Waar de logistiek tekortschiet en waar AI echt het verschil kan maken

De stapel is geen AI-probleem

In een verkeerstoren op een dinsdagochtend is er geen gebrek aan software.

Er is een TMS. Een WMS. Een ERP. Een klantenportaal. Een vervoerdersportaal. Een gedeelde mailbox. Een WhatsApp-groep voor het terrein. Een spreadsheet die nog steeds bepaalt welke vrachtwagen bij welk laadperron wordt ingedeeld.

Het werk sijpelt nog steeds tussen hen door.

Er komt een e-mail binnen over bestelling 4412. Iemand leest deze en vult handmatig vier velden in het TMS in. Op de magazijnvloer registreert een scanner „pallet ontbreekt, controleer gangpad 4”, maar de notitie wordt nooit vanuit de handheld doorgestuurd. De officiële uitzondering wordt pas twee uur later gemeld, als dat al gebeurt. Ondertussen krijgt de klant te horen dat de levering vrijdag plaatsvindt, omdat dat in de laatste e-mail staat, terwijl het WMS nog steeds zaterdag aangeeft.

Dat is geen gebrekkige chatbot.

Het is een ontbrekende brug tussen rommelige informatie en het systeem dat de gegevens al in bezit heeft.

Het aanschaffen van een modelabonnement vult die hiaten niet op. De persoon vormt nog steeds de integratielaag. Het model bevindt zich in een ander tabblad. Dinsdag ziet er hetzelfde uit.

De bedrijven die daadwerkelijk voordeel halen uit AI in de logistiek, zullen niet de bedrijven zijn met de meest indrukwekkende demo. Het zullen de bedrijven zijn die de exacte knelpunt identificeren, daar een gecontroleerde inferentiestap aan koppelen en weigeren een vloeiend antwoord als operationele waarheid te accepteren.

Pauze 1: De intake wordt nog steeds handmatig ingevoerd door een medewerker

De meest voorkomende „AI-toepassing“ in de logistiek is tevens de meest verkeerd begrepen.

Elke dag ontvangt u hetzelfde soort bericht. Een orderbevestiging. Een boeking. Een leveringsinstructie. Een PDF-bestand van een vervoerder die geen gebruik wil maken van het portaal.

„Bestelling 4412 — 12 pallets, laadperron 3, vrijdag klaar.”

Iemand zoekt het ordernummer, de hoeveelheid, het laadperron en de datum op. Hij of zij voert deze gegevens in het TMS of ERP in. Dit gebeurt vijftig, tweehonderd of duizend keer per week.

De versie van AI met zijtabbladen lijkt nuttig en verandert niets.

Kopieer de e-mail. Plak deze in een chatbot. Ontvang een overzichtelijke samenvatting. Kopieer vier waarden terug. Het model heeft het bericht gelezen. De persoon blijft de schakel.

De operationele versie gaat uit van de gebeurtenis, niet van de medewerker.

De mailbox, EDI-feed of upload via het portaal zet het proces in gang. Het systeem identificeert order 4412 en laadt uitsluitend de informatie die voor dat dossier nodig is. Het model levert gestructureerde gegevens op, die vervolgens worden getoetst aan het schema, de ordergegevens, de status van het laadperron, de workflowstatus en de betrouwbaarheidsdrempels. Indien alles geldig is, wordt het officiële dossier automatisch bijgewerkt. Indien er onduidelijkheden of inconsistenties zijn, wordt het dossier ter beoordeling toegewezen aan een aangewezen verantwoordelijke, waarbij het oorspronkelijke bericht erbij wordt bewaard.

Geen dubbelzinnigheden. Geen verdwenen chatgeschiedenis. Geen „Ik geloof dat ik dat al heb ingevoerd.“

Het model doet een voorstel. Het bestaande systeem voert het uit. Dat is het hele ontwerp.

Pauze 2: Afwijkingen in het magazijn worden in de notitie vermeld

Een scanner meldt iets wat het ‘happy path’ niet had verwacht.

Een pallet is leeg. Een locatie is leeg. Een order kan niet worden afgerond. Goederen zijn beschadigd.

De nuttige informatie is vaak een zin die iemand met handschoenen aan heeft getypt: „3 ontbreken, mogelijk gangpad 4, te bevestigen door de ploegleider.”

Vandaag de dag staat die zin op het apparaat, in een chat of in iemands hoofd. De WMS-rij blijft groen. De planning komt erachter wanneer de vrachtwagen al bij het laadperron staat.

Een chatbot aan de muur lost dit niet op.

De medewerker mag het vloersysteem niet verlaten om het probleem aan een model uit te leggen. De uitzondering dient te worden vermeld op plaatsen waar reeds uitzonderingen worden afgehandeld.

De taak van het model is beperkt. Lees de notitie. Classificeer de uitzondering. Voeg de opdracht, de locatie en de laatste scan toe. Stel een oplossing voor: opnieuw tellen, in quarantaine plaatsen, een deel van de lading afleveren of de planner bellen.

Het model stelt geen pallets samen. Het past de voorraad niet aan.

Voorraad, locatie en status blijven in het WMS. Die schrijfbewerkingen zijn deterministisch. Daarvoor gelden al regels. De AI mag geen tweede set sleutels krijgen.

Indien er onzekerheid bestaat, of indien in de notitie de verkeerde volgorde wordt vermeld, wordt de zaak als afgesloten beschouwd. Iemand is hiervoor verantwoordelijk. Wachten is goedkoper dan een zelfverzekerde leugen over wat er op de vloer ligt.

Pauze 3: Het havenplan staat nog steeds in een spreadsheet

Afspraken, tijdvensters, de status van het terrein en „wie er daadwerkelijk aan het werk is” vallen vaak buiten het TMS.

Een vervoerder stuurt een e-mail: „We zijn er rond 14.00 uur, misschien later, dezelfde laadperron als de vorige keer.” Iemand interpreteert dat. Iemand werkt een overzicht bij. Iemand vergeet het magazijn hiervan op de hoogte te stellen. De vrachtwagen arriveert. Laadperron 3 is bezet. Het officiële plan is nu al verleden tijd.

Dit is geen taak voor een autonome robot die „het terrein optimaliseert“.

Het gaat grotendeels om regels. Openingstijden. Type laadperron. Voertuiglengte. Gereserveerde tijdvakken. Die moeten als software blijven bestaan.

Het model bewijst zijn nut bij onduidelijke berichten: het haalt er een voorgestelde aankomsttijd, een verwijzing naar een voertuig of een referentie uit. Vervolgens bepaalt het afspraaksysteem of dat tijdvak beschikbaar is.

Indien „het gebruikelijke laadperron“ niet kan worden geïdentificeerd als een daadwerkelijk laadperron, verzin er dan geen. Stuur het door naar de planner. Het document wordt niet verbeterd door een vlotte gok.

Pauze 4: De klant krijgt een verhaal te horen dat het systeem niet gelooft

Status is het gebied waarop logistieke bedrijven sneller vertrouwen verliezen dan dat zij pallets kwijtraken.

De verkoopafdeling zegt vrijdag, omdat in de laatste e-mail vrijdag stond. Het WMS geeft aan dat de bestelling nog niet is vrijgegeven. Uit de scan van de vervoerder blijkt dat de oplegger zich nog steeds op de plaats van herkomst bevindt. Drie feiten. Eén klant.

Door een chatbot op het portaal te plaatsen die „vragen over zendingen beantwoordt”, industrialiseert u die leugen.

Als het model mag vertellen, zal het dat doen. Het zal ontbrekende scans opvullen. Het zal zelfverzekerd klinken.

De juiste architectuur is saai. Haal de officiële status op uit het referentiesysteem. Zeg dat. Als het dossier onvolledig is, zeg dat dan. „Ik weet het niet“ is een functie.

Een model kan helpen bij het formuleren van het antwoord of bij het vinden van de juiste zending op basis van een onduidelijke klantverwijzing. Het mag echter geen verwachte aankomsttijd (ETA) verzinnen. Data waarop anderen rekenen, zijn deterministische gegevens, geen proza.

Pauze 5: De POD bestaat. De zaak bestaat niet.

Bewijzen van aflevering, foto’s van schade, scans van CMR-documenten en facturen van vervoerders worden als documenten aangeleverd. De claim, de creditering of het geschil dient te worden vastgelegd als een dossier in een ticketsysteem of TMS.

Vaak gebeurt dat niet. Of wel, maar dan drie dagen te laat en met de verkeerde referentie.

Dit betreft een extractie plus een commit-gate. Hetzelfde patroon als bij de intake. Andere gevolgen bij fouten.

Het model leest de POD. Het stelt een tijdstempel voor de aflevering voor, een vermelding van aanwezigheid/afwezigheid bij ondertekening, een schadevlag en een bijbehorende zending. De software controleert of die zending bestaat en of er al een dossier is geopend. Bij een hoge betrouwbaarheid wordt het dossier geopend of bijgewerkt. Bij een lage betrouwbaarheid wordt de zaak doorgestuurd naar de afdeling claims.

Laat het model geen claim afsluiten. Laat het geen creditering uitvoeren. Dat zijn gevolgtransacties. Daarvoor zijn al eigenaren aangewezen.

Pauze 6: Douanedocumenten mogen niet open blijven staan

Handelsfacturen, pakbonnen en certificaten zijn zo ongestructureerd dat mensen behoefte hebben aan een sjabloon, en zo kostbaar dat een foutieve invoer niet zomaar kan worden afgedaan met „dat lossen we later wel op“.

Een verkeerd gelezen HS-code, een ontbrekend certificaat of een zelfverzekerde gok over de herkomst kan niet alleen een dashboard, maar ook een grens tegenhouden.

Gebruik het model om informatie te extraheren. Gebruik tabellen en regels om te valideren. Gebruik een persoon voor de rest.

Indien de geëxtraheerde code niet op de lijst met toegestane termen staat, wordt het proces stopgezet. Indien twee documenten onderling tegenstrijdig zijn, wordt het proces stopgezet. Indien de betrouwbaarheid slechts „aannemelijk“ is, wordt het proces stopgezet.

Het product is een mislukking. Snelheid is wat u krijgt nadat de poort werkelijkheid is geworden, niet in plaats daarvan.

Pauze 7: De waarheid achter de inventaris is geen aanwijzing

Dit is degene die het vaakst wordt afgewezen.

Iemand zal vragen of AI „de voorraad correct kan bijhouden“ of „kan voorspellen wat er werkelijk in het schap ligt“. Een model kan commentaar geven op een foto of een notitie. Het kan echter niet het voorraadregister worden.

De beschikbare voorraad, reserveringen en locatie zijn de gegevens waarop andere processen in het contract vertrouwen. Inkoop, planning en facturering maken hiervan gebruik. Een onnauwkeurige vermelding hier is geen slimme hulp. Het is misbruik.

Als u een model gebruikt dat dicht bij de voorraad ligt, houd het dan op het randje: interpreteer de afwijking, stel een hertelling voor, markeer een foto. Het WMS boekt de aanpassing nog steeds. Een persoon of een scanner bevestigt nog steeds wat er aanwezig is.

De database is het contract. Het model is het voorstel. Nergens is dat letterlijker.

Wat moet als eerste worden geautomatiseerd?

U kunt het netwerk niet ‘koken’. Probeer dat ook niet.

Begin daar waar drie dingen tegelijkertijd van toepassing zijn.

Er stroomt al op grote schaal ongestructureerde informatie binnen via e-mails, PDF’s, scannotities en berichten van vervoerders.

Er bestaat al een registratiesysteem. U bouwt geen nieuw TMS. U voegt een stap toe aan het systeem waar mensen al op vertrouwen, ook al klagen zij erover.

Een foutieve commit is beheersbaar. U kunt de fout afsluiten, de zaak opschorten en een benoemde verantwoordelijke aanwijzen. U verplaatst niet in stilte juridisch bindende douanegegevens of verzonnen voorraad.

Dat betekent doorgaans dat uitzonderingen bij de goederenontvangst en in het magazijn voorrang krijgen. Laadperrons pas zodra de afspraak daadwerkelijk is vastgelegd. Status pas nadat u bereid bent de klant de officiële gegevens te verstrekken, inclusief eventuele hiaten daarin. Claims en douanezaken wanneer het extractieschema strak is. Voorraad als laatste, en dan alleen in uitzonderlijke gevallen.

Indien een voorgesteld project niet de gebeurtenis, de rij die wordt bijgewerkt, de validatie en de verantwoordelijke voor uitzonderingen kan benoemen, is het geen operationeel AI-project. Het is een demo.

De enige test die ertoe doet

Verloopt de dinsdagochtend anders nadat het model is ingevoerd?

Wordt de e-mail zonder herinvoering omgezet in een orderregel?

Wordt de korte pick op tijd bij de planner bezorgd, zodat de vrachtwagen nog gered kan worden?

Ziet de klant de status zoals die door het WMS wordt weergegeven?

Wordt een slecht fragment afgebroken, in plaats van dat het uitgroeit tot een overtuigende zin?

Kunt u zes maanden later uitleggen waarom de gegevens zijn gewijzigd?

Als het antwoord ‘ja’ is, is AI onderdeel geworden van de bedrijfsvoering. Als het antwoord ‘nee’ is, is het slechts een extra hulpmiddel dat moet worden geopend, en is de onderliggende werklast niet veranderd.