Het patroon dat iedereen herkent
Een klant stuurt een order. Soms via een EDI-koppeling, maar vaker nog als pdf-bijlage of in de tekst van een e-mail. Een medewerker opent het bericht, leest de adressen, gewichten en referenties, en typt die over in het TMS of planningssysteem. Daarna nog even controleren of de adressen kloppen, of het gewicht aannemelijk is, of de leverdatum haalbaar is. Bij twintig orders per dag is dat te doen. Bij tweehonderd is het een voltijdse functie. En zodra een medewerker ziek is of de markt aantrekt, loopt de planning vast op de invoer, niet op de capaciteit van de vrachtwagens.
Waarom standaard EDI het probleem niet volledig oplost
EDI bestaat al tientallen jaren en lost een deel van het probleem op, voor de klanten die het ondersteunen. Maar in de praktijk heeft een transportbedrijf tientallen opdrachtgevers, van grote verladers met volwaardige EDI-koppelingen tot mkb-bedrijven die een pdf sturen met een zelfgemaakt sjabloon. Die mix blijft. Je kunt niet al je klanten verplichten EDI in te voeren, zeker niet als de relatie afhankelijk is van laagdrempeligheid. Dus blijft er altijd een groep orders over die handmatig verwerkt wordt. Precies die groep is het knelpunt.
Wat automatische orderinvoer met AI anders doet
Een AI-gestuurde orderinvoer leest binnenkomende berichten, ongeacht het formaat. Een pdf met een vrachtbrief, een e-mail met losse regels, een screenshot van een portaal: de AI haalt de relevante velden eruit, laad- en losadres, referentienummer, gewicht, aantal colli, gewenste datum, en plaatst een conceptorder in het TMS. De planner ziet de order al ingevuld staan en hoeft alleen te accorderen of bij te stellen. Het tikwerk verdwijnt, de controle blijft bij de mens. Dat is het principe dat wij human in the loop noemen: de AI doet het voorwerk, de medewerker beslist.
Wanneer werkt het wel en wanneer werkt het niet?
Automatische orderinvoer werkt goed als de inkomende documenten een herkenbare structuur hebben, ook al wisselt het sjabloon per klant. Documenten met consistente velden, een vaste opbouw of herhaalde klanten zijn ideaal. Het wordt lastiger bij orders die sterk vrijwetekst zijn, waarbij de klant in proza beschrijft wat er moet gebeuren zonder enige structuur. Dat vraagt om aanvullende trainingsinspanning of een andere aanpak. Eerlijk gezegd: niet elke orderstroom is geschikt om volledig te automatiseren. Soms is een gedeeltelijke automatisering, waarbij de AI de meest voorkomende velden invult en de uitzondering naar een medewerker stuurt, al een grote stap vooruit.
Wat je nodig hebt om te starten
De drempel is lager dan veel bedrijven denken. Je hebt geen dataplatform nodig, geen grote IT-afdeling en geen jaren aan voorbereiding. Wat je wel nodig hebt: een duidelijk beeld van de vijf tot tien meest voorkomende orderformaten, toegang tot een representatieve set historische documenten om op te testen, en een planner die bereid is de eerste weken kritisch te controleren. De integratie met het bestaande TMS is in de meeste gevallen te realiseren via een API of een bestandsuitwisseling. We bouwen dit als een AI Worker die op het bestaande systeem draait, zonder dat je het kernsysteem hoeft te vervangen.