Bij het ontvangen van goederen wordt een levering gecontroleerd tegen de pakbon en de bestelling, en wordt de ontvangst verwerkt in ERP of WMS. De vraag is of AI dat proces kan overnemen. Het antwoord is deels, en het deel dat overblijft is niet toevallig het deel waar iemand fysiek bij de goederen moet staan.
Het inboeken zelf is een gestructureerde taak: er is een bestelling, er is een pakbon, en het systeem verwacht een match tussen wat besteld is en wat er binnenkomt. Die vergelijking is precies het soort werk waar softwaresystemen goed in zijn. De as gestructureerdheid scoort dan ook hoog, en het herkennen van gegevens op een pakbon of factuur via beeld is een taak die AI vandaag al aankan. Volume speelt hier ook mee: een magazijn dat honderd regels per dag verwerkt, heeft meer te winnen bij automatische herkenning dan een locatie die twee leveringen per week krijgt.
Ook compliance werkt in het voordeel van automatisering: als een levering moet worden vastgelegd volgens een vast protocol, met tijdstempel, hoeveelheid en referentienummer, is dat iets waar een systeem consistenter in is dan een handmatige invoer aan het einde van een lange dienst. Wie de bestelling zelf al automatisch laat plaatsen, ziet dat de koppeling tussen inkooporders die automatisch bij leveranciers worden geplaatst en de ontvangst van diezelfde order een logische volgende stap is: het systeem weet al wat er hoort te komen, en kan de binnenkomende data daar direct tegen afzetten.
De drie assen die hier de doorslag geven zijn fysiek, foutkosten en gestructureerdheid, en de eerste twee remmen af wat de derde mogelijk maakt. Fysiek scoort laag omdat er iemand nodig is om dozen te openen, aantallen te tellen, beschadigingen te zien en te ruiken of iets bedorven is. Een pallet met tachtig dozen waarvan er drie een gescheurde verpakking hebben, wordt niet door een camera opgemerkt tenzij die camera daar specifiek op is ingericht en getraind, en zelfs dan blijft het oordeel over wat een acceptabele beschadiging is vaak mensenwerk.
Foutkosten scoren laag om een andere reden: een verkeerd ingeboekte ontvangst leidt tot een voorraad die niet klopt, wat weken later kan doorwerken in een verkeerde levertoezegging aan een klant of een productiestop. Die kosten zijn niet altijd meteen zichtbaar, wat het risico juist groter maakt in plaats van kleiner. Daarom blijft hier een oordeelsruimte van 3: een systeem kan een afwijking signaleren, maar of die afwijking acceptabel is, wat de leverancier ermee moet, en of de goederen alsnog worden aangenomen, blijft een beslissing met een reden erbij.
Een distributiecentrum ontvangt een lading elektronica. De pakbon vermeldt 200 stuks, de bestelling ook 200. Een systeem kan die twee documenten vergelijken en de ontvangst automatisch inboeken zodra de aantallen kloppen. Maar de doos die opengaat en waarin een kapot scherm zichtbaar is, vraagt om een fysieke controle en een besluit: aannemen, retourneren, of apart zetten voor beoordeling. Dat besluit valt onder toezicht dat goedkeurt of afkeurt met reden, niet onder volledige overname.
Bij een bedrijf dat losse onderdelen ontvangt in kleine hoeveelheden, met een hoog risico op beschadiging of bederf, blijft het fysieke aandeel groter en is er weinig te winnen bij automatisering van het inboeken alleen. Bij een bedrijf dat grote, uniforme partijen ontvangt van vaste leveranciers, met stabiele verpakkingen en weinig afwijkingen, ligt het anders: daar is het inboeken vaak al grotendeels systeemwerk, en verschuift de resterende taak naar steekproefcontrole in plaats van volledige inspectie. Het verschil zit niet in de sector, maar in hoe voorspelbaar de lading is en hoe hoog de kosten van een fout uitpakken.
Wat hier vandaag al werkt, is beeldherkenning: een foto of scan van de pakbon, gekoppeld aan het systeem, die automatisch een ontvangstregel aanmaakt. Wat daarvoor nodig is, is scanapparatuur op de vloer en een koppeling tussen dat scanmoment en het ERP of WMS. Zonder die koppeling blijft de invoer een handmatige stap, ook als de controle zelf al slimmer is geworden. De fysieke controle op schade en juistheid blijft in de meeste gevallen bij een mens liggen, net zoals dat kwaliteitscontrole op producten grotendeels mensenwerk blijft zolang de beoordeling om zintuiglijke waarneming vraagt.
De verschuiving die hier gaande is, zit niet in het vervangen van de magazijnmedewerker, maar in het verschuiven van diens tijd: minder tijd aan het intoetsen van aantallen, meer tijd aan het beoordelen van afwijkingen. Dat patroon is breder dan alleen goederenontvangst. Ook bij toegangsbeheer van terrein en pand zie je dat registratie steeds vaker automatisch verloopt, terwijl de beoordeling van uitzonderingen bij een mens blijft. Raakt deze verschuiving aan de personeelsbezetting op de vloer, dan gelden daarvoor eigen wettelijke vereisten; dat is geen conclusie die uit een takenanalyse volgt.
Of het ontvangstproces in uw eigen bedrijf voor het grootste deel systeemwerk is of voor het grootste deel fysieke controle, hangt af van het type goederen, de leveranciers en de foutgevoeligheid van uw voorraad. De gratis quickscan van twaalf vragen, zonder account, geeft een indicatie welk deel van de uren in dit soort werkprofielen vandaag door AI over te nemen is. De volledige werkscan, die het werk van een heel bedrijf per taak in kaart brengt, is nog in aanbouw.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.