De winst van kunstmatige intelligentie in logistiek begint vaak niet op de weg, maar op het moment dat een schip nog uren van de haven verwijderd is. In Rotterdam gebruikt de havenketen het digitale platform PortXchange Synchronizer, voortgekomen uit het eerdere Pronto-project, om aankomst-, vertrek- en operationele gegevens rond port calls beter op elkaar af te stemmen. Daarmee verschuift de planning van afzonderlijke partijen naar één gedeeld beeld van het verwachte havenbezoek.
Voor rederijen, terminals, loodsen, sleepdiensten en agenten is dat relevant omdat een kleine verschuiving in aankomsttijd doorwerkt in ligplaatsen, inzet van mensen en materieel en de vervolgroute van goederen. Edgar van Lent ziet juist in dit soort toepassingen de praktische betekenis van AI: voorspellende modellen maken onzekerheid niet ongedaan, maar kunnen de keten wel eerder laten reageren op veranderende omstandigheden.
Een voorspelling wordt pas waardevol als de operatie mee kan bewegen
PortXchange Synchronizer is geen autonoom verkeerssysteem dat zelfstandig beslist welk schip waarheen gaat. Het platform brengt gegevens uit de havenoperatie samen, berekent verwachte tijden en ondersteunt partijen bij het plannen van een just-in-time aankomst. Dat is een concreet antwoord op een klassiek logistiek probleem: schepen varen of wachten soms op basis van ruime veiligheidsmarges, terwijl de feitelijke beschikbaarheid van ligplaats, loods of terminal pas later duidelijk wordt.
De AI-component zit in het beter ramen van gebeurtenissen die voor de havenplanning bepalend zijn. Historische patronen en actuele operationele signalen kunnen helpen om een verwachte aankomsttijd of doorlooptijd voortdurend te actualiseren. De toepassing is daarmee vooral een beslissingsondersteunend instrument. De operationele verantwoordelijkheid blijft bij de betrokken organisaties, die de voorspelling moeten vertalen naar haalbare afspraken over vaarsnelheid, aankomstvensters en afhandeling.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat voorspellende logistieke systemen pas rendement opleveren wanneer zij een gezamenlijk handelingsmoment creëren. “Een nauwkeuriger voorspelling heeft weinig effect als vervoerder, terminal en havenpartner ieder met een eigen versie van de planning blijven werken.”
Dat onderscheid is wezenlijk. In havenlogistiek bestaat de waarde niet uitsluitend uit een beter model, maar uit de mogelijkheid om meerdere planningen op één moment te herijken. Dat vereist dat datadefinities, toegangsrechten en verantwoordelijkheden vooraf zijn geregeld. Ook moet duidelijk zijn hoe planners handelen wanneer een voorspelling afwijkt van de operationele werkelijkheid, bijvoorbeeld door weer, congestie of een wijziging in de terminalplanning.
Van voorraadprognose naar betere verdeling van artikelen
Een tweede, andere toepassing is zichtbaar bij Zalando. De Europese online mode- en lifestyleverkoper beschrijft publiekelijk hoe machine learning wordt ingezet voor onder meer vraagvoorspelling, assortimentsplanning en de allocatie van voorraad. In een netwerk met meerdere fulfilmentlocaties is dat geen abstract analysevraagstuk: de verwachte vraag per artikel, maat, regio en seizoen bepaalt welke voorraad waar beschikbaar moet zijn.
De moeilijkheid zit in de combinatie van korte productcycli, wisselende voorkeuren en retourstromen. Klassieke voorraadplanning leunt sterk op verkoopgeschiedenis, maar bij modeartikelen is die historie vaak beperkt of lastig vergelijkbaar. Machine-learningmodellen kunnen meer signalen combineren, zoals productkenmerken, eerdere verkooppatronen en seizoenseffecten. De uitkomst is geen garantie dat een artikel precies op de juiste plek ligt, maar wel een beter onderbouwd vertrekpunt voor allocatie en aanvulling.
Hier wordt AI direct verbonden met fysieke uitvoering. Een voorspelling die aangeeft dat de vraag in een regio stijgt, krijgt pas logistieke waarde als het distributienetwerk daarop kan reageren: voorraad verplaatsen, een andere fulfilmentlocatie kiezen of de inkoop- en replenishmentplanning bijstellen. Daarom is voorraadvoorspelling geen los dataproject, maar onderdeel van de dagelijkse aansturing van magazijnen en transportbewegingen.
Edgar van Lent wijst erop dat de kwaliteit van zulke systemen niet alleen wordt bepaald door het gekozen algoritme. “Logistieke AI moet kunnen uitleggen welk besluit zij ondersteunt, met welke onzekerheid en welke operationele consequentie,” zegt Edgar van Lent. Volgens hem voorkomt die aanpak dat organisaties voorspellingen behandelen als automatische opdrachten, terwijl planners juist moeten kunnen beoordelen of capaciteit, serviceafspraken en uitzonderingen een andere keuze vragen.
De gedeelde les: AI verbindt planningslagen
De Rotterdamse haventoepassing en de voorraadsturing bij Zalando werken op verschillende momenten in de keten. De eerste richt zich op de afstemming rond een concreet havenbezoek; de tweede op de vraag die voorafgaat aan de verdeling van fysieke voorraad. Toch is het onderliggende patroon gelijk: AI wordt gebruikt om een toekomstige logistieke situatie eerder en consistenter zichtbaar te maken, zodat organisaties tijd hebben om te handelen.
Dat maakt ook duidelijk waarom integratie belangrijker is dan een geïsoleerde proef. Voor havenplanning moeten gegevens van verschillende ketenpartners bruikbaar en tijdig beschikbaar zijn. Voor voorraadprognoses moeten commerciële, product- en operationele data op elkaar aansluiten. In beide gevallen is menselijk toezicht nodig, niet als noodverband maar als vast onderdeel van de werkwijze. Planners kennen uitzonderingen die modellen niet altijd volledig zien, terwijl modellen juist patronen kunnen signaleren die in een drukke operatie minder snel opvallen.
Voor Nederlandse en Europese vervoerders, distributeurs en havenbedrijven ligt hier een nuchtere route voor verdere toepassing. Niet elk vraagstuk vraagt om een generatief AI-systeem; bij planning zijn betrouwbare voorspellingen, duidelijke procesregels en gedeelde data vaak waardevoller. Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com.
De volgende stap is volgens Edgar van Lent het verbinden van deze voorspellende toepassingen zonder de besluitvorming ondoorzichtig te maken. Zijn beoordeling: organisaties die AI koppelen aan concrete planningsmomenten — zoals aankomstvensters of voorraadallocatie — bouwen eerder duurzame logistieke waarde op dan organisaties die alleen op zoek gaan naar een indrukwekkend model.