Workforce Engineering bestaat al altijd. We hadden er alleen nooit een naam voor.
Op deze pagina
Elk vakgebied begint hetzelfde. Mensen doen het werk jarenlang voordat iemand bedenkt het te definiëren. Software engineering bestond al voordat de term er was. DevOps was een werkwijze voordat het een categorie werd. FinOps was een spreadsheet en een schietgebedje voordat iemand besloot dat het beheren van cloudkosten een naam en een conferentie verdiende.
Met Workforce Engineering is het hetzelfde. Elke leidinggevende die ooit heeft geprobeerd uit te zoeken of zijn team goed is ingezet, of de juiste mensen aan de juiste dingen werken tegen de juiste kosten, deed aan Workforce Engineering. Ze noemden het alleen niet zo. Ze noemden het kwartaalplanning, of headcount review, of de spreadsheet die ze elke drie maanden opnieuw bouwden en elke keer haatten.
Ik doe het al het grootste deel van mijn loopbaan. Ik vermoed dat jij dat ook doet.
Wat er eigenlijk gebeurt
Denk terug aan elk gesprek over capaciteit dat je ooit hebt gevoerd. Iemand vraagt: is dit project goed bemand? Krijgen we waar voor ons geld van dit team? Wat verandert er als we twee mensen van team A naar team B verplaatsen? Je verplaatst twee senior engineers naar het nieuwe AI-initiatief, maar omdat je de afhankelijkheden verderop niet kon zien, loopt de release van je kernproduct een maand uit. Iedereen zag de verhuizing. Niemand zag het gevolg tot het er was.
Dit zijn geen HR-vragen. Het zijn systeemvragen. Je probeert een systeem te modelleren (input, output, beperkingen, afwegingen) en beslissingen te nemen die op resultaat optimaliseren. Dat de input mensen zijn en geen servers, verandert niets aan de aard van het werk.
Maar we hebben het nooit als een engineeringdiscipline behandeld. We behandelden het als onderbuikgevoel in een spreadsheetjasje. Je neemt het aantal koppen, vermenigvuldigt met salarisschalen, deelt door het aantal actieve projecten en komt uit op een getal dat ongeveer goed voelt tot er iemand vertrekt of de board met een nieuwe prioriteit komt.
Het probleem was altijd meten. Je kunt niet engineeren wat je niet kunt instrumenteren. En bij de meeste organisaties is het personeel vrijwel helemaal niet geïnstrumenteerd. Je weet wat je betaalt. Je hebt een grof idee waar mensen aan werken. Het verband tussen die twee, welke inspanning is ingezet voor welke resultaten tegen welke kosten, is een black box.
Dat is het gat dat Workforce Engineering vult.
De definitie
Workforce Engineering is de discipline van het bewust ontwerpen, meten en optimaliseren van hoe een organisatie haar arbeid inzet om resultaten te behalen.
Het behandelt het personeel als een systeem. Zoals elk systeem kun je het instrumenteren, modelleren, voorspellen en verbeteren. Het doel is niet inzicht om het inzicht. Het doel is betere beslissingen nemen, sneller, met minder gokwerk. En voor de duidelijkheid: het gaat er niet om meer uit mensen te persen. Het gaat erom ze te beschermen tegen gedoe, burn-out en tegenstrijdige prioriteiten door te zorgen dat het systeem om hen heen in balans is.
Het heeft zes kernpraktijken:
Measure. Instrumenteer het personeel goed. Wie werkt waaraan, tegen welke kosten, voor welke resultaten? Dit is het fundament. Zonder dit is al het andere schatten.
Attribute. Koppel inspanning aan resultaten op projectniveau. Niet “we hebben vorig kwartaal £400k uitgegeven aan dit team”, maar “die £400k viel uiteen over deze vijf projecten, met deze output en deze AI-hefboomfactor.”
Optimise. Neem actief beslissingen op basis van de data. Schuif capaciteit door naar waar die nodig is. Snijd in uitgaven die niets opleveren. Zie waar AI de oplevering echt versnelt en waar het budget verbrandt zonder iets te veranderen.
Forecast. Kijk met vertrouwen vooruit. Modelleer het effect van aannamebeslissingen, teamwijzigingen en AI-investeringen voordat je ze neemt, in plaats van achteraf de gevolgen uit te leggen.
Improve. Behandel het als een iteratieve discipline, niet als een kwartaalgebeurtenis. Het plan dat je in januari maakt, klopt in februari al niet meer. Een levend systeem dat de werkelijkheid weerspiegelt is meer waard dan een perfect plan dat veroudert.
Recover. Goede Workforce Engineering verdient zichzelf terug. Als je helder ziet wat je personeel doet en waar de inspanning terechtkomt, haal je financiële waarde naar boven die er altijd was maar onzichtbaar bleef: fiscale R&D-aftrek, CapEx-classificatie, het schrappen van overbodige tooling. De meeste organisaties laten flink wat geld liggen, niet uit nalatigheid, maar omdat ze nooit het inzicht hadden om het te claimen.
Waarom nu
Workforce Engineering bestaat in de praktijk al altijd. Maar nu wordt het urgent. AI heeft de aanname gebroken dat personeel beheren een kwestie van headcount is. Een team van veertien dat vroeger een productverticaal beheerde, kan nu de effectieve output hebben van twintig, of van acht, afhankelijk van hoe goed ze AI-tools gebruiken. De basiseenheid van personeelsplanning, de stoel, zegt je niet meer wat je krijgt.
De rol van de engineer is fundamenteel verschoven van individuele bijdrager naar regisseur van AI-agents, maar onze bedrijfsmodellen behandelen hen nog als standaard headcount. Ondertussen groeien de AI-uitgaven van bedrijven sneller dan iemand had gepland en belanden ze in het budget zonder duidelijke eigenaar. De AI-uitgaven van bedrijven groeien naar verwachting 36% per jaar. Het grootste deel gaat naar tooling, assistenten, LLM-API’s en agentische infrastructuur in elke functie, en de meeste financiële teams hebben geen idee wat het oplevert. Het zit ergens tussen een softwareabonnement en een infrastructuurkost, wisselend geclassificeerd en hooguit per kwartaal bekeken.
De CTO’s en CFO’s met wie we praten stellen geen abstracte vragen over AI-strategie. Ze vragen: wat krijgen we hier eigenlijk voor? Versnelt onze AI-investering de oplevering of voegt het alleen kosten toe? Wat verandert er als we het budget verdubbelen? Ze hebben geen antwoorden, want de tooling om die vragen te beantwoorden bestond tot nu toe niet.
Dit is een bepalend moment. De bedrijven die nu de infrastructuur bouwen om AI als een vorm van arbeid te meten en te beheren, krijgen een structureel voordeel op de bedrijven die het twee jaar later uitzoeken, nadat de uitgaven zijn opgeschaald en de verspilling zich heeft opgestapeld. We praten met organisaties die honderdduizenden per jaar uitgeven aan AI-tooling zonder het aan een project of een resultaat te kunnen koppelen. Dat is geen klein probleem. Het is een governancecrisis in slow motion.
De oude maatstaven (headcount, bezettingsgraad, output per hoofd) schoten al tekort. Nu misleiden ze actief. Je hebt een ander systeem nodig.
Waarom we het een naam gaven
Toen Oliver en ik Flowstate bouwden, kwamen we steeds terug bij dezelfde spanning. Het product dat we bouwden had duidelijke waarde: data over menselijke inspanning koppelen aan projectresultaten, AI-uitgaven integreren, echte beslissingen over personeel mogelijk maken. Maar de categorie om het te beschrijven bestond niet.
Workforce Management is het verkeerde kader. Dat is roosteren, tijdregistratie, ploegendiensten. Het is Workday en ADP en tools voor een wereld waarin de eenheid van arbeid een persoon is die inklokt.
FinOps is het verkeerde kader. Dat gaat over cloudkosten. Een echt nuttige categorie, maar het verkeerde probleem.
Engineering Management is het verkeerde kader. Te operationeel, te veel gericht op engineering leads, en het mist de financiële dimensie.
Geen van allen beschrijft wat we echt doen: het personeel, mens en AI, behandelen als een systeem dat je engineert.
Dus gaven we het een naam. Workforce Engineering. Niet omdat wij de praktijk hebben uitgevonden (zoals ik aan het begin zei, mensen doen dit al jaren) maar omdat een naam ertoe doet. Namen scheppen categorieën en categorieën scheppen markten.
We definiëren deze bewust, omdat we denken dat bedrijven die Workforce Engineering als praktijk omarmen, en niet alleen een tool kopen, fundamenteel betere beslissingen nemen over hoe ze hun duurste en meest waardevolle middel inzetten.
Hoe winnen eruitziet
Je weet dat je Workforce Engineering goed doet als:
- Je “worden we efficiënter?” kunt beantwoorden met data in plaats van een gevoel
- Elk pond aan arbeid, mens of AI, herleidbaar is tot een project en een resultaat
- Beslissingen over headcount met dezelfde striktheid worden genomen als investeringsbeslissingen
- Je de opleverkosten kunt voorspellen voordat een project begint, in plaats van overschrijdingen uit te leggen nadat het is afgelopen
- Beslissingen over herverdeling proactief vallen en niet in de nabespreking
- Het leiderschap het plan genoeg vertrouwt om sneller te bewegen in plaats van om nog een reviewronde te vragen
- Je geen goede mensen meer verliest aan verkeerde inzet, omdat je het probleem ziet voordat ze elders gaan solliciteren
De meeste organisaties zijn hier ver van verwijderd. Maar de organisaties die het wel zijn, kwamen er niet door een tool te kopen of een framework te omarmen. Ze kwamen er omdat iemand besloot het probleem serieus te nemen: het een naam te geven, te instrumenteren en erop te itereren zoals bij elke andere engineeringuitdaging.
Meer is Workforce Engineering niet. Een naam voor de discipline die je waarschijnlijk al beoefende zonder er een te hebben.
Ik ben medeoprichter en CTO van Flowstate, het Workforce Engineering-platform voor moderne organisaties. We helpen bedrijven menselijke inspanning en AI-uitgaven te koppelen aan projectresultaten, zodat ze betere beslissingen nemen over hoe ze hun personeel inzetten.