verantwoordelijk blijft. Ter vergelijking, in andere sectoren met veel uitvoerend werk op locatie speelt een vergelijkbaar patroon: wie leest hoe dat uitwerkt in de bouw of in de installatiebranche, ziet dezelfde scheidslijn tussen plannings- en uitvoeringswerk terug, met net andere gegevensbronnen.
De meest genoemde belemmering is niet techniek maar vastlegging. Diensturen, verzuim, klachten en materiaalgebruik staan vaak verspreid over regionale systemen, papieren formulieren en mondelinge afspraken tussen planner en locatiemanager. Een AI-toepassing die roosters of kwaliteitscontroles overneemt, heeft die gegevens nodig in een vorm die te lezen is. Zonder die basis blijft een ambitie een uitspraak zonder fundament.
Daarnaast is er de vraag wie een AI-voorstel mag goedkeuren of afkeuren. Bij bedrijven waar de planner nu volledige zeggenschap heeft over roosterwijzigingen, verandert een AI-toepassing die zelf al roostert de facto de rol van die planner naar controleur. Dat raakt aan hoe functies zijn ingericht en aan arbeidsvoorwaarden; voor besluiten die personeel raken, gelden eigen wettelijke vereisten en die worden hier niet behandeld.
De vraag die onder alle ambities in deze sector ligt, is niet "kan AI schoonmaak overnemen" maar "welke van onze taken zijn al zo vastgelegd dat een AI-toepassing ze kan lezen, en welke nog niet". Dat verschilt per bedrijf, per regio en zelfs per opdrachtgever, en laat zich niet in algemene termen beantwoorden. Wat dat per taak concreet betekent voor uw organisatie, brengt de werkscan van FTE TO AI in beeld: een overzicht van welk werk zich nu al leent voor overname, welk deel toezicht vraagt en welk deel mensenwerk blijft. Wie eerst wil begrijpen hoe een ambitie zich vertaalt naar een operationeel model, vindt dat uitgelegd in het target operating model in gewone taal, en wie wil weten welke capabilities een specifieke ambitie vereist, leest dat terug via de capabilities die uw organisatie nodig heeft voor deze ambitie.
Een ambitie voor AI in schoonmaakwerk formuleren begint met vaststellen waar de organisatie werkelijk staat, niet waar de directie hoopt te staan. De gratis gereedheidscheck van FTE TO AI bestaat uit acht korte vragen, één per dimensie, en levert een beeld op van waar de organisatie het verst is en waar nog de meeste stappen te zetten zijn. De volledige ambitietoets, met de vier lagen en de vijf confidence gates, is in aanbouw.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.