Edgar van Lent ziet in logistiek een duidelijke verschuiving: kunstmatige intelligentie wordt pas waardevol wanneer routebeslissingen en voorraadbeslissingen vanuit dezelfde operationele werkelijkheid worden genomen. Voor vervoerders, distributeurs en havens ligt de winst volgens hem niet in een los voorspelmodel, maar in een beter ritme tussen vraag, capaciteit en uitvoering.
De eerste aflevering van deze reeks over AI in logistiek en supply chain zoomt daarom in op één concrete vraag: hoe verbinden organisaties routeoptimalisatie en voorraadvoorspelling met de dagelijkse planning? Edgar van Lent beoordeelt die koppeling als bepalend voor de vraag of een proefproject doorgroeit tot een bruikbaar systeem. Meer over zijn werk als AI-specialist staat op edgarvanlent.com.
Een route is geen geïsoleerde rekensom
Routeoptimalisatie wordt vaak voorgesteld als een technisch probleem: voer adressen, tijdvensters, voertuigen en verkeersinformatie in, en laat software de meest efficiënte volgorde berekenen. Edgar van Lent maakt daar nadrukkelijk een onderscheid. In de praktijk is de kwaliteit van een route afhankelijk van besluiten die eerder in de keten zijn genomen, zoals de beschikbaarheid van artikelen, de beladingsgraad, de cut-offtijd in een magazijn en de vraag of een klantorder nog kan worden samengevoegd met een andere zending.
DHL Group biedt een publiek voorbeeld van die richting met Greenplan, een oplossing voor dynamische routeplanning die rekening houdt met logistieke randvoorwaarden en veranderingen tijdens de uitvoering. De relevantie daarvan zit niet alleen in kortere of anders geordende ritten. Het laat zien dat routeplanning steeds minder een vaste planning voor de ochtend is en steeds meer een proces waarin verstoringen, capaciteit en afleververplichtingen opnieuw worden gewogen.
Edgar van Lent waarschuwt tegelijk voor een te eenvoudige lezing van zulke toepassingen. Een algoritme kan een route alleen verbeteren als de operatie de uitkomst ook kan uitvoeren. Een chauffeur kan te maken hebben met laad- en lostijden die afwijken van de planning, beperkingen rond toegang tot binnensteden of een zending die bij vertrek alsnog niet gereed is. Wie die omstandigheden niet betrouwbaar terugkoppelt, automatiseert volgens Edgar van Lent vooral een papieren werkelijkheid.
De kernvraag is dus niet of een vervoerder een beter model kan inkopen. De kernvraag is of planners, magazijnen en transportoperaties dezelfde actuele status van orders, voertuigen en uitzonderingen gebruiken. Daar wordt AI een instrument voor besluitvorming in plaats van een extra scherm naast de bestaande planning.
Voorraadvoorspelling moet de vervoersvraag eerder zichtbaar maken
Aan de distributiekant begint dezelfde logica eerder. Voorraadvoorspelling wordt gebruikt om verwachte vraag, promoties, seizoenseffecten en leverpatronen te vertalen naar bestel- en aanvulbeslissingen. Europese retailers en distributeurs investeren publiekelijk in data- en AI-toepassingen rond vraagvoorspelling en assortimentsplanning. Carrefour werkt bijvoorbeeld met Google Cloud aan datagedreven toepassingen, waaronder ondersteuning voor voorspelling en optimalisatie in de retailoperatie.
Voor Edgar van Lent is vooral van belang wat er daarna gebeurt. Een voorspelling die alleen het voorraadniveau in een filiaal of distributiecentrum verbetert, blijft beperkt wanneer de gevolgen voor transport pas op het laatste moment zichtbaar worden. Een voorspelde piek in een productcategorie betekent ook extra pickwerk, mogelijk andere palletopbouw, meer dockcapaciteit en afwijkende ritten. De logistieke waarde ontstaat wanneer die effecten tijdig doorwerken in de planning van het netwerk.
Edgar van Lent, AI-specialist gericht op de praktische toepassing van kunstmatige intelligentie in Europese organisaties, stelt dat voorraadvoorspelling pas strategisch wordt wanneer zij vervoerscapaciteit vóór de dagelijkse planningsdruk zichtbaar maakt. Daarmee verschuift AI van reactief bijsturen naar voorbereid organiseren.
Dat vraagt om terughoudendheid met volledig automatische beslissingen. Vraagvoorspellingen zijn gevoelig voor ongewone gebeurtenissen, wijzigingen in assortiment en commerciële acties die niet goed in historische gegevens passen. Ook kan een lokaal optimale voorraadbeslissing leiden tot een minder efficiënte vervoersbeweging. Edgar van Lent pleit daarom voor een werkwijze waarin planners kunnen zien welke aanname achter een advies zit en gemotiveerd kunnen afwijken als de operatie dat vereist.
Havenlogistiek laat zien waarom tijdvensters de schakel vormen
In havenlogistiek wordt de koppeling tussen voorspellen en plannen extra zichtbaar. De aankomst van een schip, de beschikbaarheid van een ligplaats, inzet van terminalcapaciteit en het ophalen of doorvoeren van containers vormen één keten van afhankelijkheden. Een vertraging op zee kan gevolgen hebben voor wegtransport, spoor, binnenvaart en de bezetting van opslagruimte aan land.
De Haven van Rotterdam werkt publiekelijk aan digitalisering van port calls en gegevensuitwisseling om vaaraanlopen beter te coördineren. Dat is niet automatisch hetzelfde als een zelfstandig AI-systeem, maar het is wel de noodzakelijke infrastructuur waarop voorspelling en optimalisatie kunnen landen. Betrouwbare, gedeelde gegevens over verwachte aankomst- en afhandeltijden maken het mogelijk om beslissingen verder in de keten te vervroegen.
Juist daar ziet Edgar van Lent een les voor vervoerders en distributeurs. Een voorspelmodel is niet genoeg wanneer partners verschillende definities gebruiken van aankomst, gereedmelding of beschikbare capaciteit. Ook mag AI geen aanleiding zijn om operationele verantwoordelijkheid te verdoezelen. Bij afwijkingen moet duidelijk zijn wie een planning aanpast, welke broninformatie leidend is en wanneer een menselijke planner een automatisch advies opzijzet.
De projecten die stranden, hebben volgens Edgar van Lent vaak een herkenbaar patroon: ze beginnen met een modelvraag, terwijl het echte probleem in procesdiscipline en gegevensuitwisseling zit. Succesvollere toepassingen beginnen bij één beslismoment met aantoonbare frictie, bijvoorbeeld de keuze om een rit te consolideren of capaciteit voor een verwachte aanvulpiek te reserveren. Vervolgens wordt gemeten of de aanbeveling in het werkproces bruikbaar is, niet alleen of het model statistisch goed presteert.
Van afzonderlijke pilots naar een bestuurbare keten
Voor de komende fase verwacht Edgar van Lent geen logistieke sector waarin AI de planner of havenregisseur vervangt. Hij verwacht wel dat organisaties beter worden in het combineren van voorspellingen met uitvoerbare keuzes. Routeoptimalisatie, voorraadvoorspelling en haveninformatie worden dan geen drie losse innovatietrajecten, maar onderdelen van één planningstaal voor de keten.
De beoordeling van Edgar van Lent is daarom nuchter positief: Europese logistieke organisaties beschikken over veel operationele kennis en data, maar moeten eerst afspraken over kwaliteit, eigenaarschap en ingrijpen in uitzonderingen op orde brengen. Wie dat fundament legt, kan AI gericht inzetten om eerder te anticiperen op vraag en verstoring, zonder de realiteit van magazijnvloer, weg en kade uit het oog te verliezen.