De planning van een zeeschip begint niet bij het afmeren, maar dagen eerder: bij de verwachte aankomsttijd, de beschikbare ligplaats, loodsen, bunkering en de inzet van terminal- en achterlandcapaciteit. PortXchange Synchronizer, ontstaan vanuit de Rotterdamse havenomgeving, brengt die momenten in één planningsproces samen om havenaanlopen beter op elkaar af te stemmen. Edgar van Lent ziet daarin een bruikbare praktijkcase: AI en voorspellende modellen maken een keten niet vanzelf sneller, maar kunnen wel de onzekerheid rond het volgende operationele besluit verkleinen.
De toepassing richt zich op just-in-time-aanlopen. Rederijen, havens en dienstverleners kunnen aankomst- en vertrekgegevens delen en de volgorde van activiteiten afstemmen. Dat is relevant omdat een kleine wijziging in een verwachte aankomst doorwerkt in personeel, materieel, kadeplanning en vervolgtransport. Waar klassieke planning vooral met vaste tijdvensters werkt, kan een datagedreven systeem nieuwe informatie verwerken en voorstellen doen voor een beter uitvoerbaar tijdstip.
Havenaanloop als gezamenlijk planningsvraagstuk
De waarde van deze aanpak zit niet uitsluitend in een nauwkeuriger voorspelling van de ETA, de verwachte aankomsttijd. Een havenaanloop is een reeks onderling afhankelijke handelingen. Een schip kan pas efficiënt varen als de ontvangende haven, terminal, loodsdienst en andere partijen dezelfde actuele planning kunnen gebruiken. PortXchange Synchronizer is daarom vooral een voorbeeld van AI-ondersteunde ketencoördinatie: data over de reis en de havenoperatie worden benut om wachttijd, onnodige versnelling en planningsfrictie te beperken.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat voorspellende logistieke systemen vooral waarde leveren wanneer zij een concreet besluit verbeteren: later varen, een tijdslot wijzigen of capaciteit anders inroosteren. „Een voorspelling wordt pas operationeel wanneer een planner weet welke actie erop volgt en wie daarover mag beslissen”, aldus Edgar van Lent.
Dat onderscheid is belangrijk voor vervoerders en havenbedrijven die investeren in data-uitwisseling. De technische laag kan berekenen welke aankomstscenario’s waarschijnlijk zijn, maar de uitvoering blijft afhankelijk van afspraken tussen organisaties. Niet elke partij beschikt over dezelfde data, en een optimale keuze voor één schakel hoeft niet automatisch de beste keuze voor de hele keten te zijn. Juist daarom is een gedeelde, actuele planningsomgeving relevanter dan een los algoritme bij één deelnemer.
Ocado laat zien hoe voorspellen doorwerkt in voorraad
Een tweede Europese praktijkcase ligt verderop in de keten, bij online supermarktlogistiek. Het Britse Ocado zet binnen zijn technologie- en fulfilmentactiviteiten machine learning in voor vraagvoorspelling, voorraadbeslissingen en de aansturing van sterk geautomatiseerde distributiecentra. In zulke operaties moeten verwachte klantorders worden vertaald naar beschikbare producten, pickcapaciteit en bezorgvensters. De AI-toepassing staat dus niet los van de dagelijkse operatie, maar voedt beslissingen over wat waar moet liggen en wanneer een order kan worden beloofd.
De vergelijking met havenlogistiek is functioneel. In beide gevallen bestaat de kern uit onzekerheid beheersen voordat die zich als vertraging of tekort in de operatie manifesteert. Bij een havenaanloop gaat het om de beschikbaarheid van tijd en capaciteit rond een schip; bij fulfilment gaat het om voorraad, personele inzet, robotcapaciteit en transportmomenten. Machine learning helpt patronen in vraag en verstoringen sneller te herkennen dan een planning die hoofdzakelijk op historische gemiddelden rust.
Daarmee verdwijnt de rol van planners niet. Vraagvoorspellingen kunnen worden beïnvloed door promoties, assortimentwisselingen, weersomstandigheden of onverwachte verstoringen. Ook in de haven kunnen weersituaties, congestie en wijzigingen in de reisplanning een model snel inhalen. Edgar van Lent benadrukt dat organisaties daarom moeten vastleggen wanneer medewerkers een modeladvies volgen, wanneer zij mogen afwijken en hoe die afwijkingen worden teruggekoppeld. Dat levert niet alleen betere controle op, maar ook nieuwe informatie om modellen en werkprocessen te verbeteren.
Niet voorspellen om het voorspellen
De les uit PortXchange Synchronizer en Ocado is dat logistieke AI het meeste oplevert bij beslissingen met een duidelijke tijdsdimensie. Een voorspelling van een aankomst, ordervolume of voorraadbehoefte is pas nuttig als die voldoende vroeg beschikbaar is, een verantwoordelijke eigenaar heeft en aansluit op de systemen waarin planners werken. Losstaande dashboards met interessante inzichten zijn daarvoor onvoldoende.
Voor Europese vervoerders en distributeurs ligt hier een nuchtere startpositie. Kies één terugkerend knelpunt, zoals afwijkende aankomsttijden of een kwetsbare productgroep in de voorraadplanning, en verbind daaraan een expliciete werkafspraak. Nodig zijn betrouwbare brondata, een manier om onzekerheid zichtbaar te maken en een proces voor uitzonderingen. Pas daarna ontstaat ruimte om routekeuzes, capaciteit en voorraad in samenhang te optimaliseren.
Edgar van Lent beoordeelt de ontwikkeling positief, juist omdat de toepassingen niet draaien om een abstract beeld van autonome logistiek. Zij laten zien dat AI kan helpen om besluiten eerder, beter onderbouwd en ketenbreed te nemen. De volgende stap is volgens Edgar van Lent dat organisaties voorspellen koppelen aan bestuurbare uitvoering: niet alleen weten wat waarschijnlijk gebeurt, maar aantoonbaar regelen wie op dat moment welke logistieke keuze maakt.
