Artificial intelligence (AI), ook wel kunstmatige intelligentie, ontwikkelt zich razendsnel. Waar organisaties AI eerst vooral gebruikten om informatie te analyseren en aanbevelingen te doen, verschuift de aandacht nu steeds meer naar AI-agents die zelfstandig taken uitvoeren, beslissingen nemen en processen aansturen. Denk aan agents die assortimenten optimaliseren, nieuwe producten onboarden of leveranciers benaderen om ontbrekende informatie op te vragen. Met alle ontwikkelingen is het makkelijk om vooral te kijken naar wat er technisch mogelijk is. Maar één vraag krijgt daarbij nog relatief weinig aandacht: waarop baseert AI eigenlijk zijn beslissingen? Stel dat een AI-agent morgen zelfstandig beslissingen neemt op basis van de productdata binnen een organisatie. Hoeveel vertrouwen is er dan in de uitkomst? En wat zijn de gevolgen als die beslissing verkeerd blijkt te zijn?

Uiteindelijk begint het bij data

Een AI-model kan nog zo goed zijn, maar als de data waarop het werkt niet klopt, blijft de uitkomst onbetrouwbaar. Sterker nog: AI haalt fouten in data niet automatisch weg. Het risico is juist dat fouten sneller en op grotere schaal door de organisatie worden verspreid. In een supply chain kan een verkeerde levertijd leiden tot te late bestellingen, een onjuiste besteleenheid tot overvoorraad en ontbrekende productinformatie tot vertraging bij de introductie van nieuwe artikelen. Uiteindelijk raakt dat de beschikbaarheid van producten, de operationele kosten en het werkkapitaal van een organisatie. Daarmee wordt data steeds minder een puur IT-vraagstuk en steeds meer een randvoorwaarde voor hoe organisaties hun processen kunnen verbeteren en AI kunnen inzetten. Wie zijn datafundament goed op orde heeft, kan processen verder automatiseren en AI steeds meer verantwoordelijkheid geven. Als dat fundament niet op orde is, wordt het een stuk lastiger om die mogelijkheden daadwerkelijk te benutten.

Van handmatige correcties naar autonome beslissingen

Veel processen zijn vandaag nog afhankelijk van iemand die data eerst controleert of aanpast voordat die echt bruikbaar is. Een leveranciersbestand dat eerst in Excel wordt opgeschoond, eenheden die handmatig worden omgerekend of ontbrekende kenmerken die vlak voor de livegang nog worden aangevuld. Organisaties zijn zo gewend geraakt aan dit soort handmatige correcties dat ze nauwelijks nog als dataprobleem worden gezien. Ze zijn onderdeel geworden van het dagelijkse werk. Een medewerker ziet bovendien vaak direct wanneer iets niet logisch is en corrigeert het zonder daar lang bij stil te staan. Bij een AI-agent werkt dat anders. Neem bijvoorbeeld een artikel waarvan de besteleenheid in het ene systeem ‘stuk’ is en in het andere ‘doos van 12’. Een planner ziet waarschijnlijk vrij snel dat een bestelhoeveelheid vreemd is en grijpt in. Een agent die volledig op de aangeleverde data vertrouwt, kan op basis van diezelfde informatie twaalf keer te veel bestellen. En niet alleen voor dat ene artikel, maar overal waar hetzelfde geautomatiseerde proces wordt toegepast. Het gevolg is niet alleen een verkeerde bestelling, maar mogelijk ook onnodige voorraad, extra opslagkosten en werkkapitaal dat vastzit in producten die voorlopig niet nodig zijn. Waar slechte data vroeger vooral extra handmatig werk en vertraging opleverde, kan het bij autonome processen dus direct leiden tot verkeerde acties op grotere schaal. De vraag is dan ook niet alleen hoeveel fouten er in de data zitten, maar vooral wat de impact daarvan is op de bedrijfsvoering.

Automatisering maakt de long tail belangrijker

Voor de belangrijkste artikelen ligt de focus meestal al op goede data. Bestsellers, artikelen met een hoge waarde of producten met een groter risico krijgen meer aandacht en controle. Voor de rest van het assortiment ligt dat vaak anders. Duizenden minder belangrijke of langzaam lopende artikelen worden in de praktijk beheerd op basis van ‘goed genoeg’. Misschien ontbreekt er ergens een kenmerk of is een waarde niet helemaal consistent, maar zolang iemand kan ingrijpen wanneer dat nodig is, hoeft dat niet direct een groot probleem te zijn. Met verdere automatisering verandert die situatie. Een AI-agent kan ook voor deze artikelen zelfstandig beslissingen nemen. Als daarbij dezelfde dataproblemen blijven bestaan, kunnen fouten zich ongemerkt door het proces verspreiden. Dat betekent overigens niet dat alle data altijd perfect moet zijn. Niet iedere ontbrekende waarde of afwijking heeft dezelfde gevolgen. Een ontbrekend marketingkenmerk heeft bijvoorbeeld een andere impact dan een verkeerde besteleenheid of een onjuiste levertijd. Het gaat er vooral om dat duidelijk is welke data nodig is voor welk proces, welke kwaliteit daarvoor vereist is en wanneer een afwijking daadwerkelijk risico oplevert.

Vertrouwen bouw je stap voor stap op

Dat betekent natuurlijk niet dat organisaties morgen alle beslissingen aan AI moeten overlaten. Het is veel logischer om te beginnen met processen waar het risico beperkt is en waar duidelijk is wanneer menselijke controle nodig blijft. Naarmate de technologie, de data en de uitkomsten betrouwbaarder worden, kan AI steeds meer verantwoordelijkheid krijgen. Het goede nieuws is dat het verbeteren van dat fundament zelf ook steeds verder geautomatiseerd kan worden. Technologie kan bijvoorbeeld helpen om leveranciersdata te matchen en harmoniseren, ontbrekende kenmerken aan te vullen en data te controleren aan de hand van afgesproken standaarden. AI-agents kunnen daarin nog een stap verder gaan. Wanneer informatie ontbreekt of niet klopt, kunnen zij bijvoorbeeld aanvullende gegevens opvragen bij leveranciers, de ontvangen informatie controleren en afwijkingen ter beoordeling voorleggen. Daarmee verandert datamanagement van een periodieke opschoonactie naar een continu proces waarin data wordt gecontroleerd, verbeterd en onderhouden. Niet alleen om fouten te voorkomen, maar ook om processen efficiënter te maken, productintroducties te versnellen en verdere automatisering mogelijk te maken.

Wat betekent dit voor de planner van de toekomst?

Met die ontwikkeling verandert ook de rol van de planner. Vandaag besteden planners nog veel tijd aan het controleren van gegevens, corrigeren van afwijkingen en oplossen van problemen die eigenlijk al eerder in het proces hadden kunnen worden voorkomen. Naarmate AI meer van deze werkzaamheden overneemt, ontstaat er ruimte voor een andere rol. Een planner hoeft dan niet meer iedere bestelling of afwijking zelf te controleren, maar kan zich meer richten op uitzonderingen, scenario’s en beslissingen waarbij kennis en ervaring echt het verschil maken. Denk aan het beoordelen van de gevolgen van een nieuwe productintroductie, het afwegen van verschillende voorraadscenario’s of het bepalen hoe de organisatie moet reageren op veranderingen in de vraag. De planner van de toekomst wordt daarmee minder iemand die continu gegevens controleert en processen bijstuurt, en meer iemand die overzicht houdt, keuzes maakt en geautomatiseerde processen aanstuurt. Maar dat vraagt wel om vertrouwen. Als een planner niet zeker weet of de data klopt, blijft de behoefte bestaan om alles zelf te controleren. En zolang dat nodig is, wordt een belangrijk deel van de waarde van automatisering niet benut.

Een goed datafundament begint bij duidelijke richtlijnen

Een AI-agent is in veel opzichten te vergelijken met een slimme junior collega: snel, analytisch en onvermoeibaar, maar ook afhankelijk van de informatie en kaders die hij meekrijgt. Een nieuwe collega krijgt op de eerste werkdag ook niet direct de verantwoordelijkheid om zelfstandig alle bestellingen voor alle vestigingen te plaatsen. Eerst moet duidelijk zijn welke informatie gebruikt wordt, welke afspraken gelden en wanneer iemand moet meekijken. Voor een AI-agent geldt in feite hetzelfde. Dat begint met een ogenschijnlijk simpele vraag: wat verstaan we binnen de organisatie onder goede data? Welke informatie moet aanwezig zijn voordat een product een proces in mag? Welke bron is leidend als twee systemen elkaar tegenspreken? En wie is verantwoordelijk voor welke data? Maar ook: welke afwijkingen hebben daadwerkelijk gevolgen voor de bedrijfsvoering? Hoeveel tijd gaat er verloren aan handmatige correcties? En welke processen zouden verder geautomatiseerd kunnen worden als de onderliggende data betrouwbaar genoeg is?

Dat lijken misschien technische vragen, maar de antwoorden raken de hele organisatie: van inkoop en sales tot marketing, logistiek en finance. Pas als daar duidelijke afspraken over zijn, kan worden bepaald wanneer data goed genoeg is om een agent zelfstandig te laten handelen en wanneer menselijke controle nodig blijft. AI kan steeds meer beslissingen van ons overnemen. Maar voordat de vraag wordt hoeveel verantwoordelijkheid een agent kan krijgen, is er een belangrijkere vraag: hoeveel vertrouwen is er in de data die hij meekrijgt? Want uiteindelijk bepaalt niet alleen hoe slim AI is wat je ermee kunt bereiken, maar vooral hoe betrouwbaar de informatie is waarop AI vertrouwt.

Supply PlanningToewijzing en Voorraadaanvulling