Routeoptimalisatie is het minst interessante wat AI voor je logistiek doet

Vraag een ondernemer in de logistiek waar AI hem gaat helpen, en binnen een minuut gaat het over de route. De rit die tien minuten korter kan. De planning die zichzelf in elkaar zet. De chauffeur die niet meer met een papieren lijst de deur uit hoeft. Het is concreet, het is zichtbaar, en het is precies daarom de minst interessante toepassing die er is.

Routeoptimalisatie is namelijk een grotendeels opgelost probleem. Het zit al ingebakken in vrijwel elk modern transport- en planningssysteem, het rekent met kaartdata en verkeersinformatie die van buiten komen, en de winst is operationeel: wat brandstof, wat rij-uren, wat minder kilometers. Mooi meegenomen. Maar het optimaliseert een kostenpost die je toch al zag. Mijn stelling is simpel: de echte marge in de logistiek zit niet in wat er over de weg rijdt, maar in wat er stilstaat. En juist daar blijft het MKB weg.

De route is zichtbaar, de marge niet

De reden dat iedereen naar de route grijpt, is dezelfde reden dat het zo weinig oplevert: het is de meest tastbare laag. Je ziet de vrachtwagen, je ziet de kilometers, je ziet de besparing op het dashboard. Maar de duurste fouten in een logistieke keten staan niet op dat scherm. Ze liggen in het magazijn als voorraad die te lang blijft liggen, ze zitten in een inkooporder die te vroeg of te laat de deur uit ging, en ze schuilen bij een leverancier die omvalt op het moment dat je hem het hardst nodig hebt.

Dat is geld dat je niet kwijtraakt aan diesel, maar aan kapitaal dat vastzit en aan omzet die je misloopt. Het is alleen onzichtbaar, en daarom voelt het niet als een AI-probleem. Tot je ernaar gaat kijken.

Drie plekken waar de echte marge ligt

De grootste hefboom in de logistiek is geen kilometer maar je werkkapitaal: het geld dat vastzit in voorraad, in vooruitbetaalde inkoop en in goederen die nog niet verkocht zijn. AI verdient zich daar niet terug in bespaarde brandstof, maar in kapitaal dat weer gaat stromen. Drie toepassingen raken dat werkkapitaal direct:

• Vraagvoorspelling: beter voorspellen wat je wanneer verkoopt, per artikel en per locatie, betekent minder nee-verkoop en minder dode voorraad tegelijk. Dit is waar de cijfers het hardst spreken: in een studie naar AI-vraagvoorspelling daalde de voorspelfout met tot wel de helft en zakten de logistieke kosten met ruim dertig procent ten opzichte van klassieke statistiek. Een betere prognose is bovendien geen los kunstje: hij voedt je inkoop en je planning, zeker als je hem laat doorwerken tot in je boekhouding, waar je kunt bepalen waar je de AI-agent in je ERP wel en niet laat terugschrijven.
• Voorraadreductie: een scherpere voorspelling laat je met een lagere veiligheidsvoorraad werken zonder vaker mis te grijpen. Je omloopsnelheid gaat omhoog, je kapitaalbeslag omlaag. Dezelfde voorspelkracht die je voorraad stuurt, kun je doortrekken naar je kas, want een AI-prognose van je cashflow over negentig dagen leunt op precies dezelfde logica: vooruitkijken op basis van wat er echt gebeurt, niet op onderbuik.
• Toeleveranciersrisico: de derde laag is de minst gerijpte en misschien de belangrijkste. Wie levert er straks niet meer, welke prijs loopt op, welke doorlooptijd glipt weg? Voor 2026 worden tariefvolatiliteit en geopolitieke schokken als de grootste verstoringen van toeleveringsketens genoemd, met het advies om leveranciers te spreiden en met vooruitkijkende signalen te werken in plaats van met de aannames van vorig jaar. Dat leunen op één partij een bedrijfsrisico is, is geen abstractie: Siemens en Renault spreiden bewust hun leveranciers omdat afhankelijkheid van één leverancier een risico is geworden. Dat afhankelijkheid van één leverancier risicobeheer is en geen politieke stellingname geldt voor je toeleveranciers net zo goed als voor je software.

Geen van deze drie maakt indruk op een beurs. Ze maken indruk op je balans.

Waarom bijna niemand daar zit: de data

Hier komt de oninteressante waarheid. Route-optimalisatie wint niet omdat het het slimste is, maar omdat het het minste van jou vraagt. De kaart en het verkeer komen van buiten; jij hoeft nauwelijks eigen data aan te leveren. Vraagvoorspelling, voorraadsturing en leveranciersrisico draaien juist op jouw eigen geschiedenis: bestellingen, voorraadstanden, leveringen, inkoopfacturen. En dat is precies wat bij de meeste bedrijven niet op orde is.

Dat is geen aanname. Uit het onderzoek van branchevereniging evofenedex onder zo'n driehonderd professionals blijkt dat ongeveer zestig procent van de handels- en logistieke bedrijven interesse heeft in AI, maar slechts zeven procent een vastgesteld AI-beleid en maar 42 procent de eigen data grotendeels op orde heeft. Daar zit de kloof. Niet tussen wel of geen AI willen, maar tussen willen en een fundament hebben om op te bouwen.

De consequentie is hard maar logisch: zolang je voorraadhistorie verspreid staat over een handmatig bijgehouden spreadsheet, een verouderd pakket en het hoofd van de magazijnbeheerder, kan geen enkel model er een betrouwbare voorspelling van maken. De saaie voorbereiding gaat aan de spannende AI vooraf. Een leveranciersfactuur die je automatisch laat uitlezen en wegboeken is geen AI-hoogstandje, maar het is wel de gestructureerde data waarop je inkoop- en vraagvoorspelling later staat of valt.

"Wij zijn te klein voor dit soort AI"

De sterkste tegenwerping hoor ik bijna altijd in dezelfde vorm: dit is iets voor de grote jongens met een datateam, niet voor een bedrijf met drie planners en een magazijn. En het cijfer lijkt die ondernemer gelijk te geven, want grotere organisaties lopen in datzelfde onderzoek duidelijk voorop, terwijl het kleinbedrijf vaak blijft steken in experimenten en pilots.

Toch klopt de conclusie niet. De drempel zit niet in de geavanceerdheid van het model, want goede vraagvoorspelling is allang geen frontier-onderzoek meer. De drempel zit in twee dingen die juist voor een kleiner bedrijf haalbaar zijn: je data op orde krijgen, en de discipline om je tot één beslissing te beperken die je echt beter wilt maken. Je hebt geen twintig tools en geen data scientist nodig. Je hebt één schone dataset nodig en één vraag die ertoe doet, bijvoorbeeld: hoeveel van dit artikel moet ik volgende maand inkopen?

En ja, ik geef de tegenwerping deels gelijk: als je data een complete chaos is, dan is route-optimalisatie wél de juiste eerste stap, simpelweg omdat het werkt zonder dat je iets op orde hebt. Daar is niets mis mee. Het wordt pas een probleem als je het voorgerecht aanziet voor de hoofdmaaltijd, en denkt dat je AI in de logistiek dan wel hebt gehad.

De route is wat je ziet, de marge is wat je mist

De route is het deel van de logistiek dat je letterlijk uit het raam ziet rijden. De marge is het deel dat je niet ziet: de pallet die te lang stond, de bestelling die op gevoel werd geplaatst, de leverancier die niemand controleerde tot het misging. De echte taak van AI in de logistiek is niet om het zichtbare sneller te maken. Het is om het onzichtbare zichtbaar te maken, zodat je erop kunt sturen.

Dat is minder spectaculair dan een zelfplannende rit, en oneindig veel waardevoller. Het vraagt alleen eerst het saaie werk: je data op orde, je vraag scherp. Met slim werken, loont hard werken, en in de logistiek begint slim werken bij de cijfers die niet rijden.