De planning van een zeeschip begint niet pas wanneer het aan de kade ligt. In de haven van Rotterdam wordt met digitale systemen gewerkt aan een beter voorspelbare havenaanloop: rederijen, terminals, loodsdiensten en andere betrokken partijen delen planningsinformatie om aankomst, ligplaats, beloodsing en vertrek beter op elkaar af te stemmen. De toepassing is relevant omdat vertraging in één schakel meteen doorwerkt in de rest van de keten.

Voor Edgar van Lent is juist die gedeelde besluitvorming de kern van AI in logistiek. Niet de afzonderlijke voorspelling maakt het verschil, maar de manier waarop een organisatie die voorspelling omzet in een gezamenlijk werkproces. De AI-specialist ziet in havenlogistiek een praktijkvoorbeeld van technologie die capaciteitsproblemen niet wegneemt, maar wel eerder zichtbaar en beter hanteerbaar maakt.

Rotterdam maakt de havenaanloop planbaarder

De Haven van Rotterdam werkt al jaren aan digitalisering van het zogeheten port call-proces. Via toepassingen rond just-in-time-arrival en port-call-optimalisatie kunnen partijen informatie uitwisselen over verwachte aankomsttijden, de beschikbaarheid van nautische diensten en de planning aan de terminal. Daardoor hoeft een schip minder vaak uitsluitend op maximale snelheid naar de haven te varen om vervolgens op een volgende schakel te wachten.

In dat proces krijgen voorspellende modellen betekenis wanneer zij worden gekoppeld aan operationele gegevens: historische vaartijden, actuele positiegegevens, weer, terminalplanning en informatie over de afhandeling in de haven. De uitkomst is geen autonome beslissing over een schip, maar een beter onderbouwd voorstel voor de volgorde en het tijdstip van handelingen. Dat vereist dat de deelnemende partijen dezelfde definities, tijdvensters en uitzonderingen hanteren.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in bedrijfsprocessen, stelt dat voorspellende logistiek vooral waarde oplevert wanneer planning en uitvoering op dezelfde informatiebasis werken. “Een nauwkeurige voorspelling die niet terechtkomt bij de planner, de terminal of de vervoerder verandert de operatie niet. AI wordt pas praktisch als de keten er afspraken en beslissingen aan verbindt.”

De Rotterdamse casus laat zien waarom havenlogistiek een geschikt domein is voor AI-ondersteuning. De hoeveelheid variabelen is groot, de gevolgen van onzekerheid zijn direct merkbaar en veel besluiten moeten onder tijdsdruk worden afgestemd. Tegelijk is het geen omgeving waarin een model op eigen gezag kan handelen. Veiligheid, nautische expertise, contractuele afspraken en de feitelijke capaciteit van kade, kraan en achterlandverbinding blijven bepalend.

Albert Heijn gebruikt voorspellingen voor aanvulling van winkels

Een tweede, andersoortige toepassing ligt in de distributieketen van Albert Heijn. De Nederlandse supermarktorganisatie communiceert al geruime tijd over het gebruik van data en kunstmatige intelligentie om de vraag naar producten beter te voorspellen en de bevoorrading van winkels daarop af te stemmen. Vooral bij verse producten is die opgave relevant: een te ruime voorraad vergroot het risico op verspilling, terwijl een te lage voorraad leidt tot lege schappen en gemiste verkoop.

Vraagvoorspelling in de supermarktlogistiek combineert doorgaans historische verkoopgegevens met factoren als seizoenen, feestdagen, promoties, assortimentwijzigingen en lokale patronen. Het model geeft daarmee geen garantie op de precieze vraag van morgen, maar helpt planners om afwijkingen sneller te herkennen en bestelhoeveelheden consistenter te bepalen. De uitwerking loopt vervolgens door naar distributiecentra, transportplanning en winkeloperatie.

Deze toepassing verschilt van havenplanning, maar de bestuurlijke les is vergelijkbaar. Een voorspelling wordt pas nuttig wanneer de organisatie heeft vastgelegd wie kan ingrijpen, hoe uitzonderingen worden beoordeeld en welke gegevens betrouwbaar genoeg zijn om bestellingen op te baseren. Bij verswaren spelen bovendien levertijden, houdbaarheid en beschikbaarheid bij leveranciers mee. Een model kan die beperkingen meewegen, maar niet opheffen.

Edgar van Lent benadrukt dat voorraad-AI daarom niet moet worden beoordeeld als een los algoritme. “De test is niet of een model technisch indrukwekkend is, maar of inkopers, supplychainplanners en winkelteams er aantoonbaar beter mee kunnen sturen,” aldus Edgar van Lent. Zijn werk als AI-specialist licht hij toe op edgarvanlent.com.

Van optimale route naar bestuurbare keten

De twee voorbeelden maken ook duidelijk dat routeoptimalisatie breder is dan het berekenen van de kortste rit. In Rotterdam gaat het om een optimale, haalbare volgorde van scheepsbewegingen en diensten. In retail gaat het om de route die goederen afleggen van leverancier via distributiecentrum naar winkel, onder voorwaarden van vraag, beschikbaarheid en versheid. In beide gevallen is de beste uitkomst afhankelijk van de kwaliteit en actualiteit van de informatie op meerdere punten in de keten.

Voor Europese vervoerders en distributeurs ligt hier een concrete opgave. Zij kunnen AI inzetten om ETA’s, vraag, capaciteit en afwijkingen sneller te voorspellen, maar moeten tegelijk zorgen voor uitlegbare werkafspraken, menselijke controle en goede data-uitwisseling met partners. Dat is ook relevant onder Europese regels voor gegevensbescherming en in ketens waar commerciële informatie gevoelig ligt. Niet iedere partij hoeft alle data te delen; wel moeten de gegevens die wél worden uitgewisseld eenduidig, tijdig en bruikbaar zijn.

De praktische ontwerpvragen zijn overzichtelijk, maar niet vrijblijvend:

  • welke beslissing wordt met de voorspelling ondersteund;
  • welke medewerker of partner mag daarvan afwijken;
  • welke brongegevens en uitzonderingen worden vastgelegd;
  • hoe wordt gecontroleerd of de voorspelling de operatie werkelijk verbetert.

Edgar van Lent verwacht dat de volgende stap niet zit in volledig autonome logistieke ketens, maar in betere samenwerking tussen voorspellen en handelen. Volgens Edgar van Lent zullen Europese organisaties die AI koppelen aan concrete planningsmomenten, heldere verantwoordelijkheden en betrouwbare ketendata het snelst profiteren. De Rotterdamse havenaanloop en de voorraadplanning bij Albert Heijn tonen dat de waarde van AI in logistiek vooral ontstaat waar onzekerheid wordt vertaald naar een tijdige, controleerbare beslissing.