AI-agents in de logistiek: 7 gedachten over de toekomst van de supply chain
Op AI gebaseerde systemen behoren tot de technologietrends die momenteel voor de meeste discussie zorgen. Andre Kranke, Head of Corporate Research & Development bij DACHSER, deelt zeven inzichten over wat belangrijk is voor een succesvolle inzet van AI-agents in de logistiek van de toekomst.
De logistieke sector ziet veel potentieel in deze digitale hulpjes. Zoals vaak bij een veelbesproken onderwerp praten veel mensen erover zonder precies te weten wat het inhoudt. De definitie van agentic AI verschilt ook per situatie. AI-agents zijn eigenlijk softwaretoepassingen. Maar in tegenstelling tot gewone programma’s combineren ze generatieve AI met regels en logica. Zo ontstaan digitale entiteiten die binnen een afgebakend takenpakket aanvragen en data begrijpen, daaruit op basis van vooraf vastgelegde doelen een aanpak bepalen en die aanpak vervolgens uitvoeren en opvolgen.
Bij zendingopvolging bijvoorbeeld kan een AI-agent informatie uit statussystemen of zelfs ongestructureerde chatberichten begrijpen. De agent trekt daaruit conclusies op basis van vooraf bepaalde doelen en zet de juiste actie in gang. Bereikt een zending een bepaalde status, dan laat de agent dit rechtstreeks weten aan de klant of stuurt hij het dossier door naar een medewerker van de klantenservice voor verdere opvolging.
Inzicht 1: de grens tussen AI-agents en AI-assistenten vervaagt
In een ideale situatie werkt een AI-agent als een volledig autonoom systeem, dat zelf beslist of en hoe een mens er nog bij betrokken moet worden. In de praktijk fungeert een AI-agent momenteel echter vaak meer als een assistent, die haast geen actie onderneemt zonder goedkeuring van een mens. Afhankelijk van de kwaliteit van de AI-resultaten en de procesafspraken ontstaan er hybride vormen tussen AI-agent en AI-assistent. De formele grens tussen beide begrippen vervaagt steeds meer, waardoor ze langzaam in elkaar overvloeien.
Inzicht 2: AI-agents veranderen logistieke processen
Vooral op de plekken waar verschillende schakels in de supply chain samenkomen, worden nu de eerste AI-systemen uitgetest. Zo voeren AI-agents bijvoorbeeld de nodige zendinggegevens in op logistieke platformen. Deze gegevens kunnen bestaan uit ongestructureerde tekst, documenten of spraakberichten en afkomstig zijn van mensen of andere AI-agents.
Dankzij het nieuwe Model Context Protocol (MCP) communiceren grote taalmodellen steeds vlotter met systemen en databases van derden. Hierdoor ontstaat een nieuwe generatie datakoppelingen naast de bestaande EDI- en API-oplossingen.
Ook binnen inkoop en verkoop zetten AI-agents al stappen. Ze verzamelen informatie over de eigenschappen en beschikbaarheid van producten en diensten, bekijken contractvoorwaarden en onderhandelen erover. De eerste pilotprojecten tonen vandaag al aan dat dit werkt.
Inzicht 3: AI-agents maken fouten
Een AI-agent trekt niet altijd de juiste conclusies en onderneemt daardoor niet altijd de gewenste actie. Dat is een fundamentele uitdaging in veel operationele situaties. Zelfs de best presterende AI-agents komen vandaag niet verder dan een geschatte nauwkeurigheid van 90 tot 95 procent.
Daarnaast speelt nog iets anders een belangrijke rol: kan het systeem zelf inschatten hoe goed zijn beslissing is, welk proces er speelt en welke regels van toepassing zijn? Ook dat bepaalt mede de kwaliteit van wat een AI-agent doet.
Door deze inherente foutmarge is het altijd nodig om een risico-inschatting te maken: wat is de impact van af en toe een fout en hoe gaat het bedrijf daarmee om? Daaruit volgt dat vandaag nog veel processen niet zomaar aan AI-agents kunnen worden toevertrouwd.
Inzicht 4: AI-agents maken deel uit van het team
AI-agents hebben sterke en zwakke kanten die soms opvallend veel lijken op die van mensen in het dagelijkse werk. Samen maken die eigenschappen er veel meer van dan gewone softwareprogramma’s: het worden eerder volwaardige teamleden. Ze worden klaargestoomd en getraind voor verschillende taken en kunnen goed samenwerken met mensen.
In de toekomst zullen mensen taken toewijzen aan AI-agents en er stap voor stap mee toewerken naar het gewenste resultaat. En niet met één agent alleen: er moeten er meerdere tegelijk draaien, want AI-agents hebben tijd nodig om te ‘denken’.
Om hun taken goed uit te voeren, hebben ze telkens opnieuw de juiste context nodig, via kwaliteitsvolle data en instructies, oftewel prompts. Ze moeten professioneel worden aangestuurd en goed worden opgenomen in menselijke teams, zodat ze er echt bij horen als ‘collega’s’. Dat vraagt om nieuwe vaardigheden, die leidinggevenden op elk niveau snel zullen moeten leren en in de praktijk moeten brengen.
Inzicht 5: iedereen kan AI-agents maken
Naast het aansturen en gebruiken van agents wordt ook het maken ervan, of toch de eenvoudige varianten, steeds meer een vast onderdeel van het werk van logistieke professionals. Binnen een trend die ‘citizen development’ wordt genoemd, bouwen bedrijven omgevingen waarin veel gebruikers zelf eenvoudige AI-agents kunnen maken en inzetten. Dat gebeurt via gerichte prompts en door databronnen en workflowsystemen aan elkaar te koppelen. Een voorbeeld uit het dagelijkse kantoorleven zijn de Copilot-agents van Microsoft.
Inzicht 6 en 7: AI-agents leveren nog geen ROI op, maar bouwen wel mee aan de toekomst
Ondanks het grote potentieel van AI-systemen en de eerste concrete efficiëntiewinsten binnen bepaalde processen, leveren ze vaak nog geen return on investment op. Veel AI-agents bevinden zich nog in de fase van het minimum viable product (MVP), worden getest in pilotprojecten en zijn nog ver verwijderd van een volledige integratie in de bedrijfsvoering.
Ontwikkelingskosten, licenties voor AI-systemen en het tokenverbruik bij aanvragen aan grote taalmodellen zoals ChatGPT, Claude of Mistral brengen allemaal kosten met zich mee. Dat geldt zeker wanneer een bedrijf te sterk leunt op één leverancier of LLM. Daarbovenop komen de nodige opleidingen voor medewerkers en de tijd die nodig is om ervaring op te bouwen in het werken met AI-agents.
Zoals bij elk innovatieproces hoort daar een zekere investering bij om nieuwe technologieën goed te leren gebruiken. Stap voor stap moeten ook specifieke KPI’s en ROI-analyses een leidraad worden voor AI-agents. Zo kan op middellange termijn een solide economisch kader ontstaan voor het gebruik van kunstmatige intelligentie.
Ondanks hun zwakke punten, risico’s en kosten zullen AI-agents hun weg vinden naar bijna elk proces in de supply chain. Daar moet iedereen zich bewust van zijn. Soms verandert de samenwerking daardoor maar licht, soms juist ingrijpend, maar in de meeste gevallen wordt deze er effectiever door. Het gaat daarbij niet alleen om individuele AI-agents, maar ook om multi-agent-systemen die onderling en met mensen samenwerken.
In de toekomst zullen het dus niet alleen mensen zijn, maar ook AI-agents die de logistiek en het supply chain management van de toekomst vormgeven. Werken met AI-agents wordt daarmee ook een verantwoordelijkheid voor leidinggevenden.Stefan Hohm, Chief Development Officer (CDO) bij DACHSER, vat het treffend samen: “AI zal leiders niet vervangen. Maar leiders die AI gebruiken, zullen leiders die dat niet doen wél vervangen.”