Edgar van Lent ziet in logistieke AI vooral een verschuiving van losse optimalisatie naar samenhangende besluitvorming. Routeplanning, voorraadvoorspelling en havenafhandeling leveren pas structureel voordeel op wanneer zij op dezelfde operationele werkelijkheid zijn gebaseerd: actuele vraag, beschikbare capaciteit, aankomsttijden en uitzonderingen in de keten.

De concrete invalshoek voor deze nieuwe reeks is daarom niet de vraag welke route een algoritme het snelst berekent. Het gaat om de koppeling tussen een verwachte voorraadpositie en het moment waarop goederen werkelijk beschikbaar komen. Juist op dat kruispunt ontstaan in distributie de kostbare keuzes: een order eerder verzenden, een alternatief magazijn inzetten, een levering consolideren of een klant tijdig informeren. Edgar van Lent benadrukt dat AI hier geen vervanging is van planners, maar een manier om hun handelingsruimte beter te onderbouwen.

Voorraadverwachting is pas bruikbaar met operationele context

Veel organisaties beginnen met vraagvoorspelling. Dat is logisch: een betere inschatting van afzet helpt bij inkoop, capaciteitsplanning en de verdeling van voorraad over locaties. Maar volgens Edgar van Lent ontstaat een beperkt resultaat wanneer die voorspelling los blijft staan van transport en leverbetrouwbaarheid. Een voorraadmodel kan aangeven wat waarschijnlijk nodig is, maar zonder inzicht in vertragingen, beschikbare vervoerscapaciteit en afspraken met afnemers blijft de vervolgbeslissing grotendeels handmatig.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat voorspellende modellen pas waarde krijgen wanneer zij direct aansluiten op beslissingen die planners diezelfde dag moeten nemen. Daarmee wijst hij op een onderscheid dat in veel AI-projecten onderbelicht blijft: voorspellen is iets anders dan sturen. Een model dat een afwijking vroeg signaleert, moet ook duidelijk maken welke operationele opties binnen de randvoorwaarden nog openstaan.

DHL Supply Chain communiceert publiekelijk over het gebruik van data-analyse en AI voor onder meer forecasting, capaciteitsinzet en optimalisatie in magazijn- en transportprocessen. Die praktijk is relevant omdat zij laat zien dat logistieke AI niet uitsluitend in een planningssysteem zit. De waarde ligt in de verbinding tussen vraaginformatie, voorraadbewegingen en de uitvoering op de werkvloer. Voor vervoerders en distributeurs betekent dit dat de kwaliteit van artikeldata, orderstatussen en locatiesignalen minstens zo bepalend is als de keuze voor een model.

Edgar van Lent ziet daarin een belangrijke les voor Europese distributiebedrijven. Wie AI alleen als extra scherm boven op bestaande processen plaatst, krijgt hooguit een betere waarschuwing. Wie data, rollen en beslisrechten opnieuw ordent, kan afwijkingen eerder opvangen voordat zij doorwerken in beschikbaarheid, beladingsgraad of levervensters.

Routes zijn geen geïsoleerd rekenvraagstuk

Routeoptimalisatie wordt vaak voorgesteld als een wiskundig probleem met afstand, tijd en voertuigcapaciteit als invoer. In de praktijk veranderen die variabelen voortdurend. Een vertraging in de aanvoer kan ertoe leiden dat een rit anders moet worden opgebouwd; een onverwacht hoge vraag kan juist een voorraadverplaatsing tussen distributiecentra rechtvaardigen. Daarom beoordeelt Edgar van Lent route-AI niet op de vraag of zij de kortste route kiest, maar op de vraag of zij keuzes uitlegbaar en uitvoerbaar maakt.

Bij Maersk is het gebruik van data en voorspellende technieken rond zichtbaarheid van containerstromen, aankomstinformatie en ketenplanning publiek onderdeel van de digitale logistieke dienstverlening. Voor gebruikers van zeevracht is die ontwikkeling relevant omdat een geschatte aankomsttijd geen eindpunt is, maar een signaal voor vervolgprocessen op land. Wanneer de voorspelling verandert, moeten terminals, vervoerders, warehouses en ontvangende distributieorganisaties hun planning kunnen aanpassen.

Dat maakt de menselijke toets onmisbaar. Planners kennen klantprioriteiten, lokale restricties en uitzonderingen die niet altijd volledig in historische data zijn terug te vinden. Edgar van Lent stelt dat een goed systeem daarom niet alleen een advies produceert, maar ook de gebruikte aannames toont: welke levering is kritisch, welke capaciteit ontbreekt en welk effect heeft een alternatief op andere zendingen? Zonder die transparantie ontstaat schijnprecisie, vooral wanneer de werkelijkheid afwijkt van het patroon waarop het model is getraind.

Havenlogistiek verbindt de keten aan de fysieke werkelijkheid

In havenlogistiek wordt het belang van gedeelde en actuele informatie nog zichtbaarder. De Haven van Rotterdam werkt al jaren aan digitale infrastructuur, data-uitwisseling en toepassingen rond een digitale weergave van havenactiviteiten. In samenwerkingen rond slimme infrastructuur is ook AI genoemd voor het verwerken van signalen uit onder meer sensoren en operationele systemen. Het doel is niet alleen efficiënter varen of plannen, maar vooral beter anticiperen op beschikbaarheid van ligplaatsen, infrastructuur en afhandeling.

Voor Edgar van Lent is de haven daarmee een bruikbare toetssteen voor supply-chain-AI. Een voorspelling heeft pas betekenis als partijen in de keten hun processen erop kunnen afstemmen. Vroegere informatie over een aankomst kan ruimte geven voor just-in-time-afstemming, maar alleen wanneer rederij, terminal, wegvervoerder en ontvanger voldoende gedeelde procesafspraken hebben. Technologie kan de coördinatie versnellen; zij neemt de noodzaak van duidelijke verantwoordelijkheden niet weg.

De projecten die stranden, herkent Edgar van Lent aan een terugkerend patroon: zij proberen eerst een complex model te bouwen en bepalen pas daarna wie het advies mag opvolgen, corrigeren of negeren. Succesvollere toepassingen kiezen juist een afgebakend besluitmoment, meten de kwaliteit van de brondata en leggen vast wanneer menselijke escalatie nodig is. Dat geldt voor een aanvulvoorstel in een distributiecentrum evenzeer als voor een gewijzigde aankomstplanning in een haven.

Van voorspellen naar aantoonbaar bijsturen

De komende fase in logistieke AI ligt volgens Edgar van Lent niet in steeds meer autonome beslissingen, maar in betrouwbaarder ketenbreed bijsturen. Europese vervoerders en distributeurs zullen moeten aantonen dat modellen robuust blijven bij verstoringen, dat medewerkers een advies kunnen begrijpen en dat operationele verantwoordelijkheid helder blijft. Zijn beoordeling is nuchter positief: organisaties die voorraadverwachting, routekeuze en havensignalen rond concrete beslismomenten verbinden, kunnen AI omzetten in beter voorspelbare uitvoering zonder het professionele oordeel uit de keten te halen.