ftetoai Op de wachtlijst

Kennisbank

AI en het opstellen van vrachtdocumenten: wat er nu al kan

De vraag concreet

Het opstellen van vrachtdocumenten is het aanmaken van CMR's, pakbonnen en andere verzenddocumenten die nodig zijn om een zending op transport te zetten. Bij een logistiek medewerker of expediteur gebeurt dit doorgaans in een TMS of ERP-systeem, aan de hand van ordergegevens die al vastliggen. De vraag is niet of dit ooit geautomatiseerd kan worden, maar wat er vandaag al staat.

Waarom deze taak zich goed leent

Drie assen bepalen hier het beeld: gestructureerdheid, volume en compliance.

De gestructureerdheid scoort hoog. Een CMR volgt een vast format, een pakbon volgt een vast format, en de gegevens die erin moeten -- afzender, geadresseerde, aantal colli, gewicht, referentienummer -- staan al in het ordersysteem. Er is geen tekst nodig, alleen overname en plaatsing van gegevens. Dat is precies het werk waar regelgebaseerde automatisering (RPA) voor gemaakt is: gegevens uit systeem A halen en in de juiste velden van systeem B of een documentsjabloon zetten.

Het volume versterkt dat. Bij elke zending moet dit opnieuw, wat betekent dat een klein tijdvoordeel per document zich vermenigvuldigt over honderden of duizenden zendingen per maand. Waar volume hoog is en het werk zich herhaalt, is de kans dat automatisering zich terugbetaalt het grootst.

Compliance scoort met een 2 lager, en dat werkt hier juist mee: een CMR is een wettelijk document met vaste verplichte velden. Er is weinig interpretatieruimte over wat erin moet staan, wat het makkelijker maakt om de juistheid van de output te controleren dan bij documenten waar zelf beoordeeld moet worden wat compliant is.

Waarom dit geen volledige overname is

De oordeelsruimte staat op 4 en dat trekt het beeld direct genuanceerder. Niet elke zending is standaard. Een gevaarlijke stof, een uitzonderlijke douanebestemming, een klant met een afwijkende leveringsvoorwaarde: dat vraagt een controle die verder gaat dan gegevens overnemen. Wie hier automatisering inricht zonder die uitzonderingen te herkennen, loopt het risico dat foutieve documenten net zo snel de deur uit gaan als correcte.

De foutkosten op 3 horen daarbij. Een verkeerd CMR kan tot een geweigerde zending leiden, een verkeerde pakbon tot een verkeerde levering bij de klant. Dat is niet catastrofaal, maar ook niet verwaarloosbaar. Vandaar dat de meest werkbare inrichting vandaag niet volledige overname is, maar automatische generatie met een menselijke blik op afwijkingen: het systeem maakt het document op, een medewerker keurt goed of af bij wat buiten het standaardpatroon valt.

Creativiteit scoort een 1, wat logisch is: er is niets te formuleren of te bedenken, alleen te structureren. Dat maakt de taak juist geschikt voor automatisering, maar het betekent ook dat er weinig ruimte is om via AI-taalmodellen slimmer te werken. Dit is regelwerk, geen schrijfwerk.

Wat AI hier vandaag aankan

De technologie die hier past is RPA: software die volgens vaste regels gegevens overneemt en documenten samenstelt. Geen generatieve AI die vrije tekst produceert, maar een script dat ordergegevens uit het TMS of ERP haalt en in het juiste documentformat plaatst. Dat werkt zolang twee voorwaarden vervuld zijn: de documentformats zijn gestandaardiseerd, en er is een koppeling met de ordergegevens. Zonder die koppeling blijft iemand handmatig overtypen, en zonder standaardformat moet er per uitzondering opnieuw nagedacht worden over de indeling.

Waar dit anders ligt

Bij een bedrijf dat vooral standaardzendingen verstuurt binnen de EU, met een beperkt aantal klanten en vaste leveringsvoorwaarden, is de overname groot: bijna alle documenten volgen hetzelfde patroon. Bij een expediteur die internationaal werkt met wisselende douane-eisen, gevaarlijke stoffen en klant-specifieke afspraken, ligt het aandeel automatiseerbaar werk lager, en blijft een groter deel bij de medewerker liggen die de uitzonderingen herkent.

Deze afhankelijkheid van standaardisatie is dezelfde logica die geldt bij het verwerken van inkoopfacturen en bij het registreren van een ontvangstbon in het systeem: hoe gestructureerder de bron, hoe groter het deel dat zonder mensenhand kan. Verderop in het logistieke proces geldt dat weer anders, zoals bij het toewijzen van magazijnlocaties of bij het picken en verpakken van goederen, waar fysieke handelingen een andere grens stellen.

Wat dit niet is

Dit is geen uitspraak over wie deze taak vandaag uitvoert of zou moeten blijven uitvoeren. Wat een organisatie met de vrijgekomen uren doet, valt buiten deze analyse; besluiten die personeel raken, kennen hun eigen wettelijke vereisten en horen niet hier beoordeeld te worden.

Hoe wij tot dit oordeel komen

De acht assen die hier gebruikt zijn -- van gestructureerdheid tot compliance -- vormen de vaste basis van iedere taakbeoordeling. Hoe die beoordeling precies werkt staat toegelicht op een eigen pagina, voor wie wil zien waar de scores vandaan komen. Voor wie breder wil kijken dan deze ene taak: welk werk in de logistiek AI kan overnemen geeft daar een overzicht van.

Wat u nu kunt doen

Voor vrachtdocumenten geldt: het gestructureerde, hoogvolume deel leent zich voor automatische opmaak, de uitzonderingen vragen nog een controlerend oog. Hoeveel van uw documentstroom in het eerste deel valt en hoeveel in het tweede, verschilt per bedrijf en hangt af van hoe uniform uw zendingen zijn.

De gratis quickscan geeft daar een eerste indicatie van: twaalf vragen, zonder account, met een inschatting van het deel van de uren in uw profiel dat vandaag door AI over te nemen is. De volledige werkscan, die het werk van een heel bedrijf in taken uiteenlegt en doorrekent naar fte-capaciteit, is nog in aanbouw.

KIPPde assistent van de werkscan

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.