AI vraagt om nuchterheid en nieuwsgierigheid

“Veel bedrijven voelen de druk om iets met AI te doen, maar weten vaak niet waar te beginnen”, zegt Schriek. “De kunst is om heel bewust te kijken naar je eigen processen. Welke problemen probeer je eigenlijk op te lossen? En welke technologie past daarbij?” Volgens hem helpt het om te starten vanuit een concrete behoefte. “Je kunt beter beginnen met één gerichte toepassing dan lukraak een softwarepakket aanschaffen omdat het ‘iets met AI doet’. We zagen in de duurzaamheidsdiscussie het fenomeen greenwashing. Nu zie je iets soortgelijks ontstaan: AI-washing. Toepassingen worden gepresenteerd als slim en intelligent, terwijl de meerwaarde beperkt is.”

Schriek adviseert ondernemers om zich niet te laten leiden door de technologie zelf, maar door de vraag: lost het iets op? “Als AI een oplossing biedt voor een concreet knelpunt in je proces, is het de moeite waarde om AI te verkennen.”

Toepassingen in logistiek

AI is sterk in het herkennen van complexe patronen en het doen van voorspellingen. “Daar zit veel potentie in”, zegt Schriek. “Bijvoorbeeld voor demand planning: het voorspellen van vraag naar producten. AI is daarin vaak beter dan traditionele methoden, zeker als het gaat om complexe datasets.”

Een ander voorbeeld is het gebruik van computer vision, een onderdeel van AI, bij kwaliteitscontrole. “Met camera’s kun je afwijkingen in producten detecteren. Deze toepassing wordt al gebruikt in de maakindustrie, bijvoorbeeld om medische hulpmiddelen, zoals injectiespuiten, te inspecteren.” Ook worden robots in magazijnen aangestuurd met behulp van onder meer computer vision. Maar de technologie is breder toepasbaar: ook voor productidentificatie en visuele controle van goederenstromen.” 

Daarnaast zit er veel potentie in AI op het gebied van kantoorautomatisering. Bijvoorbeeld om documenten te verwerken of analyses te maken. Denk bijvoorbeeld aan de verwerking van bestellingen, facturen en orderbevestigingen. Ook voor het classificeren van goederen – het toekennen van goederencodes voor de Douane – wordt AI steeds vaker ingezet om het werk te automatiseren. Schriek: “Een code bestaat uit acht cijfers. Tot zes cijfers lukt het redelijk goed met AI, maar daarna wordt het lastiger. Dan blijft menselijke expertise nodig. Toch kan het al veel tijd besparen door aan te geven in welke hoek de specialist moet zoeken.”

Volgens Schriek wint AI ook terrein bij sales en operations planning. “AI helpt om sneller en vaker scenario’s door te rekenen. Waar je vroeger maandelijks een analyse deed, kun je dat nu dagelijks doen. Dat maakt je wendbaarder. Ook kun je AI gebruiken om aanvullende inzichten van buiten toe te voegen aan de analyse. Dit verhoogt de kwaliteit van de analyse.”

Data als fundament

Volgens Schriek onderschatten veel bedrijven wat er nodig is om AI goed te laten werken. “AI is niet magisch. Het heeft data nodig. En die data moeten van goede kwaliteit zijn”, benadrukt de SCM-project­manager. “Een model is zo goed als de gegevens die je erin stopt. Als de basisdata niet op orde zijn, kun je nog zo’n slimme toepassing gebruiken, maar er komt dan niets bruikbaars uit.”

Hij noemt als voorbeeld magazijnoptimalisatie. “We zien systemen ontstaan die beloven automatisch verbeteringen te iden­tificeren. Maar dat kan alleen als je data – zoals voorraadstanden, looptijden en leverbetrouwbaarheid – betrouwbaar zijn. Anders krijg je verkeerde adviezen.” Goed beschrijven van de context is voor een AI-model cruciaal. Wanneer je in dit geval bijvoorbeeld vergeet te vermelden dat er producten met een THT-datum in het magazijn liggen, zal het model anders optimaliseren.

Schriek vindt dat AI-technieken in routeplanning van toegevoegde waarde kunnen zijn. “Het vakgebied operations research, waarin gebruik wordt gemaakt van wiskundige modellen, was daarin al sterk. De integratie met lerende AI-modellen maakt de optimalisatie nog krachtiger. Maar ook hier geldt: zonder goede invoerdata geen waardevolle output.”

Geen vervanger

Hoewel AI in staat is bepaalde taken over te nemen, is het volgens Schriek geen vervanger van mensen. “Je kunt AI beter zien als een slimme stagiair: iemand die helpt, maar waar je wel op moet letten. Maar de ontwikkelingen gaan dermate snel dat deze stagiair steeds slimmer wordt de komende jaren. De output van een AI-model moet echter altijd kritisch worden bekeken. Zeker bij beslissingen met impact.” Daarnaast blijft domeinkennis essentieel. “Je moet weten hoe je processen in elkaar zitten, anders kun je een AI-model ook niet goed trainen of beoordelen. Boven­dien is AI nog vaak een black box: je ziet niet altijd waarom het systeem iets voorstelt. Dat vraagt om extra waakzaamheid.” 

Een ontwikkeling die hierop inspeelt is ­explainable AI. Daarmee worden beslissingen van het model inzichtelijker gemaakt. “Dat helpt bij acceptatie en bijsturing. Zeker in een sector zoals de logistiek, waar betrouwbaarheid en transparantie belangrijk zijn”, aldus Schriek.

Sleutelrol medewerkers

In veel organisaties zijn medewerkers sneller in het gebruik van AI dan hun leidinggevenden. “Dat is positief, maar brengt ook risico’s met zich mee. Want als medewerkers zonder beleid gebruikmaken van open AI-toepassingen, kunnen gevoelige gegevens op straat belanden”, waarschuwt Schriek. Hij pleit daarom voor gestructureerde experimenten in een afgeschermde omgeving. “Zo kun je veilig ervaring opdoen met toepassingen zonder je data onnodig te delen met externe partijen.” Daarnaast is begeleiding cruciaal. “Zorg dat je medewerkers begrijpen wat AI kan en waar de grenzen liggen. Anders ontstaat het black box syndrome: mensen gebruiken het niet omdat ze het niet vertrouwen of begrijpen.”

Naast de eerdergenoemde toepassingen ziet Schriek kansen voor AI om goederenstromen te monitoren. “Bijvoorbeeld AI gebruiken om verstoringen in toeleveringsketens te signaleren. Denk aan plotselinge vertragingen in havens of veranderingen in de leverbetrouwbaarheid van leveranciers.” Daarbij is het belangrijk dat bedrijven niet alleen naar hun interne processen kijken, maar ook naar wat er in de keten en de buitenwereld gebeurt. “Je kunt AI inzetten om bijvoorbeeld prestaties van leveranciers in kaart te brengen en risico’s te voorspellen. Maar dat vraagt wel dat je daar eerst basisdata over verzamelt.”

Aan de slag

Voor leden van evofenedex heeft Schriek een duidelijk advies. “Start met een inventarisatie: welke kwetsbaarheden zie je in je processen? Waar valt winst te behalen? En hoe veerkrachtig ben je als organisatie? Dat laatste is essentieel in een wereld vol verstoringen.” 

Hij raadt verder aan medewerkers actief te betrekken. “Voorkom dat AI iets wordt van de IT-afdeling alleen. Als je het inzet op de werkvloer, moeten de medewerkers begrijpen wat het doet. Train en enthousiasmeer je mensen. Alleen dan kun je de echte waarde van AI benutten.”

AI is volgens Schriek geen hype die vanzelf overwaait. “We zagen dat eerder wel bij blockchain: veel aandacht, weinig toepassingen. Maar AI is anders. De investeringen zijn vele malen groter en AI wordt nu al breed ingezet. Dit is blijvend.” Toch blijft hij voorzichtig. “We overschatten vaak wat technologie op korte termijn kan, maar onderschatten wat het op lange termijn verandert. De bedrijven die daar nu al nuchter en nieuwsgierig mee omgaan, zijn straks beter voorbereid.”

Zijn slotboodschap is helder: “Laat je niet opjagen door AI, maar laat je ook niet afschrikken. Begin klein, denk groot en zorg dat de digitale basis op orde is. En blijf vooral scherp.”