Waarom AI in logistiek niet begint bij minder mensen

Het recente artikel van MT/Sprout over bedrijven die na AI-ontslagen weer mensen terughalen, raakt voor mij aan een belangrijk punt. Niet omdat het zou bewijzen dat AI niet werkt. Integendeel. AI gaat een grote rol spelen in hoe organisaties hun werk organiseren. Maar het laat wel zien wat er gebeurt wanneer AI te plat wordt ingezet: als vervanging van mensen, zonder voldoende begrip van wat die mensen werkelijk doen.

Voor ons bij DocHeart is dat precies de reden waarom wij bewust een andere productstrategie kiezen. Wij geloven niet dat de eerste vraag moet zijn hoeveel mensen je met AI kunt vervangen. De eerste vraag is welk werk je beter kunt organiseren, welke kennis daarin verborgen zit en waar controle nodig blijft. Vooral in logistiek is dat verschil essentieel.

Werk is meer dan een taak

Veel operationeel werk lijkt van buitenaf eenvoudiger dan het is. Een medewerker leest een document, haalt gegevens eruit, voert iets in een systeem in of controleert een dossier. Als je het zo opschrijft, lijkt het een logische kandidaat voor automatisering. Maar daarmee beschrijf je vooral de zichtbare handeling, niet het werkelijke oordeel erachter.

Een ervaren medewerker herkent de klant, begrijpt de context, weet welke documenten bij elkaar horen en ziet wanneer informatie net niet klopt. Hij of zij weet welke uitzonderingen vaker voorkomen, welke klantafspraken nergens formeel zijn vastgelegd en welke signalen belangrijk zijn voordat iets wordt vrijgegeven. Die kennis is vaak opgebouwd door jaren ervaring, gesprekken, fouten, herstelwerk en praktische afstemming met klanten en collega's.

Dat is niet eenvoudig te vervangen door een tool. Sterker nog, als je die mensen te snel uit het proces haalt, haal je vaak precies de kennis weg die nodig is om AI goed te laten functioneren.

Waarom deze les in logistiek extra belangrijk is

Logistiek is een omgeving waarin snelheid, kwaliteit en controle voortdurend samen moeten komen. Klanten verwachten snelle verwerking. Compliance vraagt nauwkeurigheid. Systemen vragen gestructureerde data. De operatie vraagt overzicht. En ondertussen komen documenten, instructies en uitzonderingen vaak op verschillende momenten en via verschillende kanalen binnen.

Daarom werkt een eenvoudige redenering als 'AI leest documenten, dus mensen zijn minder nodig' niet. De vraag is niet alleen of AI een document kan lezen. De vraag is of AI voldoende context heeft om te helpen bepalen wat er met dat document moet gebeuren. Is het dossier compleet? Spreken documenten elkaar tegen? Is de waarde logisch ten opzichte van historie of masterdata? Moet een medewerker dit eerst beoordelen?

Het gemiddelde dossier is meestal niet het probleem. De kwaliteit van de operatie wordt bepaald door wat er gebeurt met afwijkingen. Precies daar zijn ervaring, oordeelsvermogen en controle belangrijk.

Onze productstrategie is gebouwd rond samenwerking

Daarom bouwen wij DocHeart niet als een systeem dat de mens simpelweg uit het proces probeert te halen. Wij bouwen een workbench waarin AI het voorbereidende werk doet en medewerkers hun aandacht kunnen richten op de plekken waar die aandacht waarde heeft. AI kan dossiers opbouwen, documenten herkennen, gegevens voorbereiden, ontbrekende informatie signaleren en risico's naar voren halen. De medewerker beoordeelt, corrigeert en geeft vrij wanneer dat nodig is.

Dat klinkt misschien minder spectaculair dan volledige automatisering. Maar in complexe processen is het vaak de volwassenere route. De winst zit niet alleen in het schrappen van handelingen. De winst zit in minder zoeken, minder herstelwerk, minder verborgen kennis en meer grip op uitzonderingen. Dat zijn de dingen die dagelijks capaciteit kosten, maar vaak nauwelijks zichtbaar zijn in een dashboard.

AI vervangt dan niet het oordeel. AI organiseert het werk rondom dat oordeel beter.

Menselijke kennis moet expliciet worden

Een belangrijke les uit de huidige AI-discussie is dat institutionele kennis niet vanzelf in een model zit. In logistiek geldt dat misschien nog sterker dan in veel andere sectoren. Veel kennis is impliciet. Een planner weet wanneer een route gevoelig is. Een declarant weet welke documenten vaak discussie geven. Een customer service medewerker weet welke klant instructies altijd net anders bedoelt dan ze opschrijft.

De kans van AI is niet om die kennis te negeren, maar om haar stap voor stap explicieter te maken. Door correcties vast te leggen. Door terugkerende uitzonderingen te herkennen. Door controles te configureren. Door klantprofielen, reviewflows en playbooks op te bouwen. Zo wordt de operatie minder afhankelijk van losse ervaring, zonder te doen alsof ervaring niet meer nodig is.

De echte les

De bedrijven die nu mensen terughalen na te optimistische AI-keuzes laten vooral zien dat er een verschil is tussen taakautomatisering en werk begrijpen. Je kunt een taak technisch automatiseren en toch het proces slechter maken als je de context, uitzonderingen en menselijke beoordeling eruit haalt.

Voor logistieke organisaties is dat misschien de belangrijkste les. Goede AI begint niet met het verminderen van mensen, maar met het beter organiseren van werk. De organisaties die daarin slagen, zullen niet alleen sneller werken. Ze zullen ook beter kunnen uitleggen wat er gebeurt, waar risico zit en waarom een proces betrouwbaar is.

Dat is voor ons de richting. Niet AI als vervanging van de logistieke professional, maar AI als gecontroleerde werklaag die ervaring, context en technologie bij elkaar brengt.