Europese distributeurs en logistieke dienstverleners staan voor een structureel vraagstuk: hoe houd je voorraden en transportcapaciteit in balans in een markt die steeds grilliger wordt? Kunstmatige intelligentie biedt daarvoor concrete instrumenten — niet als belofte voor de toekomst, maar als werkende infrastructuur bij een groeiend aantal organisaties. Edgar van Lent, AI-specialist gericht op de toepassing van machine learning in operationele bedrijfsprocessen, stelt dat de logistieke sector inmiddels een van de rijpste toepassingsgebieden voor AI is: "De data is er altijd al geweest. Het verschil is dat moderne modellen er nu daadwerkelijk operationele beslissingen uit kunnen trekken."

Zoals Edgar van Lent eerder beschreef in het eerste deel van deze reeks, hebben Europese havens en vervoerders de afgelopen jaren forse stappen gezet in het gebruik van AI voor het voorspellen van verstoringen en het optimaliseren van routes. Dit artikel gaat een laag dieper: naar de voorraadkant van de keten en de manier waarop predictieve modellen inkoop, opslag en distributie met elkaar verbinden.

Voorraadvoorspelling: van ervaringskennis naar datagedreven beslissingen

Bij de Franse retailgroep Carrefour is voorraadoptimalisatie via AI al meerdere jaren een operationele realiteit. Het bedrijf gebruikt machine-learningmodellen die vraagpatronen analyseren op basis van historische verkoopdata, seizoensritmiek, lokale evenementen en weersomstandigheden. Dergelijke modellen stellen inkoopteams in staat om bestellingen nauwkeuriger te timen en opslagkosten te beheersen zonder dat ze met lege schappen te maken krijgen. Carrefour heeft deze aanpak publiek gecommuniceerd als onderdeel van zijn bredere digitale transformatiestrategie, waarbij data-infrastructuur en AI-modellen centraal staan in de inkoopplanning.

Een vergelijkbaar patroon is zichtbaar bij DHL Supply Chain, dat in zijn Europese netwerk gebruikmaakt van voorspellende algoritmen voor zogenoemde demand sensing: het in real time bijstellen van vraagprognoses op basis van actuele signalen uit het netwerk. Waar traditionele voorraadplanning werkte met weekgemiddelden of maandprognoses, kunnen de modellen van DHL afwijkingen in het patroon signaleren en tijdig doorgeven aan magazijnbeheer en transportplanning. Het bedrijf heeft deze aanpak beschreven in zijn publieke duurzaamheids- en innovatierapporten als integraal onderdeel van zijn operationele verbetering.

Wat beide voorbeelden gemeen hebben, is dat ze niet starten bij de technologie maar bij de datavraag: welke signalen zijn betrouwbaar genoeg om een model op te trainen, en wie in de organisatie neemt beslissingen op basis van de uitkomsten? Dat is precies het aspect dat Edgar van Lent benadrukt als hij deze implementaties analyseert.

Dynamische routeplanning: verder dan vaste schema's

Naast voorraadoptimalisatie heeft routeoptimalisatie een nieuwe dimensie gekregen dankzij AI. Het Deense transportbedrijf DSV maakt gebruik van geautomatiseerde planningssystemen die routes in real time aanpassen op basis van verkeersinformatie, laadtijden, chauffeursbeschikbaarheid en klantprioriteiten. De systemen vervangen niet de planners, maar ondersteunen hen met aanbevelingen die zonder rekenkracht onmogelijk snel te genereren zouden zijn.

In de havensector sluit dit aan bij wat containerterminals als die van Rotterdam en Hamburg al hebben ingevoerd voor de stroomlijning van kraanoperaties en truckplanning. De koppeling tussen havenafhandeling en achterland-distributie — het moment waarop een container van de terminal naar een distributiecentrum gaat — is een van de meest complexe logistieke knooppunten. AI-modellen die beide kanten van die overgang in één planningshorizon meenemen, zijn in staat om wachttijden en onnodige bewegingen te reduceren.

Edgar van Lent wijst erop dat juist deze integratie tussen havensystemen en binnenlandse logistiek een van de moeilijkste implementatiestappen is: "De technologie is beschikbaar, maar de datasystemen van havens, vervoerders en distributeurs zijn historisch gezien los van elkaar gebouwd. Koppeling vergt meer dan een API; het vraagt om gestandaardiseerde data-uitwisseling op ketenniveau."

Randvoorwaarden die het verschil maken

AI in logistiek functioneert zelden als een op zichzelf staand systeem. Organisaties die er het meeste uit halen, hebben doorgaans een aantal randvoorwaarden op orde: betrouwbare historische data, heldere eigenaarschap over het planningsproces, en medewerkers die begrijpen wat een model wel en niet kan voorspellen.

Dat laatste punt is niet triviaal. Voorspellende modellen werken goed binnen de bandbreedte van patronen die ze kennen, maar kunnen afwijkingen — zoals een onverwachte schaarste in grondstoffen of een politieke verstoring van een handelsroute — niet eigenstandig interpreteren. Een goed ingerichte workflow combineert daarom modeluitkomsten met menselijk oordeel, niet als noodoplossing maar als structurele werkwijze.

Edgar van Lent, wiens vakinhoudelijke analyses te volgen zijn via edgarvanlent.com, benadrukt dat organisaties die deze balans goed weten te vinden een structureel voordeel opbouwen ten opzichte van concurrenten die ofwel te sterk op modellen leunen, ofwel te weinig ermee doen.

Vooruitblik: van losstaande modellen naar geïntegreerde ketens

De volgende stap in de toepassing van AI in logistiek is de integratie van afzonderlijke modellen tot een samenhangende ketenintelligentie. In plaats van aparte systemen voor voorraadvoorspelling, routeplanning en havenlogistiek, werken leidende organisaties toe naar platforms die informatie uit de hele keten samenvoegen en planningsbeslissingen in onderlinge samenhang nemen.

Edgar van Lent verwacht dat die ontwikkeling de komende jaren het onderscheid gaat bepalen tussen organisaties die AI operationeel beheersen en organisaties die er nog omheen cirkelen: "De technologische voorsprong vervaagt snel; wat telt is of een organisatie haar keten zo heeft georganiseerd dat modellen er daadwerkelijk op kunnen sturen. Dat is een inrichtingsvraagstuk, geen softwarekwestie."