Waar het probleem zit in de huidige transportplanning
In de meeste transportbedrijven komen orders binnen via e-mail, PDF-bijlagen, WhatsApp of klantportalen. Die informatie moet daarna handmatig in het TMS. Laadadres, losadres, gewicht, referentienummer, gewenste leverdatum: elk veld een klik. Bij twintig orders per dag is dat behapbaar. Bij honderd is het een voltijdse taak die ook nog eens foutgevoelig is. Planners besteden daardoor een groot deel van hun dag aan overtypen in plaats van aan plannen. Dat is precies het gat waar AI zinvol is.
Hoe AI-e-mailverwerking in transport werkt
AI-e-mailverwerking in transport draait op documentherkenning en taalmodellen die getraind zijn op de structuur van transportopdrachten. Een inkomende mail met een PDF-bijlage wordt automatisch geopend. Het systeem herkent de relevante velden: laad- en loslocatie, datum, gewicht, referentie, bijzondere instructies. Die worden omgezet naar een gestructureerd order-object en aangeboden aan het TMS. De planner ziet een voorstel met een betrouwbaarheidsscore. Bij hoge zekerheid accordeert hij met één klik. Bij twijfel past hij aan. Het systeem leert niet zelf bij op basis van die correcties, maar de herkenningsregels worden door het team periodiek onderhouden en verfijnd. Dat is de aanpak die wij volgen met Dottle, onze document-AI.
Automatische orderinvoer: wat er echt verandert voor de planner
Automatische orderinvoer verandert het werk van de planner, maar vervangt het niet. Wat wegvalt: het handmatige overtypen, het zoeken naar bijlagen, het natellen van regels op een pakbon. Wat overblijft: het beoordelen van uitzonderingen, het schakelen met klanten over afwijkingen, het puzzelen met capaciteit en het nemen van beslissingen bij conflicterende wensen. Dat zijn precies de taken waar een ervaren planner waarde toevoegt. AI doet het voorwerk, de mens beslist. In onze projecten noemen planners dit bijna altijd als de grootste verschuiving: van typen naar denken.
Wanneer past transport planningssoftware automatiseren met AI niet?
Niet elke operatie is klaar voor AI-automatisering van de orderinvoer. Als orders sterk variëren in formaat, taal en structuur en geen enkel patroon volgen, is de herkenningsnauwkeurigheid te laag om meerwaarde te bieden. Als het TMS zelf niet via een API of gestructureerde invoer te bereiken is, valt de integratie terug op fragiele schermautomatisering, en dat is geen solide basis. En als het volume klein genoeg is dat de planner het comfortabel bijhoudt, is de businesscase dun. Eerlijk advies: begin met een meting. Hoeveel orders per dag, hoeveel unieke klantformaten, hoe stabiel is de structuur van de berichten? Die drie vragen bepalen of automatisering zin heeft.
Bonsai AI Workers of een nieuwe kern: welke aanpak past?
Als het bestaande TMS goed genoeg werkt en alleen de invoerkant het probleem is, bouw je een AI Worker eromheen. Die leest de inkomende berichten, verwerkt de documenten en voedt het TMS zonder dat je het kernsysteem aanraakt. Dat is een aanpak met een kortere doorlooptijd en lagere initiële investering. Als het TMS zelf verouderd is, te rigide voor de huidige klantmix of een rem op de groei, is het soms verstandiger om het kernsysteem opnieuw te bouwen. Een moderne, op maat gemaakte kern met AI vanbinnen geeft meer ruimte dan een laag bovenop een systeem dat zijn limieten al heeft bereikt. Bonsai kan beide, en het gesprek begint altijd bij de vraag: waar zit de echte blokkade?