Waar zit het echte knelpunt in de transportplanning?
In de meeste transportbedrijven stromen orders binnen via e-mail, PDF-bijlagen, klantportalen en soms nog via WhatsApp. Al die informatie moet daarna handmatig het TMS in: laadadres, losadres, gewicht, referentienummer, gewenste leverdatum, speciale instructies. Bij twintig orders per dag is dat behapbaar. Bij honderd orders is het een voltijdse taak die ook nog foutgevoelig is. Planners besteden daardoor een groot deel van hun dag aan overtypen in plaats van aan de eigenlijke planning: capaciteitsbeheer, klantcontact en het oplossen van conflicten. Dat is precies het gat waar AI zinvol is, niet als vervanging van de planner, maar als afvanger van het voorwerk.
Hoe werkt AI-automatisering van de orderinvoer in de praktijk?
AI-automatisering van de orderinvoer draait op documentherkenning en taalverwerking die getraind zijn op de structuur van transportopdrachten. Een inkomende mail met een PDF-bijlage wordt automatisch verwerkt. Het systeem herkent de relevante velden: laad- en loslocatie, datum, gewicht, referentie, bijzondere instructies. Die worden omgezet naar een gestructureerd order-object en klaargezet in het TMS. De planner ziet een voorstel met een betrouwbaarheidsindicatie. Bij hoge zekerheid accordeert hij met één klik. Bij twijfel past hij aan. De herkenningsregels worden niet automatisch bijgesteld op basis van correcties, maar periodiek onderhouden en verfijnd door het team. Dat is een bewuste keuze: voorspelbaarheid boven zelfstandige aanpassingen die je niet kunt verantwoorden.
Wat verandert er voor de planner na automatisering?
Automatische orderinvoer vervangt de planner niet, maar verschuift zijn werk. Wat wegvalt: handmatig overtypen, zoeken naar bijlagen, natellen van regels op een pakbon, en het dubbel controleren of een referentienummer klopt. 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. In projecten die wij opleveren noemen planners dit vrijwel altijd als de grootste verschuiving: van typen naar denken. De werkdruk daalt niet per se, maar de kwaliteit van het werk stijgt.
Wanneer heeft transport planningssoftware automatiseren met AI geen zin?
Eerlijk advies is hier op zijn plaats. 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. Als het volume klein genoeg is dat de planner het comfortabel bijhoudt zonder overdruk, is de businesscase dun. 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. Wie dat eerlijk invult, weet na tien minuten of hij verder moet kijken of niet.
AI Worker bovenop het bestaande TMS, of een nieuw kernsysteem?
Als het bestaande TMS goed genoeg werkt en de invoerkant het enige probleem is, is een AI Worker de kortste weg. Die leest de inkomende berichten, verwerkt de documenten en voedt het TMS zonder dat je het kernsysteem aanraakt. Kortere doorlooptijd, lagere initiële investering, en de planner merkt het verschil direct. Maar 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 doet beide, en het gesprek begint altijd bij dezelfde vraag: waar zit de echte blokkade?