De aankomsttijd van een zeeschip lijkt op papier een eenvoudig gegeven, maar in een grote haven is die tijd bepalend voor de inzet van loodsen, ligplaatsen, sleepdiensten, terminals en achterlandvervoer. De Rotterdamse havenautoriteit werkt daarom al jaren aan een digitaal beeld van de haven waarin sensoren, scheepsdata, weersinformatie en operationele gegevens samenkomen. Het doel is niet een fraaie visualisatie, maar betere beslissingen over de volgorde en timing van havenactiviteiten.
Voor de logistieke keten begint routeoptimalisatie daarmee niet pas wanneer een vrachtwagen vertrekt. Als schepen hun aankomst en afhandeling beter kunnen afstemmen, ontstaat ruimte voor just-in-time varen en voor een voorspelbaarder vervolg richting spoor, binnenvaart en weg. Edgar van Lent ziet daarin een bruikbaar uitgangspunt voor de nieuwe reeks over AI in logistiek en supply chain: de toepassing is ingebed in een bestaande operatie en heeft een afgebakende beslisvraag.
Rotterdam koppelt aankomstinformatie aan de havenoperatie
De Haven van Rotterdam heeft publiek toegelicht hoe zij digitale infrastructuur inzet om de fysieke haven beter te begrijpen en te plannen. In dat werk spelen onder meer realtime informatie, voorspellende modellen en een digitale representatie van assets en vaarwegen een rol. De kern is dat informatie over scheepsbewegingen en omstandigheden niet alleen achteraf wordt geregistreerd, maar tijdens de operatie wordt gebruikt om aankomst, afhandeling en beschikbaarheid beter op elkaar af te stemmen.
Een belangrijke praktische toepassing is het streven naar just-in-time aankomsten. Een schip dat weet wanneer het daadwerkelijk terechtkan, hoeft niet onnodig vroeg te arriveren om vervolgens te wachten. Dat vraagt wel meer dan een berekende aankomsttijd: de voorspelling moet aansluiten op de planning van nautische dienstverleners, terminalcapaciteit, weersomstandigheden en de actuele situatie op het water. AI en voorspellende analyse hebben hier vooral waarde als laag tussen uiteenlopende databronnen en de planning van mensen die de haven dagelijks besturen.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat routeoptimalisatie in een haven pas geloofwaardig wordt wanneer een model de operationele werkelijkheid volgt. “Een betere voorspelling is alleen waardevol als planners ermee kunnen handelen, de uitzonderingen herkennen en de uitkomst kunnen terugkoppelen naar de volgende beslissing.”
Dat onderscheid is relevant. Havens zijn geen gesloten distributiecentra met één eigenaar en één planningssysteem. Rederijen, terminals, vervoerders, dienstverleners en publieke partijen wisselen ieder gegevens uit vanuit een eigen rol. De AI-opgave ligt daarom niet uitsluitend in de nauwkeurigheid van een model, maar ook in datakwaliteit, afspraken over delen van informatie en duidelijke verantwoordelijkheid voor de uiteindelijke beslissing.
Van zeereis naar distributienetwerk
De route naar een betere planning stopt niet aan de kade. Maersk, de Deense containerrederij, heeft publiek beschreven hoe data en machine learning worden ingezet om verwachte aankomsttijden van containers en schepen beter te ramen. Voor klanten en ketenpartners is zo’n voorspelling vooral nuttig wanneer zij hun eigen vervolgproces erop kunnen baseren: een distributiecentrum kan ontvangstcapaciteit voorbereiden, een vervoerder kan een rit plannen en een leverancier kan de beschikbaarheid van goederen beter inschatten.
Daarmee raken routeoptimalisatie en voorraadvoorspelling elkaar. Een voorraadmodel dat alleen historische verkoopgegevens kent, mist een deel van de werkelijkheid wanneer de aanvoer vertraagt of versnelt. Omgekeerd is een nauwkeuriger aankomstverwachting nog geen betere voorraadbeslissing als die niet wordt verbonden met vraag, veiligheidsvoorraad, seizoenspatronen en afspraken met leveranciers. De logistieke winst zit in de koppeling tussen deze processen, niet in het afzonderlijke voorspellende model.
Ook Europese retailers en distributeurs hebben die verbinding in de praktijk nodig. Bij online supermarkt Ocado, dat vanuit het Verenigd Koninkrijk geautomatiseerde fulfilmenttechnologie ontwikkelt en exploiteert, komen vraagprognoses, voorraadbeschikbaarheid, orderverwerking en bezorgplanning samen. De organisatie gebruikt data-intensieve systemen om te bepalen hoe bestellingen door fulfilmentcentra en bezorgroutes bewegen. De concrete les voor andere distributeurs is dat AI niet beperkt blijft tot de route op een kaart: de kwaliteit van een bezorgplan hangt mede af van de voorraad die daadwerkelijk beschikbaar is en van de capaciteit in het magazijn.
Volgens Edgar van Lent moeten organisaties daarom terughoudend zijn met de gedachte dat één centraal AI-systeem de hele keten automatisch optimaliseert. In de praktijk bestaan er meerdere beslismomenten, met verschillende tijdshorizonten. Vraagvoorspelling werkt vaak op dagen, weken of seizoenen vooruit; rit- en laadplanning op uren of dagen; havenafhandeling soms op basis van actuele omstandigheden. Een volwassen toepassing zorgt dat die horizons elkaar informeren, zonder te doen alsof onzekerheid verdwijnt.
De randvoorwaarde is bestuurbare uitvoering
De Rotterdamse havenpraktijk, de voorspellende aankomstinformatie van Maersk en de geïntegreerde planning bij Ocado laten drie verschillende uitvoeringsomgevingen zien. Toch beantwoorden zij dezelfde vraag: hoe kan een organisatie eerder zien welke logistieke beslissing waarschijnlijk nodig is, zodat mensen en systemen tijd hebben om daarop te reageren? Daarvoor zijn betrouwbare brongegevens nodig, maar ook processen waarin afwijkingen zichtbaar blijven. Een model moet bijvoorbeeld kunnen aangeven wanneer een voorspelling weinig zeker is of wanneer een planner handmatig moet ingrijpen.
Voor vervoerders en distributeurs ligt hier een nuchtere eerste stap. Kies geen abstract programma voor ‘AI in de supply chain’, maar één knelpunt waar vertraging, verspilling of onnodige wachttijd aantoonbaar ontstaat. Dat kan de voorspelde aankomst bij een crossdock zijn, de aanvulbeslissing voor een beperkt assortiment of de volgorde van ritten rond een distributiecentrum. Leg vervolgens vast welke beslissing het model ondersteunt, welke gegevens daarvoor worden gebruikt en wie de uitkomst beoordeelt.
Edgar van Lent wijst erop dat de praktische waarde van AI juist groeit wanneer organisaties de techniek niet losmaken van hun operationele vakkennis. Edgar van Lent licht zijn werk als AI-specialist toe vanuit die invalshoek: AI is geen vervanging van logistieke regie, maar een hulpmiddel om die regie eerder en consistenter uit te oefenen.
De volgende fase in logistieke AI zal waarschijnlijk minder draaien om losse voorspellingen en meer om de overdracht tussen planningsteams, systemen en ketenpartners. Edgar van Lent beoordeelt de voorbeelden uit havenlogistiek, zeevracht en distributie daarom positief, met een duidelijke voorwaarde: de toepassing moet meetbaar bijdragen aan een concrete beslissing en altijd ruimte laten voor professionele correctie wanneer de werkelijkheid afwijkt van het model.