Hoe een logistiek dienstverlener 3× sneller plant terwijl de dag continu verandert

3× sneller plannen
bij een verstoring
+5% on-time delivery bij alle ritten
100% van de ritten continu
opnieuw beoordeeld
← Alle klantcases

De uitdaging

Een logistieke dienstverlener plant dagelijks honderden gekoelde ritten. Die planning lag 's ochtends vast, terwijl de praktijk de hele dag door veranderde.

Files, laadtijden die uitlopen, spoedorders en een voertuig dat uitvalt: elke verstoring betekende dat planners met de hand ritten gingen verschuiven. Eén grote wijziging kostte al snel een uur en in die uren reden chauffeurs door op een planning die staat te veranderen.

Dat is inefficiënt op twee manieren. Er ontstonden lege kilometers doordat een voertuig niet meer op de dichtstbijzijnde order werd gezet en er werden levervensters gemist bij klanten die met een strak tijdslot werken. Voor gekoelde lading komt daar temperatuurbewaking bij: een rit doorschuiven is niet altijd toegestaan.

De ervaring om dat goed op te vangen zat bovendien bij een handvol senior planners. Waren zij er niet, dan viel de operatie terug op het schema van 's ochtends.

File op de route

De planner ging met de hand schuiven. Eén grote wijziging kostte al snel een paar uur, terwijl de dag ondertussen doorliep.

Spoedorder halverwege de dag

De order moest er nog tussen, terwijl de rest van de dag al vastlag en er weinig ruimte over was om te schuiven.

Voertuig uit de running

Ritten verhuisden naar het eerstvolgende beschikbare voertuig, niet naar het voertuig dat er het dichtst bij reed.

De oplossing

We hebben het bestaande TMS niet vervangen, maar er een AI planning-agent aan gekoppeld die blijft doorrekenen zolang de dag loopt.

  • Een koppeling met het TMS zodat orders, ritten en voertuigen uit het bestaande systeem blijven komen
  • Live data uit de operatie: verkeersinformatie, telematica, rij- en rusttijden en de actuele status van elke rit
  • Een optimalisatiemodel dat bij een verstoring bepaalt welk voertuig de rit het voordeligst overneemt
  • Alle harde restricties meegewogen: laadcapaciteit, temperatuureisen, tijdvensters en de rij- en rusttijdenwet
  • Een voorstel dat de planner accepteert of aanpast; de AI agent verstuurt nooit zelfstandig een wijziging naar de chauffeur

Hoe werkt deze agentic workflow in de praktijk?

01

Er verandert iets

Een file, een laadtijd die uitloopt of een spoedorder komt binnen via het TMS, de telematica of de verkeersdata.

02

Het model rekent door

Alle openstaande ritten worden opnieuw beoordeeld binnen de restricties van lading, temperatuur, tijdvenster en rijtijd.

03

Het voorstel komt terug

De planner ziet welke rit verschuift, naar welk voertuig en wat dat kost aan kilometers en levertijd.

04

De planner beslist

Accepteren of aanpassen. Pas daarna gaat de wijziging naar de chauffeur; de agent verstuurt zelf niets.

De toepassing is toegevoegd aan een proces dat draait op de systemen die er al stonden:

SAP Microsoft Microsoft Copilot Microsoft Azure
Doorlopen fases van ons framework
  1. 01AI-strategie
  2. 02Proces- en kansenanalyse
  3. 03Use-caseportfolio
  4. 04AI-Lab
  5. 05AI-productie en procesherontwerp
  6. 06AI-verandermanagement
Bekijk het volledige framework →

Het resultaat

3×

Sneller een sluitende planning na een verstoring. De AI agent vangt de dagelijkse wijzigingen op, waardoor planners alleen nog op uitzonderingen sturen.

Voorheen
  • De planning lag 's ochtends vast en werd de rest van de dag met de hand bijgewerkt
  • Eén grote verstoring kostte een planner al snel een uur
  • Een vrijgekomen rit ging naar het eerstvolgende beschikbare voertuig
  • De kennis om goed te herplannen zat bij een handvol senior planners
Nu
  • De planning loopt de hele dag door en wordt bij elke wijziging opnieuw beoordeeld
  • Een verstoring is binnen enkele minuten doorgerekend tot een voorstel
  • Een vrijgekomen rit gaat naar het dichtstbijzijnde voertuig dat de lading mag vervoeren
  • Die kennis zit in de regels van het model en is niet meer aan één persoon gebonden

On-time delivery steeg met 5 procent. Planners besteden hun tijd nu aan klantcontact en uitzonderingen in plaats van aan herplannen.

Wil je hier meer over weten?

Veelgestelde vragen over AI in de rittenplanning

Moeten we ons TMS vervangen?
Nee. De planningsagent werkt naast het bestaande TMS en gebruikt de orders en ritten die daar al in staan. Het TMS blijft de administratieve bron.
Beslist de AI zelfstandig over ritten?
Nee. De agent doet een voorstel en laat zien waarom: welke rit verschuift, naar welk voertuig en wat dat kost. De planner accepteert of past aan.
Hoe gaat het model om met temperatuureisen en rijtijden?
Die zijn als harde restricties ingebouwd. Een voorstel dat een temperatuurgrens of de rij- en rusttijdenwet overschrijdt, wordt niet gedaan.
Werkt dit ook als we meerdere vestigingen of landen plannen?
Ja, mits de restricties per vestiging bekend zijn. De agent rekent op de ritten en voertuigen die hij mag zien; de afbakening bepaalt of dat één depot is of het hele netwerk. Hoe groter dat gebied, hoe meer ruimte er is om een rit bij een ander voertuig onder te brengen.
En jouw organisatie?

Ontdekken waar jouw organisatie op dit moment staat?

Iedere organisatie werkt met AI, maar iedereen doet het anders.

AI Maturity Assessment

Bepaal in dertig vragen waar je organisatie staat

In deze case zie je welke fases van het Disruptiv framework een andere organisatie doorliep. Het assessment doet dat voor die van jou: je ziet niet alleen een score, maar ook welke fase je voortgang op dit moment begrenst en wat daar als eerste te doen staat.

  • Een score per fase, met duiding van wat die score betekent
  • Je plek op ons framework en de fase die je voortgang begrenst
  • De vervolgstappen die daar het meeste effect hebben
Start de assessment
Schermopname van de uitslag met het spinnenweb en de score per fase
Onze Purpose

Reshaping Organisations
through Disruption,
together

Neem contact op