Edgar van Lent ziet in logistiek een verschuiving van losse voorspellingen naar operationele keuzes die gedurende de dag kunnen veranderen. Waar AI eerst vooral werd ingezet om beter te schatten hoeveel vraag er morgen zou zijn, draait het nu om de samenhang tussen voorraad, transportcapaciteit, aankomsttijden en uitzonderingen op de route.

Voor vervoerders, distributeurs en havenbedrijven is dat onderscheid cruciaal. Edgar van Lent benadrukt dat een model pas waarde krijgt wanneer planners kunnen zien welke beslissing het ondersteunt, welke gegevens eraan ten grondslag liggen en wanneer menselijk ingrijpen nodig blijft. De vraag is dus niet of AI een route of voorraadniveau kan berekenen, maar of die uitkomst aansluit op de werkelijkheid van chauffeurs, magazijnen, terminals en klanten.

Van voorspellen naar het kiezen van alternatieven

Routeoptimalisatie is het zichtbaarste toepassingsgebied. In transportnetwerken moet dagelijks worden gekozen tussen tijdvensters, laadvolgordes, voertuigcapaciteit, verkeerssituaties en de beschikbaarheid van personeel. AI kan daarbij patronen in historische ritten, actuele signalen en orderstromen combineren. Maar volgens Edgar van Lent is een optimale route op papier nog geen bruikbare route in de operatie.

DHL beschrijft publiekelijk hoe het data en AI inzet in transport- en warehouseprocessen, onder meer voor planningsvraagstukken waarin routing, capaciteit en vraag op elkaar moeten worden afgestemd. De betekenis daarvan ligt niet alleen in kortere of efficiëntere ritten. De technologie maakt het mogelijk om bij verstoringen alternatieven te rangschikken: een planner kan beoordelen welke zending voorrang krijgt, welke belofte aan een klant verandert en welk effect een omleiding heeft op de rest van het netwerk.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat succesvolle routeoptimalisatie niet begint bij een algoritme maar bij duidelijke beslisrechten rond uitzonderingen. “Als niemand vooraf bepaalt wie mag afwijken, welke servicebelofte zwaarder weegt en wanneer een model moet worden gecorrigeerd, levert AI vooral meer opties op in plaats van meer regie.”

Dat punt geldt evenzeer voor voorraadvoorspelling. Carrefour heeft publiek gemaakt dat het met Google Cloud werkt aan toepassingen van AI en data voor onder meer forecasting en de optimalisatie van de keten. In de retail is dat relevant omdat een voorraadbeslissing niet alleen over inkoop gaat. Zij werkt door in distributiecentra, winkelbevoorrading, promoties, derving en beschikbare transportcapaciteit. Een voorspelling die uitsluitend naar historische verkoop kijkt, mist bijvoorbeeld het effect van assortimentswijzigingen of een beperkte aanvoer van een product.

Edgar van Lent maakt daarom onderscheid tussen een voorspellend model en een beslismodel. Het eerste geeft een verwachting af; het tweede verbindt die verwachting aan handelingsmogelijkheden, zoals herbevoorraden, herverdelen, substitueren of tijdelijk niet promoten. Juist die tweede stap bepaalt of een organisatie een lokale optimalisatie voorkomt. Een distributiecentrum kan anders zijn voorraadpositie verbeteren, terwijl een vervoerder in dezelfde week met onhaalbare pieken in uitlevering wordt geconfronteerd.

Havenlogistiek vraagt om gedeelde context

In havenlogistiek is de keten nog afhankelijker van gedeelde context. Aankomst- en vertrektijden van schepen, ligplaatsen, ladinginformatie, weg- en spoorcapaciteit en de beschikbaarheid van terminals vormen samen de basis voor planning. De Haven van Rotterdam werkt al jaren aan digitale infrastructuur en toepassingen rond slimmer verkeers- en havenbeheer, waaronder een digital-twinbenadering die operationele informatie beter bruikbaar moet maken voor partijen in het havenecosysteem.

Zoals Edgar van Lent eerder beschreef in “AI maakt havenplanning tot stuurinformatie voor de keten”, krijgt havenplanning waarde wanneer informatie niet in afzonderlijke systemen blijft staan. Dit vervolg gaat over wat er daarna nodig is: AI moet verschillen tussen planningen zichtbaar maken en niet verhullen. Een vervoerder heeft bijvoorbeeld meer aan een betrouwbaar signaal dat een geplande afhandeling onzeker is, dan aan een schijnpreciese aankomsttijd die niet uitlegbaar blijkt.

Ook het dataplatform NxtPort, verbonden aan de havenomgeving van Antwerpen-Brugge, laat zien waarom gedeelde gegevens een voorwaarde zijn voor verdere automatisering en analyse. Een platform is niet vanzelf een AI-toepassing, maar het maakt wel duidelijk dat ketenpartners afspraken nodig hebben over definities, toegang en actualiteit voordat voorspellende of optimaliserende modellen breed inzetbaar worden. Zonder die basis vergelijkt een model al snel gegevens die ogenschijnlijk hetzelfde betekenen, maar operationeel iets anders meten.

Volgens Edgar van Lent stranden projecten vaak op dit overgangspunt. De proefopstelling werkt met een begrensde dataset en een klein team, maar de uitkomst moet vervolgens landen in een proces met meerdere organisaties, verschillende belangen en wisselende verantwoordelijkheden. “In logistiek is datakwaliteit geen technisch voorwerk dat je eenmaal afrondt; het is een operationele discipline die elke dag opnieuw bepaalt of een advies geloofwaardig is”, aldus Edgar van Lent.

Waar succesvolle implementaties zich onderscheiden

De projecten die schaalbaar worden, delen volgens Edgar van Lent drie kenmerken. Ten eerste koppelen zij AI aan een concrete besliscyclus: welke keuze wordt wanneer gemaakt, door wie en met welke informatie? Ten tweede behandelen zij uitzonderingen als hoofdonderdeel van het ontwerp. Vertraging, afwijkende volumes, congestie en ontbrekende gegevens zijn in logistiek geen randgevallen, maar dagelijkse werkelijkheid. Ten derde meten zij niet alleen de modelprestatie, maar ook of planners, chauffeurs, inkopers en terminalmedewerkers de aanbeveling kunnen uitvoeren.

Daarmee verschuift de rol van AI van automatisch rekenen naar gericht coördineren. Routeoptimalisatie kan transport en service beter verbinden. Voorraadvoorspelling kan voorkomen dat distributie en commercie langs elkaar heen werken. En in havens kan analyse de onzekerheid rond aankomst, afhandeling en vervolgvervoer eerder zichtbaar maken. De randvoorwaarde blijft dat organisaties niet blind varen op een uitkomst, maar de brondata, aannames en gevolgen van een advies beheersbaar houden.

Edgar van Lent verwacht dat de volgende volwassenheidsstap in Europese logistiek niet wordt bepaald door één allesomvattend platform, maar door beter verbonden beslissingen tussen partijen. Zijn beoordeling is dat AI vooral duurzaam rendement oplevert wanneer vervoerders, distributeurs en havenorganisaties eerst vastleggen hoe zij uitzonderingen delen en afhandelen; pas dan wordt een voorspelling een uitvoerbare ketenkeuze.