Wat AI wel en niet verandert aan projectmanagement
2 juli, 2026
Farisch Hanoeman
EEN VOORTGANGSRAPPORTAGE IS GEEN PROJECTMANAGEMENT. DAT IS ADMINISTRATIE.
Een projectmanager bij een gemeente vertelde me onlangs dat ze een dag per week kwijt was aan het verzamelen van statussen bij haar teamleden. Niet aan het oplossen van problemen, alleen aan het navragen wie waar mee bezig was. Dat soort werk verdwijnt razendsnel. De vraag die overblijft is interessanter: wat doet een projectmanager nog als de rapportage zichzelf schrijft?
Wat AI nu al overneemt
De meeste AI-toepassingen in projectmanagement zitten niet in slimme voorspelmodellen, maar in simpel, herhaald werk. Statusupdates verzamelen uit Teams-berichten en tickets. Een voortgangsrapportage samenstellen uit ruwe data in Jira of Asana. Een actielijst bijwerken na een vergadering. Microsoft Copilot doet dit inmiddels standaard in Outlook, Teams en Planner: notulen omzetten in actiepunten, een projectupdate samenvatten voor de stuurgroep, een planning herformuleren voor een andere doelgroep.
Wat hier gebeurt is niet nieuw in soort, wel in snelheid. Een projectmanager deed dit werk altijd al, alleen kostte het uren per week. AI doet het in minuten en vaak beter gestructureerd dan de gemiddelde Excel-tab die daarvoor werd misbruikt.
Risicosignalering is de tweede plek waar AI zich bewijst. Een model dat toegang heeft tot planning, budget en voortgangsdata kan patronen zien die een mens over het hoofd ziet: een taak die drie sprints achter elkaar is doorgeschoven, een leverancier die stelselmatig te laat levert, een budget dat sneller opraakt dan de voortgang rechtvaardigt. Geen van die signalen is op zichzelf verrassend. Het punt is dat AI ze automatisch naast elkaar legt, terwijl een projectmanager ze meestal pas ziet als het te laat is.
Afbeelding 1. AI legt risicosignalen naast elkaar die een mens vaak pas laat opmerkt.
Waar AI de plank misslaat
Plannen optimaliseren klinkt als het perfecte AI-klusje: gegeven de taken, de afhankelijkheden en de beschikbare mensen, bereken de snelste route. In de praktijk werkt dit alleen goed bij projecten met weinig onzekerheid, zoals productie of bouw met vaste doorlooptijden. Zodra een project afhankelijk is van klantbeslissingen, politieke goedkeuring of onvoorspelbare derde partijen, loopt elk model vast op aannames die in de praktijk niet kloppen. De output ziet er precies uit, en is dat vaak niet.
Stakeholders managen is het duidelijkste voorbeeld van werk dat AI niet overneemt. Een AI-model kan een lastige boodschap verwoorden, maar het weet niet wanneer je die boodschap beter een dag kunt uitstellen omdat de opdrachtgever net een moeilijk gesprek achter de rug heeft. Het weet niet dat de IT-manager en de business owner al drie jaar over budget bekvechten en dat een voorstel daarom eerst langs de IT-manager moet. Die kennis zit niet in data, die zit in ervaring.
Ook prioriteren blijft mensenwerk. AI kan een lijst met vijftien openstaande risico’s netjes sorteren op impact en waarschijnlijkheid. Welk risico je deze week met het bestuur bespreekt en welk risico je bewust laat liggen omdat je weet dat het zichzelf oplost, dat is een afweging die verder gaat dan een score in een tabel.
Capaciteit en budget: waar het genuanceerder wordt
Naast risico’s signaleren wordt AI ook ingezet om capaciteit te plannen: wie heeft deze sprint ruimte, welk budget staat nog open, welke resource wordt over twee maanden een bottleneck. Hier zit een tussenvorm die minder besproken wordt dan de twee uitersten van “AI regelt alles” en “AI kan dit soort dingen niet”. Een model dat historische data van tien afgeronde projecten heeft, herkent patronen die kloppen voor projecten die op die tien lijken. Een greenfield-project met een compleet nieuw team en een nieuwe leverancier valt buiten dat patroon, en dan geeft het model een voorspelling met evenveel schijnzekerheid als een ervaren projectmanager die hardop gokt, alleen minder herkenbaar als gok.
Dat is meteen de praktische vuistregel: hoe meer een project lijkt op wat er al gedaan is, hoe betrouwbaarder een AI-voorspelling over capaciteit en budget wordt. Bij een project dat nieuw terrein betreedt, gebruik je die voorspelling als een van de inputs voor je eigen inschatting, niet als vervanging ervan. Teams die dit onderscheid niet maken, lopen het risico dat ze een model met te veel vertrouwen behandelen op precies de projecten waar dat vertrouwen het minst gerechtvaardigd is.
Een tweede nuance: een AI-model dat capaciteit voorspelt op basis van geplande uren, ziet niet het verschil tussen een teamlid dat op papier beschikbaar is en een teamlid dat mentaal nog met het vorige project bezig is. Die informatie zit niet in een planningstool en komt meestal pas naar boven in een informeel gesprek bij het koffiezetapparaat. Een projectmanager die dat soort signalen oppikt, blijft daarmee een onderdeel van het proces dat geen tool overneemt, hoe goed de data ook is.
Praktijkvoorbeeld: een IT-implementatie bij een verzekeraar
Bij een verzekeraar liep een implementatie van een nieuw polissysteem al zes maanden. De projectmanager gebruikte een AI-tool gekoppeld aan Jira om wekelijks een risicorapport te genereren. Het model vlagde consequent dat het testteam achterliep. Terecht, want dat klopte. Wat het model niet zag, was waarom: de tester met de meeste productkennis was net vader geworden en werkte tijdelijk vier dagen. Geen planningsprobleem, geen procesprobleem. Gewoon een mens die er even minder was.
De projectmanager loste het op door tijdelijk een senior developer mee te laten testen, een oplossing die geen AI-model zou voorstellen omdat die de informele verhoudingen in het team niet kent. Het risicorapport was nuttig als startpunt van het gesprek. De oplossing kwam uit kennis van de mensen, niet uit het model.
Wil je AI direct inzetten in je eigen projecten?
Afbeelding 2. Het risicorapport was het startpunt van het gesprek, niet de oplossing zelf.
Hoe je hier als team mee begint
De meeste organisaties beginnen te ambitieus. Ze willen meteen een AI-agent die het hele project bewaakt, terwijl de basis nog ontbreekt: schone data in één systeem, een team dat weet wat een prompt wel en niet kan, en heldere afspraken over wanneer een AI-suggestie een advies is en wanneer die automatisch wordt uitgevoerd. Dat onderscheid tussen een op zichzelf werkend model en een model dat stappen voor je uitvoert, is precies het verschil tussen een AI-pipeline en een AI-agent, en het is de moeite waard om dat verschil te kennen voordat je iets aanschaft.
Praktisch werkt het beter om klein te beginnen. Laat het team eerst wennen aan AI voor de dingen die nu al goed werken: notulen, statusupdates, een eerste versie van een rapportage. Copilot in Outlook, Teams en Word is voor de meeste teams de laagdrempeligste ingang, juist omdat het in tools zit die iedereen al gebruikt. Pas als dat een gewoonte is geworden, is het zinvol om te kijken naar risicodetectie of planningsondersteuning op basis van projectdata.
Een team dat AI wil inzetten in projectmanagement heeft ook baat bij AI-geletterdheid: niet iedereen hoeft te kunnen programmeren, maar iedereen die met AI-output werkt moet kunnen inschatten waar die output op gebaseerd is en waar de grenzen liggen. Een projectmanager die blind vaart op een risicoscore zonder te begrijpen welke data erin zit, maakt dezelfde fout als een projectmanager die blind vaart op een onderbuikgevoel.
Voor organisaties die dit teambreed willen aanpakken, is een incompany training AI en projectmanagement vaak effectiever dan losse cursussen voor individuen. De winst zit namelijk niet in één persoon die goed met AI overweg kan, maar in een team dat dezelfde afspraken hanteert over wanneer een AI-suggestie leidend is en wanneer niet.
Wat er overblijft voor de projectmanager
De rol van projectmanager verschuift van het verzamelen van informatie naar het interpreteren ervan. Dat is minder werk aan de voorkant en meer verantwoordelijkheid aan de achterkant: een risicorapport lezen en beslissen wat je ermee doet, is een zwaardere taak dan het rapport zelf opstellen. De projectmanagers die daar goed in worden, besteden hun vrijgekomen tijd niet aan meer rapportages, maar aan de gesprekken die een model niet kan voeren.
Dat vraagt om een andere manier van beoordelen ook. Waar een projectmanager vroeger vooral werd afgerekend op hoe volledig en op tijd de rapportage was, wordt die maatstaf minder relevant zodra AI dat deel overneemt. De vraag verschuift naar wat iemand doet met de tijd die overblijft: hoeveel escalaties worden voorkomen voordat ze escalaties worden, hoe goed is het contact met de lastigste stakeholder, hoe snel wordt een sluimerend probleem opgepakt voordat het in een risicorapport verschijnt. Dat is lastiger te meten dan een percentage voortgang, en precies daarom de reden waarom deze rol voorlopig niet overgenomen wordt door een model.
Heb je vragen over hoe dit voor jouw team of organisatie eruit zou zien? Neem contact op via onze contactpagina, dan denken we mee over een aanpak die past bij jullie projecten.