De planning van een zeeschip begint niet pas wanneer het aan de kade ligt. Voor de Rotterdamse haven is het voorspellen van aankomst-, lig- en vertrektijden een operationeel vraagstuk: terminals, loodsdiensten, sleepboten, rederijen en vervoerders moeten hun werk op elkaar afstemmen terwijl weersomstandigheden, vaarschema’s en de afhandeling onderweg kunnen veranderen. Met PortXchange Synchronizer, voortgekomen uit het Rotterdamse Pronto-project, brengt het Havenbedrijf Rotterdam partijen rond een port call op één digitaal planningsbeeld samen. Data-analyse en voorspellende modellen helpen daarbij om verwachte tijden eerder te actualiseren.
Edgar van Lent ziet juist in die toepassing een bruikbare start voor de nieuwe reeks van AI Kroniek over logistiek en supply chain. De waarde zit volgens hem niet primair in een los algoritme, maar in de vertaling van een onzekere aankomsttijd naar een besluit waarop meerdere organisaties hun inzet kunnen baseren. “Als een voorspelling alleen op een dashboard blijft staan, verandert er weinig; als zij de planning van mensen, materieel en overdrachten verbetert, wordt AI operationeel relevant”, aldus Edgar van Lent.
Eén voorspelling voor een keten van partijen
De havenlogistiek rond een zeeschip is bij uitstek een ketenproces. Een beperkte verschuiving in de verwachte aankomst kan doorwerken in de inzet van loodsen en sleepdiensten, in de kadeplanning van terminals en in het voor- en natransport van containers. Traditioneel houden betrokken partijen ieder hun eigen planning bij. Dat leidt niet noodzakelijk tot onjuiste informatie, maar wel tot verschillende versies van de verwachte werkelijkheid.
PortXchange Synchronizer is ontwikkeld om die coördinatie te verbeteren. Het platform maakt port-callinformatie beschikbaar voor de betrokken keten en ondersteunt de afstemming rond aankomst, verblijf en vertrek. De inzet van voorspellende analyse is hier functioneel: niet het volledig automatiseren van havenbesluiten, maar het eerder zichtbaar maken van afwijkingen en afhankelijkheden. Dat geeft planners meer tijd om een ligplaats, bemanning of transportopdracht aan te passen.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat voorspellende modellen in logistiek pas hun waarde bewijzen wanneer ze onzekerheid voor de gebruiker terugbrengen tot een handelingsperspectief. Voor havenbedrijven en vervoerders betekent dat dat een voorspelde vertraging moet kunnen leiden tot een concrete keuze: wachten, herplannen, capaciteit verplaatsen of een vervolgtransport anders organiseren.
Dat onderscheid is belangrijk. De uitkomst van een model is geen besluit op zichzelf. De betrouwbaarheid van tijdsvoorspellingen hangt af van de beschikbaarheid, actualiteit en semantische eenduidigheid van gegevens uit verschillende systemen. Ook moeten organisaties vastleggen wie een wijziging beoordeelt en wie de gevolgen in de eigen planning verwerkt. Havenlogistiek laat daarmee zien dat AI tegelijk een data- en een samenwerkingsvraagstuk is.
Van havenmoment naar vervoersplanning
De relevantie van betere aankomstinschattingen reikt verder dan de kade. Reederei Maersk publiceert bijvoorbeeld al langer informatie over het gebruik van data en machine learning om verwachte aankomsttijden van schepen nauwkeuriger te berekenen. Voor een mondiale vervoerder is een ETA geen administratief gegeven: het is een stuurvariabele voor klanten, terminals en achterlandverbindingen. Een actuele voorspelling kan helpen om de overdracht tussen zeevaart, terminal en weg- of spoorvervoer beter te organiseren.
De Rotterdamse toepassing en de inzet van voorspellende aankomstinformatie bij Maersk zijn geen identieke systemen. Het Havenbedrijf Rotterdam richt zich op de orkestratie van het havenbezoek tussen meerdere lokale partijen, terwijl een rederij haar vloot- en klantketen over langere trajecten beheert. Toch is het onderliggende patroon vergelijkbaar: data over bewegingen en gebeurtenissen worden gebruikt om een waarschijnlijker planning te maken dan een statisch schema kan bieden.
Daarmee verschuift routeoptimalisatie in de praktijk. Het gaat niet alleen om het kiezen van de kortste of snelste route op een kaart. In een containerketen kan de beste operatie ook bestaan uit het aanpassen van het tijdstip waarop een vrachtwagen wordt besteld, een treinverbinding wordt gereserveerd of een terminalslot wordt benut. De route wordt dan bepaald door de samenhang tussen capaciteit, aankomstzekerheid en vervolgafhandeling.
Volgens Edgar van Lent moeten organisaties daarom terughoudend zijn met de belofte dat AI logistiek volledig ‘autonoom’ maakt. “De sterke toepassing is meestal minder spectaculair dan het verhaal eromheen: zij maakt een planner eerder, consistenter en beter geïnformeerd”, zegt Edgar van Lent. Dat is in een sector met veel fysieke afhankelijkheden een wezenlijke verbetering, maar het vraagt om heldere uitzonderingsprocessen voor situaties waarin data ontbreken of de werkelijkheid plotseling verandert.
De koppeling met voorraad en distributie
Dezelfde logica geldt voor voorraadvoorspelling bij distributeurs. De Britse online-supermarkt Ocado gebruikt al jaren machine learning en automatisering in de aansturing van fulfilmentcentra en de bezorgoperatie. Daar komen vraagvoorspelling, voorraadbeschikbaarheid, orderverwerking en ritplanning bij elkaar. Een voorspelling over de vraag naar producten heeft pas effect wanneer die kan worden gekoppeld aan inkoop, beschikbaarheid in het distributiecentrum en de capaciteit om bestellingen bij klanten te bezorgen.
Dit maakt de vergelijking met havenlogistiek nuttig. In beide gevallen probeert AI niet de hele keten te vervangen, maar een steeds veranderende planning beter te laten aansluiten op de feitelijke vraag en beschikbare middelen. Bij Ocado ligt de nadruk op de stroom van producten naar consumenten; in Rotterdam op de gecoördineerde afhandeling van schepen en ladingstromen. In beide omgevingen blijft menselijke regie nodig, bijvoorbeeld bij verstoringen, uitzonderlijke pieken of conflicterende prioriteiten.
Voor Europese logistieke organisaties is dat een nuchtere les. Een model voor vraag, aankomst of route wordt pas schaalbaar als definities, databronnen en beslisrechten vooraf zijn geregeld. Ook moeten gebruikers kunnen begrijpen welke gegevens de voorspelling beïnvloeden en wanneer zij ervan mogen afwijken. Niet elk proces heeft daarvoor een geavanceerd generatief model nodig; voorspellende AI, optimalisatie en goede procesintegratie zijn vaak directer relevant.
Voorspelbaarheid als operationele infrastructuur
De praktijkcase van de Rotterdamse haven maakt zichtbaar waar de eerstvolgende stap ligt: niet méér dashboards, maar voorspellingen die doorwerken in de werkverdeling tussen organisaties. Als verwachte tijden betrouwbaarder en gezamenlijk bruikbaar worden, kunnen vervoerders en distributeurs hun inzet eerder aanpassen en worden wachttijd en onnodige afstemming beter beheersbaar.
Edgar van Lent beoordeelt deze richting als kansrijk, mits bedrijven AI behandelen als operationele infrastructuur en niet als een afzonderlijk innovatieproject. Zijn verwachting is dat de sterkste Europese toepassingen in logistiek ontstaan waar voorspellingen aantoonbaar worden verbonden aan planning, voorraadbeslissingen en ketenafspraken — met de mens verantwoordelijk voor uitzonderingen en prioriteiten.