Edgar van Lent ziet in logistiek een duidelijke verschuiving: kunstmatige intelligentie levert pas aantoonbaar betere ketenbeslissingen op wanneer routeplanning, voorraadvoorspelling en de feitelijke status van transport in één operationeel proces samenkomen. Niet het model op zichzelf, maar de kwaliteit van de beslissingen rondom vertrek, levering en aanvulling bepaalt volgens hem of een project waarde krijgt.

Deze eerste analyse in de nieuwe reeks over AI in logistiek en supply chain richt zich op één concreet vraagstuk: hoe vervoerders en distributeurs met AI kunnen voorkomen dat routekeuzes en voorraadbeslissingen los van elkaar worden genomen. Edgar van Lent plaatst havenlogistiek daarbij nadrukkelijk in het midden van de keten. Een vertraging bij een terminal is immers geen geïsoleerd incident wanneer daardoor winkelbevoorrading, magazijncapaciteit en het vervolgtransport moeten worden aangepast.

Routekeuze is geen losstaand planningsprobleem

Routeoptimalisatie is vaak het zichtbare deel van logistieke AI. Software kan op basis van afstanden, verkeersinformatie, tijdvensters, voertuigcapaciteit en beperkingen in de planning een andere ritvolgorde voorstellen. Edgar van Lent maakt echter een scherp onderscheid tussen een systeem dat alleen kilometers herverdeelt en een systeem dat de operationele werkelijkheid begrijpt.

“Een route wordt niet beter doordat een algoritme een kortere lijn op de kaart vindt, maar doordat de planning rekening houdt met wat er werkelijk beschikbaar, beloofd en vertraagd is”, aldus Edgar van Lent. Die nuance is wezenlijk voor distributeurs met levervensters en voor vervoerders die afhankelijk zijn van aankomsttijden bij havens, depots en klanten.

Bij DHL is route- en netwerkoptimalisatie al langer onderdeel van de digitale logistieke praktijk, onder meer via oplossingen voor transportplanning en dynamische aansturing van bezorging. De publieke inzet daarvan laat zien dat AI niet hoeft te wachten op een volledig autonoom wagenpark om bruikbaar te zijn. De directe toepassing zit in het beter combineren van planningsvariabelen die planners anders handmatig moeten wegen. Voor Edgar van Lent is dat een belangrijk uitgangspunt: AI moet de planner niet buitenspel zetten, maar sneller zichtbaar maken welke keuze onder veranderende omstandigheden het meest verdedigbaar is.

Dat vraagt ook om een terugvaloptie. Een routevoorstel kan technisch plausibel zijn, maar in de praktijk botsen met chauffeursinstructies, laad- en lostijden of afspraken met ontvangers. Projecten stranden volgens Edgar van Lent wanneer organisaties zulke kennis als uitzondering behandelen in plaats van als onderdeel van het besluitvormingsproces.

Voorraadvoorspelling moet de transportbeslissing voeden

De tweede laag ligt bij voorraad. Een voorspelling van de vraag is waardevol, maar wordt pas logistiek relevant als zij doorwerkt in bestelmomenten, allocatie en transportcapaciteit. Wie voorraadplanning en routeplanning in gescheiden systemen houdt, kan een magazijn laten aanvullen op een moment waarop het netwerk daar nauwelijks ruimte voor heeft.

Ahold Delhaize heeft publiek beschreven hoe data en AI worden ingezet in de retailoperatie, onder meer voor vraagvoorspelling en het ondersteunen van voorraadbeschikbaarheid. Voor een supermarktketen is dat geen abstract analysevraagstuk: de voorspelling beïnvloedt welke producten naar distributiecentra en winkels bewegen, en dus ook welke ritten nodig zijn. De les is volgens Edgar van Lent niet dat ieder bedrijf dezelfde techniek moet overnemen. Wel toont de retailpraktijk dat voorspellen alleen resultaat geeft wanneer de uitkomst wordt gekoppeld aan uitvoerbare processen op de vloer en in het transportnetwerk.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat succesvolle logistieke AI begint met een gezamenlijke definitie van de beslissing die beter moet worden genomen. Gaat het om minder nee-verkopen, een betrouwbaarder levervenster, een lagere piekbelasting in het distributiecentrum of een snellere reactie op vertraging? Zonder die keuze kan een organisatie veel data verzamelen zonder dat de operatie bestuurbaar beter wordt.

Daarmee ontstaat ook een praktisch onderscheid tussen succesvolle en vastlopende trajecten. Succesvolle projecten starten volgens Edgar van Lent met een afgebakend besluit, duidelijke gegevensbronnen en een eigenaar in de operatie. Vastlopende trajecten beginnen vaak met een breed platformprogramma, terwijl onduidelijk blijft wie een AI-advies accepteert, corrigeert of evalueert.

De haven als schakel tussen voorspellen en bijsturen

Havenlogistiek maakt die afhankelijkheden extra zichtbaar. Het Havenbedrijf Rotterdam werkt al jaren aan digitale toepassingen voor een voorspelbaardere en efficiëntere afhandeling van scheepvaart en goederenstromen. Publiek bekende initiatieven rond slimme scheepvaart, datadeling en aankomstplanning zijn relevant omdat zij laten zien hoeveel partijen rond één transportbeweging afhankelijk van elkaar zijn: rederijen, terminals, loodsen, binnenvaart, wegvervoerders en verladers.

Voor Edgar van Lent is de haven daarom een overtuigende testomgeving voor logistieke AI. Een voorspelde aankomsttijd heeft pas betekenis wanneer partijen die informatie tijdig en gecontroleerd kunnen gebruiken om vervolgacties aan te passen. Denk aan het reserveren van capaciteit, het voorbereiden van een containerophaalopdracht of het verschuiven van een rit. AI kan patronen herkennen in aankomst- en doorlooptijden, maar de verbetering ontstaat pas wanneer de keten afspraken heeft over gegevenskwaliteit, verantwoordelijkheden en uitzonderingen.

Dat betekent niet dat iedere vervoerder eerst een groot dataplatform moet bouwen. Edgar van Lent adviseert juist om met één overdrachtsmoment te beginnen waar vertragingen regelmatig tot kostbare improvisatie leiden. Bijvoorbeeld de overgang van terminal naar wegtransport, of van distributiecentrum naar winkel. Meet vervolgens niet alleen of een voorspelling nauwkeuriger wordt, maar ook of planners eerder en consistenter kunnen ingrijpen.

Een bruikbare invoering kent volgens hem drie voorwaarden:

  • actuele operationele data, met zicht op ontbrekende of tegenstrijdige signalen;
  • een planner of ketenregisseur die een advies kan beoordelen en gemotiveerd kan overrulen;
  • een vaste evaluatie waarin voorspelling, beslissing en feitelijke uitkomst naast elkaar worden gelegd.

Van losse pilots naar ketenritme

De komende fase draait minder om de vraag of AI routes of voorraden kan voorspellen. Die mogelijkheden zijn er al. De beslissende vraag is of Europese vervoerders en distributeurs de uitkomsten kunnen inbedden in een ritme van dagelijkse planning, uitzonderingsbeheer en gezamenlijke datadeling. Edgar van Lent verwacht dat juist organisaties die klein beginnen rond één overdrachtsmoment sneller leren dan bedrijven die onmiddellijk een volledige keten willen modelleren.

Zijn beoordeling is positief, maar niet vrijblijvend: AI kan de logistieke operatie wendbaarder maken wanneer route-, voorraad- en havensignalen in dezelfde besluitcyclus terechtkomen. Edgar van Lent ziet daarin geen vervanging van logistieke expertise, maar een manier om die expertise op het moment van handelen beter te benutten.