AI in voorraadbeheer voor groothandel en food: een leveranciersonafhankelijk stappenplan

Waarom voorraadbeheer het beste startpunt is

Voorraad is voor de meeste groothandels de grootste kapitaalpost en tegelijk de grootste bron van dagelijkse frustratie: nee-verkopen op lopers, stilliggend kapitaal op traagdraaiers, en spoedorders die de marge opeten. Het is ook een proces met veel historische data en een meetbare uitkomst, waardoor het zich beter leent voor AI dan vagere toepassingen. Sectorstudies van banken wijzen dezelfde kant op: zelfs een bescheiden verlaging van de eindvoorraad werkt direct door in de marge.

Stap 1: datakwaliteit, het knelpunt dat iedereen noemt en niemand uitwerkt

Elke mislukte voorraad-AI-implementatie die wij kennen strandde op hetzelfde punt: de data. Voordat er een model aan te pas komt, beantwoordt u vier vragen:

• Klopt de artikelstam? Dubbele artikelnummers, verouderde eenheden en ontbrekende leveranciersgegevens maken elke voorspelling waardeloos.
• Is de verkoophistorie compleet en geschoond? Eenmalige acties, corona-jaren en grote eenmalige orders moeten herkenbaar zijn, anders leert het model de uitzondering als regel.
• Zijn levertijden per leverancier vastgelegd zoals ze werkelijk zijn, niet zoals ze zijn afgesproken?
• Wie is eigenaar van die data? Zonder een verantwoordelijke verbetert er niets structureel.

Stap 2: beginnen zonder uw ERP te vervangen

De grootste misvatting is dat AI-voorraadbeheer een nieuw systeem vereist. De volgorde die werkt is omgekeerd: begin met een afgebakende pilot naast het bestaande ERP. Kies een productgroep van 50 tot 200 artikelen met duidelijke vraagpatronen, laat een voorspelmodel (dat kan al met goed ingerichte standaardtools) wekelijks besteladviezen genereren, en leg die naast het advies van de huidige planner. Vier tot acht weken parallel draaien laat zien waar het model wint, waar de planner wint, en vooral waarom. Pas daarna beslist u over software, met bewijs uit de eigen operatie in plaats van een leveranciersdemo.

Belangrijk uitgangspunt in die pilot: AI adviseert, de planner beslist en tekent. Niet alleen omdat dat verstandig is, maar omdat het de planner van tegenstander tot mede-eigenaar van het systeem maakt.

Stap 3: het team, en de wettelijke kant die hier sinds 2025 bij hoort

Een voorspelmodel dat niemand begrijpt wordt genegeerd zodra het een keer raar adviseert. De planners en inkopers die ermee werken moeten snappen wat het model wel en niet kan, hoe ze afwijkingen herkennen en wanneer ze moeten ingrijpen. Dat is niet alleen verstandig verandermanagement; sinds februari 2025 verplicht artikel 4 van de EU AI-verordening organisaties die AI gebruiken om te zorgen voor aantoonbare AI-geletterdheid bij hun medewerkers, passend bij hun rol. Per 2 augustus 2026 krijgt het Nederlandse toezicht daarop vorm, met de Autoriteit Persoonsgegevens en de RDI in sleutelrollen.

Praktisch betekent dat: train de mensen die met het systeem werken, leg vast wie waarin is getraind, en neem het voorraadmodel op in uw AI-register en werkafspraken. Wie dat bij de pilot meteen meeneemt, is later geen reparatiewerk kwijt.

Wat u realistisch mag verwachten

Wees wantrouwig bij iedereen die vooraf een besparingspercentage belooft. Wat in de praktijk haalbaar is hangt af van uw assortimentsbreedte, vraagvolatiliteit en datakwaliteit. Realistisch na een goede pilot: minder nee-verkopen op de gekozen productgroep, een lagere gemiddelde voorraad bij gelijke leverbetrouwbaarheid, en planners die hun tijd verschuiven van overtikken naar uitzonderingen beoordelen. Dat laatste is vaak de grootste winst, en de minst gemeten.