Edgar van Lent ziet dat AI in logistiek pas werkelijk waarde krijgt wanneer een organisatie de stap zet van beter plannen naar beter bijsturen. Waar de eerste toepassingen vaak draaien om een voorspelling of een optimale route op papier, ligt de moeilijkere opgave in het verbinden van die uitkomst met de dagelijkse operatie: voertuigen, magazijnen, terminals, planners en klanten.

Zoals Edgar van Lent eerder beschreef in het artikel “Edgar van Lent: AI in logistiek begint bij de planning”, is een bruikbare planningsbasis onmisbaar. Dit tweede deel verdiept een ander vraagstuk: hoe organisaties voorspellingen en optimalisaties vertalen naar keuzes tijdens verstoringen. Juist daar worden routeoptimalisatie, voorraadvoorspelling en havenlogistiek geen losse technologische projecten, maar onderdelen van één besturingsmodel.

Van optimale route naar uitvoerbare rit

Routeoptimalisatie is het zichtbaarste voorbeeld. Software kan rekening houden met afstanden, venstertijden, voertuigcapaciteit, verkeersinformatie en aflevervolgordes. Maar Edgar van Lent maakt een belangrijk onderscheid tussen een route die wiskundig efficiënt is en een route die operationeel uitvoerbaar blijft. Een chauffeur kan te maken krijgen met een niet-beschikbare laadplaats, een gewijzigde zending, wachttijd bij een klant of een voertuig dat terug moet naar een depot. Als die werkelijkheid niet terugvloeit naar het systeem, optimaliseert de organisatie vooral een verouderd beeld van de dag.

DHL heeft publiek toegelicht dat het kunstmatige intelligentie inzet in transport- en supplychainprocessen, waaronder het plannen en optimaliseren van routes en capaciteiten. De relevantie daarvan zit niet alleen in kortere rijafstanden. In een groot distributienetwerk kan dezelfde data ook helpen om uitzonderingen sneller te herkennen, zendingen anders toe te wijzen en planningsbeslissingen beter te onderbouwen. De toepassing laat zien dat route-AI vooral sterk wordt wanneer zij ingebed is in de processen rond dispatching en uitvoering.

“Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat logistieke AI pas volwassen wordt als een voorspelde beste keuze ook gecontroleerd kan worden aangepast zodra de operatie afwijkt.” Die controle vraagt om duidelijke rollen. Een planner moet kunnen zien waarom het systeem een wijziging voorstelt, welke leverafspraken geraakt worden en wanneer menselijke ervaring zwaarder moet wegen dan de berekende uitkomst.

Volgens Edgar van Lent stranden projecten wanneer de organisatie routeoptimalisatie behandelt als een zelfstandige applicatie. Dan ontbreken vaak afspraken over datakwaliteit, uitzonderingsbeheer en terugkoppeling vanuit chauffeurs en locaties. Succesvollere toepassingen beperken de ambitie in het begin: eerst een herkenbaar besluit, een afgebakend gebied en een meetbare operationele keuze. Daarna kan de organisatie de modellen verbinden met bredere netwerksturing.

Voorraadvoorspelling vraagt om commerciële context

Bij voorraadvoorspelling speelt een vergelijkbaar verschil tussen modelkwaliteit en bedrijfswaarde. Vraagvoorspelling wordt vaak gepresenteerd als een rekenkundige opgave: historische verkoop, seizoenen en externe signalen leveren een verwachte afzet op. Voor distributeurs is de werkelijke vraag echter ook afhankelijk van assortiment, promoties, leverbetrouwbaarheid, lokale beschikbaarheid en de keuzes van inkopers. Een model dat uitsluitend op historische patronen leunt, mist precies de gebeurtenissen die voorraadbeslissingen gevoelig maken.

Carrefour heeft in Europa publiek gewerkt aan data- en AI-toepassingen voor onder meer vraagvoorspelling en de aansturing van de keten. Zulke toepassingen illustreren dat AI niet alleen bedoeld is om een voorspelling te maken, maar om verschillende commerciële en logistieke signalen bij elkaar te brengen. De bruikbare vraag is daarom niet of een model de toekomst exact kent. De relevante vraag is of het model tijdig aangeeft waar het risico op een tekort, overschot of verkeerd geplaatste voorraad groter wordt.

Edgar van Lent benadrukt dat voorraad-AI alleen betrouwbaar kan worden ingezet wanneer de besluitvorming eromheen expliciet is ingericht. Wie mag een advies overrulen? Hoe worden actieprijzen verwerkt? Welke servicegraad is leidend bij schaarste? En wanneer wordt een afwijking onderzocht in plaats van automatisch doorgezet? Zonder die vragen te beantwoorden, ontstaat het risico dat een organisatie met geavanceerde voorspellingen werkt maar de consequenties ervan niet beheerst.

Voor distributiebedrijven betekent dit ook dat AI de samenwerking tussen commercie, inkoop en logistiek zichtbaarder maakt. Een voorspelling is geen neutraal getal: zij beïnvloedt voorraadposities, transportbewegingen en beschikbaarheid voor klanten. Edgar van Lent ziet daarin juist een kans om besluitvorming minder afhankelijk te maken van losse spreadsheets en individuele interpretaties, mits de definities en verantwoordelijkheden vooraf helder zijn.

Havenlogistiek als ketenprobleem

In havenlogistiek wordt de noodzaak van gedeelde informatie nog scherper. De Haven van Rotterdam heeft publiek beschreven hoe een digitale tweeling en datagedreven toepassingen worden gebruikt om scheepvaart, infrastructuur en havenprocessen beter te ondersteunen. Voor ligplaatsen, aankomsttijden, verkeersbewegingen en terminalactiviteiten is timing cruciaal. Een beperkte vertraging op zee of bij een terminal kan doorwerken in achterlandtransport, opslag en inzet van mensen en materieel.

Edgar van Lent beschouwt dit als een belangrijk Europees voorbeeld omdat de toepassing niet begint met één algoritme, maar met de samenhang tussen partijen en gegevensstromen. Haven-AI kan helpen om verwachte aankomsttijden en beschikbare capaciteit beter op elkaar af te stemmen. Tegelijk moet duidelijk blijven welke gegevens actueel zijn, wie een wijziging bevestigt en hoe organisaties handelen wanneer informatie uit verschillende systemen niet overeenkomt.

Dat maakt havenlogistiek volgens Edgar van Lent ook leerzaam voor vervoerders en distributeurs buiten de haven. De meest waardevolle AI-toepassingen richten zich niet alleen op lokale efficiëntie, maar op het voorkomen dat een optimalisatie op één plek elders in de keten vertraging of extra voorraad veroorzaakt. De kwaliteit van de gezamenlijke besluitvorming wordt daarmee belangrijker dan de technische verfijning van één model.

Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn beoordeling voor de komende fase is nuchter: Europese logistieke organisaties zullen het meeste voordeel halen uit AI die planners en operationele teams helpt om afwijkingen sneller te begrijpen en verantwoord te corrigeren. Wie route, voorraad en haveninformatie als verbonden beslissingen behandelt, bouwt volgens Edgar van Lent aan een keten die niet alleen efficiënter plant, maar ook weerbaarder reageert wanneer de werkelijkheid verandert.