Edgar van Lent ziet in logistieke AI een duidelijke verschuiving: na de eerste operationele toepassingen komt de moeilijkste fase, waarin voorspellingen daadwerkelijk het dagelijkse transport-, voorraad- en havenproces moeten sturen. Niet het algoritme op zichzelf, maar de manier waarop planners en systemen met afwijkingen omgaan, bepaalt volgens hem of de toepassing waarde houdt.

Zoals Edgar van Lent eerder beschreef in het artikel Rotterdam en Albert Heijn maken logistieke AI operationeel, ontstaat logistieke waarde pas wanneer AI aansluit op bestaande werkstromen. Deze vervolganalyse verdiept die gedachte: routeoptimalisatie, voorraadvoorspelling en havenlogistiek raken elk een ander besluitmoment. Wie die verschillen negeert, bouwt een technisch overtuigend project dat in de operatie toch weinig houvast biedt.

Drie toepassingen, drie soorten beslissingen

Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat logistieke AI vooral slaagt wanneer organisaties vooraf vastleggen welk besluit een model mag voorbereiden, aanbevelen of automatiseren. Een routevoorstel voor een chauffeur is namelijk iets anders dan een voorspelling voor een inkoper of een signaal aan een terminalplanner.

Bij routeoptimalisatie ligt de nadruk op de actuele uitvoering. Europese pakket- en distributienetwerken, waaronder die van DPD en DHL, zetten al jaren digitale planningssystemen in om ritten, stops en capaciteit beter op elkaar af te stemmen. AI voegt daar vooral waarde toe wanneer de planning kan reageren op veranderende volumes, verkeerssituaties, tijdvensters en beschikbare voertuigen. Het doel is niet de theoretisch kortste route, maar een route die binnen de operationele randvoorwaarden betrouwbaar uitvoerbaar blijft.

Volgens Edgar van Lent is dat onderscheid essentieel. Een model kan op basis van historische data een efficiënte volgorde van stops voorstellen, maar planners kennen uitzonderingen die niet altijd in de data staan: een laadperron met beperkte toegang, een klantlocatie waar een bepaalde aflevervolgorde nodig is of een onverwachte vertraging in een depot. “De beste route is niet de route met de laagste rekentijd, maar de route die ook standhoudt als de operatie afwijkt van het plan”, beoordeelt Edgar van Lent.

Voorraadvoorspelling vraagt juist om een langer tijdsperspectief. Europese e-commerce- en retailbedrijven gebruiken machine learning om vraagpatronen, seizoenen, assortimentwisselingen en regionale verschillen te verwerken. Zalando heeft publiek beschreven hoe datawetenschap en machine learning worden ingezet voor onder meer vraagvoorspelling, assortimentsplanning en voorraadallocatie. Ook Ocado Technology communiceert al geruime tijd over voorspellende systemen voor de afstemming van online boodschappenlogistiek en fulfilment.

Daar ziet Edgar van Lent een andere valkuil: vraagvoorspelling wordt vaak behandeld als een nauwkeurigheidswedstrijd, terwijl de bedrijfswaarde pas ontstaat in de vervolgactie. Een voorspelling moet aansluiten op bestelcycli, levertermijnen, substitutie van producten en de ruimte in distributiecentra. Een goed model zonder afspraken over wie ingrijpt bij een afwijking, kan onrust in de keten zelfs vergroten.

Havenlogistiek heeft gedeelde data nodig

In havenlogistiek is de opgave breder dan één bedrijf of één planningsteam. Havens verbinden rederijen, terminals, vervoerders, expediteurs, douane en achterlandtransport. De Port of Rotterdam werkt publiekelijk aan digitale infrastructuur, datadeling en toepassingen rond veilige en efficiënte scheepvaart en goederenstromen. Port of Antwerp-Bruges ontwikkelt eveneens digitale oplossingen voor de coördinatie van havenprocessen en goederenbewegingen.

Edgar van Lent benadrukt dat AI in deze omgeving niet begint met volledige autonomie, maar met betere gezamenlijke situational awareness. Wanneer partijen eerder zicht krijgen op aankomsttijden, containerstromen, terminalcapaciteit of verstoringen in het achterland, kunnen zij planning en capaciteit beter afstemmen. De moeilijkheid zit in de kwaliteit, actualiteit en betekenis van de gedeelde data. Een vertraging die voor een rederij een klein verschil lijkt, kan voor een terminal, wegvervoerder of warehouse een ander operationeel gevolg hebben.

Daarom moeten haventoepassingen volgens Edgar van Lent niet uitsluitend worden beoordeeld op voorspelkracht. Minstens zo relevant is of een voorspelling herleidbaar is, of betrokken partijen dezelfde definitie hanteren en of een planner kan zien welke informatie achter een aanbeveling schuilgaat. Zonder die afspraken blijft AI een extra dashboard; met die afspraken kan het een instrument worden voor ketenregie.

Waarom projecten in de operatie stranden

Edgar van Lent onderscheidt drie terugkerende oorzaken van mislukking. Ten eerste wordt een model gekoppeld aan data uit het verleden, zonder een proces in te richten voor nieuwe uitzonderingen. Ten tweede krijgt de planner een aanbeveling, maar geen mandaat, uitleg of tijd om ernaar te handelen. Ten derde meten organisaties vooral modelprestaties en te weinig of de uitvoering voorspelbaarder, rustiger en beter bestuurbaar wordt.

De tegenhanger is geen groot transformatieprogramma, maar een beheersbare opzet. Organisaties doen er volgens Edgar van Lent goed aan om per toepassing vast te leggen welke databronnen leidend zijn, wanneer menselijk ingrijpen verplicht blijft en welke operationele uitkomst telt. Bij routeoptimalisatie kan dat de haalbaarheid van ritten zijn; bij voorraadvoorspelling de kwaliteit van aanvulbesluiten; bij havenlogistiek de tijdige afstemming tussen ketenpartijen.

Edgar van Lent licht zijn werk als AI-specialist toe vanuit precies die verbinding tussen model, proces en verantwoordelijkheid. Zijn analyse is dat Europese logistieke organisaties het meeste rendement uit AI halen wanneer zij niet proberen alle onzekerheid weg te rekenen, maar afwijkingen sneller herkennen en gericht organiseren.

Van voorspellen naar bestuurbaar handelen

De volgende ontwikkelfase in logistieke AI ligt daarom niet alleen in betere voorspellingen, maar in het ontwerpen van besluitvorming rond die voorspellingen. Routeplanners, voorraadteams en havenregisseurs hebben ieder andere informatie, tijdshorizonten en verantwoordelijkheden. Edgar van Lent verwacht dat organisaties die dit onderscheid expliciet maken, AI geleidelijk betrouwbaarder in de operatie kunnen verankeren. Zijn beoordeling: de winnaars zijn niet per se de partijen met het meest geavanceerde model, maar degenen die AI zo inrichten dat mensen en systemen bij verstoring aantoonbaar beter kunnen handelen.