De volgende AI-kloof: waarom logistieke bedrijven in het middensegment hun infrastructuur moeten herstellen voordat ze AI kunnen benutten

Het gesprek over AI richt zich vaak richt zich op toegang, met de veronderstelling dat zodra een bedrijf toegang heeft tot de juiste modellen en tools, de volgende uitdaging is uitzoeken hoe deze te gebruiken. Voor logistieke bedrijven in het middensegment is dat niet per se waar het probleem begint.

Bij veel magazijnen en derdepartij‑logistiekproviders (3PL’s) is de kloof zelden een ontbrekend systeem. De meeste hebben al een warehouse managementsysteem (WMS), een enterprise resource planning‑software (ERP) of boekhoudpakket, vervoerdersverbindingen en EDI met hun grotere klanten. Het probleem is wat er tussen die systemen gebeurt.

Punt‑naar‑puntverbindingen stapelen zich na verloop van tijd op. Een klant of handelspartner wordt op de ene manier verbonden, een andere partner op een andere manier, en uiteindelijk heeft niemand een volledig overzicht van wie met wie communiceert. Integratie hangt ook af van mensen, bijvoorbeeld wanneer iemand bestellingen handmatig invoert vanuit een klantportaal of de zendingen van gisteren elke ochtend in een spreadsheet verzoent. Een 3PL merkt mogelijk niet dat een transactie is mislukt totdat een klant belt om te vragen waar zijn bestelling is.

Niets daarvan verschijnt op een IT‑asset‑lijst, waardoor het zo gemakkelijk is het probleem te onderschatten.

Het probleem zit in de overdrachten

De grootste operationele problemen ontstaan meestal bij de overdrachten, waar een order, ontvangst of zending van het ene systeem of bedrijf naar het andere beweegt:

• Een inkomende order die te laat of onjuist aankomt, kan een gemiste wave en een gemiste verzenddatum betekenen.
• Een vooruitzendingmelding die niet overeenkomt met wat fysiek aankomt, kan de ontvangst stoppen terwijl medewerkers elke pallet onderzoeken.
• Een verzendbevestiging die nooit het systeem van de klant bereikt, kan een factureringsvertraging veroorzaken en leiden tot een terugboeking, waarbij een retailer een boete aftrekt voor een nalevingsfout.

Voor een 3PL vermenigvuldigen deze problemen zich omdat elke klant zijn eigen formaten, regels en verwachtingen heeft. De magazijnvloer functioneert meestal goed, maar de informatiestroom eromheen breekt.

Dat onderscheid wordt belangrijker naarmate bedrijven AI in hun processen introduceren, omdat AI alleen kan werken met de informatie die beschikbaar is. Het koppelen van een chatbot of copilot aan één systeem kan een goede demonstratie zijn, maar het geeft dat systeem geen inzicht in een operatie die zich over meerdere systemen uitstrekt.

In de logistiek overschrijden de relevante vragen vaak die grenzen, zodat een antwoord over een order informatie uit het WMS, het ERP en een transport‑ of klantensysteem kan vereisen. Een AI‑tool die slechts één deel van dat proces kan zien, werkt met een onvolledig beeld.

Er ontstaat een groeiende kloof tussen bedrijven waarvan de infrastructuur maakt het mogelijk voor AI om met de informatie te werken die het nodig heeft en bedrijven waarvan de systemen nog steeds losgekoppeld zijn, en dat is waar de volgende AI‑kloof ontstaat.

AI heeft een fundering nodig waar het daadwerkelijk mee kan werken

Een echt AI‑klaar infrastructuur moet worden beschreven in operationele termen in plaats van technologische termen. Elke belangrijke gebeurtenis, zoals een order, ontvangst, voorraadverplaatsing of zending, moet via een gemeenschappelijke hub gaan in plaats van een verzameling afzonderlijke verbindingen. Het formaat dat een handelspartner verzendt, mag niet langer het probleem van het magazijn zijn. X12, EDIFACT, XML of JSON moeten normaliseren naar dezelfde order voordat iemand stroomafwaarts over het formaat hoeft na te denken.

Teams moeten binnen enkele minuten weten wanneer er iets faalt, voordat het probleem de klant bereikt. Dezelfde informatie die medewerkers gebruiken om die problemen te identificeren en op te lossen, moet ook toegankelijk zijn voor software en AI‑agents via schone API’s die bestaande rechten behouden. Er moet ook een verslag zijn van wat er is gebeurd, zodat wanneer AI iets voorstelt, een persoon kan controleren waarom.

Wanneer die voorwaarden aanwezig zijn, wordt het toevoegen van AI veel eenvoudiger. Dat betekent niet dat een mid‑market bedrijf zijn volledige technologische stack moet vervangen. In feite heeft een mid‑market 3PL bijna nooit een nieuw WMS of ERP nodig alleen om AI‑klaar te worden. De praktischere aanpak is de kernsystemen intact te laten en de verbindingen daartussen te verbeteren.

Een enkele hub waar elk systeem en elke partner mee verbindt, is veel makkelijker te beheren dan een wirwar van eenmalige koppelingen.

AI kan helpen de infrastructuur op te bouwen

Dit is ook waar AI bijzonder nuttig kan zijn voor mid‑market bedrijven. Traditioneel vereist integratie dat mensen partner‑specificaties lezen, velden handmatig in kaart brengen en die mappings één handelspartner tegelijk testen. Een enkele partner‑map kan weken van hands‑on werk, testen en terug‑en‑forth communicatie met de partner kosten.

Huidige AI‑modellen kunnen specificaties en voorbeeldbestanden lezen, een mapping voorstellen en deze testen tegen echte transacties. Een persoon kan vervolgens het resultaat beoordelen en goedkeuren.

AI kan de handmatige inspanning die nodig is om de eerste versie van een EDI-mapping te produceren, verminderen. De specialist kan met een concept beginnen, het vervolgens beoordelen en corrigeren voordat het door de bestaande beoordelingscyclus van de partner wordt gestuurd, waardoor specialisten minder tijd besteden aan het handmatig opbouwen van mappings veld voor veld, terwijl ze de controle over de uiteindelijke output behouden.

Maar er is een belangrijk onderscheid tussen AI gebruiken voor integratie en AI vertrouwen met integratie.

Wanneer ik dit doe, hanteer ik een aanpak die ik “Voorstellen, Grondvesten, Verifiëren, Bevestigen” noem.

AI stelt de partnerconfiguratie en veldmapping voor. Het is gebaseerd op de feitelijke specificatie en voorbeeldbestanden in plaats van velden of codes te verzinnen. Een afzonderlijk verificatieproces vergelijkt de mapping veld voor veld met een echt document. Vervolgens bevestigt een persoon het resultaat voordat het een live klantstroom bereikt. 

We hebben geleerd waarom die discipline belangrijk is door AI‑gegenereerde mappings te testen tegen echte productiedocumenten.

In één test las een AI‑gegenereerde mapping een magazijn‑overdrachtsdocument zonder fouten, maar liet alle 15 regelitems vallen. In een andere test behield het alle zes partijen op een verzendorder, maar verloor de code die aangaf welke partij de ontvanger was, evenals het straatadres. Onze geautomatiseerde controle noemde de mapping schoon, en een EDI‑specialist ontdekte de leemte.

Zelfs de referentiegegevens kunnen onjuist zijn. Een standaardenbestand dat beweerde gekruist gecontroleerd te zijn, kwam in elk betwist segment dat wij testten niet overeen met de gepubliceerde standaard.

De les is dat een gedeeltelijk resultaat moeilijker te ontdekken kan zijn dan een volledig ontbrekend resultaat. Verificatie moet elk veld in een echt document vergelijken met wat de mapping heeft vastgelegd. Alleen bevestigen dat een document wordt geparseerd, is niet voldoende. 

Betrouwbare resultaten hangen af van de discipline rondom het model, van hoe het wordt gebruikt tot hoe de uitkomsten worden beoordeeld.

De Waarde Begint Voor AI Een Beslissing Neemt

Infrastructuurwerk heeft ook waarde lang voordat een AI‑agent operationele aanbevelingen doet. Een 3PL waarmee we werkten draaide SAP naast zijn magazijnsysteem. Elke inkomende ontvangst kostte drie tot vijf minuten handmatige invoer, en de voorraad in SAP liep ongeveer 20 minuten achter op de dock.

Zodra de twee systemen direct met elkaar waren verbonden, werd die vertraging bijna realtime. De operatie bespaarde meer dan 980 arbeidsuren per jaar, inclusief 775 uren op uitgaande werkzaamheden. Spreadsheet‑tracking verdween, terwijl labels, vrachtbrieven en paklijsten automatisch werden gegenereerd. Het magazijn behield zijn bestaande werkstromen, zodat niemand op de vloer opnieuw getraind hoefde te worden. 

De les die we uit dat project trokken was groter dan de arbeidsbesparing. Zodra twee systemen één actueel beeld delen, is datzelfde beeld wat een AI‑agent nodig heeft om nuttig te zijn.

Het verbinden ervan is de stap die alles daarna mogelijk maakt. 

AI‑gereedheid Begint Met Integratie

Voor bedrijven die bepalen waar ze moeten beginnen, moet integratie eerst komen, met AI die een groot deel van het integratiewerk uitvoert. Te vaak maken operationele teams de fout AI te zien als iets dat alleen aan het einde van het proces thuishoort. Het kan helpen het integratiewerk sneller en goedkoper te maken aan het begin, dan helpen bij beslissingen zodra die basis is gelegd. 

Middenmarkt‑logistieke bedrijven hebben niet per se meer technologie nodig. Veel hebben al de systemen die ze nodig hebben. De kans ligt in het laten samenwerken van die systemen. Daar kan AI een rol spelen die verder gaat dan het genereren van een nieuw antwoord op een scherm.