<img alt="" src="https://secure.doll8tune.com/223485.png" style="display:none;">

Waarom je eigen planningstool bouwen een realistische optie kan zijn

Een eigen supply chain planningstool ontwikkelen was voor de meeste bedrijven geen realistische optie. Er was te veel ontwikkeltijd nodig om software te maken die echt werkt, en dat maakte het te duur. Daarom ontstonden er softwarebedrijven die één pakket bouwen dat door veel bedrijven gebruikt kan worden. Die schaalvoordelen hebben veel sterke planningsapplicaties opgeleverd, de zogeheten APS-systemen. Zij hebben de supply chain planning binnen bedrijven flink verbeterd.

Ontwikkelingen in AI, en dan vooral in large language models (LLM’s), brengen dit evenwicht nu aan het wankelen. LLM’s spreken in de kern ‘taal’. Daardoor is de stap van een geschreven specificatie naar werkende code veel sneller en goedkoper geworden. De software-industrie laat zien hoe snel dit gaat: in april 2026 meldde Google dat 75% van zijn nieuwe code door AI wordt gegenereerd en door engineers wordt goedgekeurd. Eind 2024 was dat nog ongeveer een kwart. Code schrijven is niet langer de bottleneck die het was. Voor betrouwbare planningssoftware is meer nodig dan code, en daar kom ik later op terug. Maar de kosten zijn zo verschoven dat zelf bouwen een plek verdient naast het kopen van een APS.

De voordelen van zelf ontwikkelen

Het belangrijkste voordeel van zelf ontwikkelen is dat je de planningsapplicatie precies kunt afstemmen op je fysieke proces. Bij complexe procesdynamiek is het lastig om dat proces in te richten in een ‘generieke’ APS-tool. Denk aan een voedselproducent die productieruns moet plannen rond allergenenreiniging en minimale batchgroottes. Een APS kan zulke logica vaak wel aan. Maar het vangt dan niet de volledige essentie van het proces, of het vraagt om maatwerk dat kosten en risico’s bij updates met zich meebrengt. Bouw je de tool zelf, dan is het fysieke proces het vertrekpunt, en niet iets wat je in een bestaande applicatie moet passen.

Naast de aansluiting op het proces kan zelf ontwikkelen de kosten flink verlagen. De belangrijkste reden is snelheid. Een realistisch prototype kan binnen een paar dagen klaar zijn, en binnen een maand (of eerder) werken de belangrijkste functies zoals ze moeten. Je hoeft dus niet in één keer een volledige planningssuite te implementeren. Je kunt beginnen met één specifiek probleem. Bijvoorbeeld een overzicht dat verwachte voorraadtekorten signaleert op basis van de forecast, de huidige voorraad en bevestigde leveringen van leveranciers. Zodra je planners het hebben gevalideerd, breid je de functionaliteit uit wanneer dat nodig is. Je vermijdt langlopende licentiekosten en bouwt alleen wat je echt nodig hebt. De kosten verdwijnen overigens niet. Er is een investering vooraf, en afhankelijk van hoe je het organiseert blijven er kosten voor hosting, onderhoud en support.

Een extra argument is dat je niet vastzit aan een contract dat je belemmert om je processen te verbeteren. Met een APS ben je vaak afhankelijk van de ontwikkelroadmap van de leverancier. Organisaties hebben vaak meer ambities dan de tool direct kan waarmaken. Als je zelf eigenaar bent van de code en het proces, kun je sneller handelen. Juist met de onzekerheden van nu kan het een gamechanger zijn als je je planningsproces kunt aanpassen. Denk aan een overname, waarbij nieuwe producten of fabrieken met een net iets andere planningsbehoefte aan het netwerk worden toegevoegd.

De meeste APS-tools bieden ruimte voor maatwerk, maar dat heeft nadelen. Het bouwen ervan kost tijd. Ook is het niet zeker dat toekomstige updates aansluiten op je maatwerk, en op een gegeven moment kan een volledige migratie nodig zijn om nieuwe functionaliteit te kunnen gebruiken. Veel gebruikers van SAP APO zitten nu in die situatie. Het reguliere onderhoud stopt eind 2027, met betaald verlengd onderhoud tot eind 2030. De opvolgers, SAP IBP en de planningsfuncties in S/4HANA, zijn andere producten. Overstappen is daarom een nieuwe implementatie en geen upgrade. En het moment van die migratie bepaalt de leverancier, niet het bedrijf.

Eerlijk is eerlijk: eigenaar zijn van de code maakt je niet vrij van afhankelijkheden. Je bent afhankelijk van de mensen die de code begrijpen en van wie de tool host en onderhoudt. Het verschil is dat je die afhankelijkheid zelf kunt inrichten en contractueel kunt vastleggen.

Risico’s die aandacht vragen

De stap van een tool die met prompts is gebouwd naar productieklare software die je belangrijkste planningsberekeningen uitvoert, vraagt om zorgvuldige afweging. De eerste twee aandachtspunten gaan over de code zelf.

Beveiligingsrisico’s zijn reëel. Dat zie je aan het aantal bedrijven dat door cyberincidenten wordt getroffen, en de opkomst van AI vergroot dat risico nog. Code die snel door AI is geschreven, is niet automatisch veilige code. Een planningstool bevat gevoelige data en is meestal gekoppeld aan je ERP. Dit verdient dus vanaf het begin aandacht.

Het tweede aandachtspunt is onderhoudbaarheid. Met AI voeg je snel code toe, en zonder duidelijke architectuurregels groeit een codebase uit tot iets wat moeilijk te begrijpen en moeilijk aan te passen is. Een planningstool is nooit af. Je proces verandert, de onderliggende softwarecomponenten hebben updates nodig, en op een gegeven moment moet iemand anders dan de oorspronkelijke bouwer iets aanpassen. Is de code daar niet op ingericht, dan wordt elke wijziging trager en riskanter. Dan verlies je juist de flexibiliteit die de reden was om zelf te bouwen.

Support is het derde aandachtspunt. Voor een leverancier van wie de software door veel bedrijven wordt gebruikt, is support economisch makkelijk te organiseren. Wat supportmedewerkers leren, betaalt zich terug bij alle klanten. Bij een tool die door één bedrijf wordt gebruikt, ontbreekt dat schaalvoordeel.

Tot slot is er het functionele risico. Een planningstool die de voorraad verkeerd berekent of een productiebeperking negeert, levert een planning op die er goed uitziet maar niet klopt. De gevolgen merk je in de operatie. Grondig testen is daarom essentieel voordat je op de uitkomsten kunt vertrouwen. Gevestigde APS-systemen hebben hier een voorsprong, omdat hun berekeningen zich al bij veel klanten hebben bewezen.

Deze zorgen zijn reëel, maar ook hier maakt AI echt verschil. We leren hoe we AI-systemen effectief inzetten. Dat betekent dat we agents laten werken en elkaars werk laten controleren aan de hand van beveiligings- en architectuurregels die we vooraf vastleggen. Zo pakken we zowel de veiligheid als de onderhoudbaarheid van de code aan. Omdat elke codebase dezelfde regels volgt, kunnen hosting, onderhoud en support op grotere schaal worden gestandaardiseerd. Daarmee komt een deel van het schaalvoordeel van leveranciers terug. Dezelfde agents kunnen ook geautomatiseerde tests op de planningsberekeningen schrijven en uitvoeren. Dat maakt fouten niet onmogelijk: onafhankelijk testen met je planners en duidelijk eigenaarschap blijven nodig.

Binnen Involvation bouwen we een platform waarin deze kernonderdelen gestandaardiseerd zijn, zodat elke applicatie aan de nieuwste standaarden voldoet. De principes voor architectuur, onderhoud en support die we toepassen, bestonden al vóór AI. Nieuw is dat we ze met AI kunnen toepassen op veel verschillende codebases.

Heldere requirements blijven essentieel

Wat niet verandert ten opzichte van de implementatie van een gevestigde APS-tool, is dat je een helder beeld van het operating model nodig hebt. Dat zijn de belangrijkste beslissingen die je moet nemen, het detailniveau van die beslissingen, het datamodel dat ze ondersteunt en de rekenlogica die de problemen oplost. Voor mij horen deze requirements bij de solution architecture, en die moet je hoe dan ook vooraf uitwerken. Zelf een planningstool bouwen dwingt je misschien zelfs om er specifieker over na te denken. Dat is een voordeel, maar ook een risico: er is geen standaardfunctionaliteit die opvangt waar je niet aan hebt gedacht.

Daarom is het essentieel om de juiste mensen te hebben, intern of extern ingehuurd. Hun belangrijkste taak is niet langer code schrijven. Hun taak is je supply chain operating model te vertalen naar de juiste beslissingen en logica, en te zorgen dat de applicatie goed wordt getest en onderhouden.

Wanneer een APS nog steeds de betere keuze is

In veel situaties is kiezen voor een standaard APS nog steeds heel verstandig. APS-leveranciers hebben veel slimme mensen in dienst die al veel verschillende supply chain vraagstukken hebben opgelost. Hun oplossingen zijn vaak het resultaat van iteraties waarin meerdere opties zijn afgewogen en uitgeprobeerd. Denk aan forecastmethoden of multi-echelon voorraadoptimalisatie. Zijn veel van je planningsvraagstukken van dat type, dan is die opgebouwde kennis veel waard en kan het overdreven zijn om die zelf opnieuw te bouwen.

In een eerdere blog hebben we al laten zien wanneer een AI-coded app een interessante optie kan zijn naast gevestigde APS-systemen. Deze blog wil niet zeggen dat alles vanaf nul gebouwd moet worden. Het punt is dat de AI-versnelling de economie heeft veranderd, en dat zelf bouwen daarom in veel gevallen mee moet in de afweging.

Everything should be made as simple as possible, but not simpler
einstein
Albert Einstein