U bent offline. Dit is een alleen-lezen versie van de pagina.
Het AI-balletje bij de logistiek dienstverlener ging volgens projectmanager Johan Kerstens rollen na een gesprek tussen eigenaar Tobias Kennis en Rodger Blom, AI-engineer bij softwareontwikkelaar TrueLime. “Het enthousiasme over wat Tobias van Rodger hoorde, pakte mij ook. Daarna zijn we direct aangehaakt bij een webinar over agents, over Copilot, Gemini en ChatGPT. Dat webinar was voor ons ook echt het startmoment.”
Zoeken naar grootste impact met AI
Na het webinar volgde een workshop binnen de muren van het bedrijf. Daarbij waren meerdere betrokkenen aanwezig. “Het doel van de workshop was om een helder beeld te krijgen van waar we met AI de meeste impact zouden kunnen realiseren. Daaruit kwamen twee processen naar voren: het verwerken van ongestructureerde tariefaanvragen en het verwerken van ongestructureerde orderinformatie. Beide komen meestal per e-mail binnen.”
AI is geen magisch sausje
De keuze voor AI is volgens Kerstens de juiste. “Al hebben wij ook echt wel leergeld betaald, vooral tijdens de uitrol. Tegelijk wil ik wel graag benadrukken dat als je te veel beperkingen ziet, zoiets als dit niet van de grond komt.” Kennis heeft tijdens de uitrol tot in detail gekeken naar hoe soepel de eigen interne processen liepen. “Bedrijven zien AI soms als magisch, een sausje dat je over processen laat lopen en alles beter maakt. Dus hebben we een aantal processen eerst geoptimaliseerd en anders ingericht. Dit was nodig voor het inzetten van agents binnen de processen. De hele AI-flow behelst overigens meer en is complexer dan alleen de inzet van agents.”
Order entry en tariefaanvragen
De reden dat AI zich volgens Kerstens bij uitstek leent voor het efficiënter maken van order entry en tariefaanvragen, is dat het hierbij voor medewerkers vooral om repeterend werk gaat. Nauwkeurig werken is noodzakelijk, maar maakt werk ook snel saai. Ook is er veel kennis in de hoofden van medewerkers die moeilijk te borgen is. Daarbij biedt AI kansen. “AI is heel geschikt voor het invoeren van tekst, het vertalen ervan en het zoeken naar zaken als laad- en losdatum en adressen. Vaak komt info aan via een e-mail, met vragen als ‘wat kost een pallet van A naar B’? Medewerkers kijken daarna welke gegevens er al zijn en welke info aanvullend nodig is.” AI is volgens de projectmanager sterk in controleren of er sprake is van ontbrekende of afwijkende informatie. “Stel dat een klant negen van de tien keer een opdracht plaatst waarbij een laadklep nodig is, maar dit een keer ontbreekt. Dan moet je dat wel zien. AI doet dat.”
Order omzetten in transportopdracht
Het zijn dit soort voorbeelden waarover Kennis enthousiast is. Tegelijkertijd is er nuchterheid. “Zeker, mogelijkheden zien is tof, maar de devil is in de details”, stelt Kerstens. Hij geeft een voorbeeld: “Het lijkt te gaan om het invullen van een paar vakjes in een order. Dat moet AI toch kunnen doen, denk je, bijvoorbeeld als info ontbreekt. Maar als je vervolgens die order omzet in een transport opdracht en die pitcht naar een medewerker, is de kans groot dat er een opmerking komt. Onze medewerkers weten dat de ene klant anders is dan de andere. Bij de ene klant moet je meestal een laadmeter extra rekenen, bij de andere niet. Je kunt dus niet alleen op basis van e-mails data onttrekken en merkt pas als je met een AI-prototype aan de slag gaat waar dit afwijkt van de realiteit.”
Data uit ongestructureerde e-mails vormen we om tot transportopdrachten
Ontwikkeling AI-fabriek
In anderhalf jaar tijd is samen met TrueLime een generieke ‘AI-fabriek’ gebouwd. De kern is een centraal digitaal platform dat fungeert als de motorkamer van de organisatie. Een harde eis hierbij was dat alle dataverwerking binnen de EU plaatsvindt. Dat gebeurt nu in Amsterdam en Zweden en dat maakt de oplossing mede hierdoor AVG-proof. Het platform knoopt voorheen losstaande systemen en databronnen – zoals de mailbox en het TMS – veilig aan elkaar. De AI-agent fungeert hierbij strikt als data-entry specialist: deze analyseert e-mails en plaatst ze via een EDI-interface als conceptorder in het TMS. De mens houdt daarbij altijd de controle. Medewerkers kijken de binnengekomen concepten na, doen eventuele aanpassingen en geven pas daarna de definitieve goedkeuring. Op de achtergrond draait bovendien een continu monitorsysteem mee, vergelijkbaar met toezicht op de werkvloer. Dit geeft exact inzicht in de prestaties en laat zien waar bijsturing nodig is. Deze combinatie vormt het fundament om ongestructureerde e-mails betrouwbaar te verwerken. Binnenkort volgen ook de tariefaanvragen, iets wat de afdeling customer service verder ontlast. De ‘AI-fabriek’ is in de toekomst ook in te zetten voor het maken van prognoses en forecasts of om repeterende werkzaamheden uit handen te nemen.
De AI-fabriek is in de toekomst ook inzetbaar voor het maken van prognoses en forecasts
Wanneer is het klaar?
Wanneer is het klaar? “Ja, die vraag kregen we uiteraard vanuit de directie. Logisch, want investeringen in bijvoorbeeld AI laat je liefst niet groter zijn dan het rendement dat je eruit haalt. Maar was is de definitie van ‘klaar’? Is dat het sneller dan met de hand verwerken en controleren van orders?” Wat Kennis nu doet is het stap voor stap naar een hoger plan tillen van de AI-activiteiten. “Dat kost tijd. Belangrijk is dat elke keer als je een iteratie doet zichtbaar is wat daarvan het effect is en of het een verbetering is. Honderd procent resultaat bereik je niet, maar elke verbetering is winst. Overigens moet je de medewerkers die hierbij betrokken zijn wel heel duidelijk uitleggen wat je doet en aangeven wat ze kunnen verwachten. Zo moet customer service niet het idee hebben dat ze ergens op moeten wachten of extra handelingen moeten verrichten. AI implementeren kost tijd, maar uiteindelijk zal dit ons effectiever maken, medewerker tevredenheid versterken en onze diensten naar een hoger niveau tillen.”
