AI Tips

AI voor groothandels: 3 praktische toepassingen voor klantprijzen en voorraad

Een groothandel werkt met klantspecifieke kortingen, voorraadstatussen en minimale orderhoeveelheden die nergens los op papier staan, maar in het ERP. AI mag die nooit verzinnen. Met een voorbeeld, een rekensom voor wanneer je een prompt of een workflow bouwt, en de grootste valkuil.

Dennis ClaassenDennis Claassen15 min lezen
Binnendienstmedewerker bij een groothandel die een klantprijs controleert op twee beeldschermen naast het magazijn

Meer leren over AI?

AI inzetten voor je team? In onze trainingen leer je het in 4 uur.

Dennis Claassen

Dennis Claassen

AI-trainer · 35+ teams getraind

Bekijk trainingen

Key takeaways

Een binnendienstmedewerker bij een groothandel krijgt elke dag dezelfde drie vragen: wat kost dit, hebben jullie dat op voorraad, en kan het ook in een kleinere hoeveelheid. Het antwoord staat nooit los op papier, het zit in een prijsstaffel per klant en een voorraadexport in het ERP-systeem. Die sector draait op volle toeren: de omzet lag in augustus 2026 14,7 procent hoger dan een jaar eerder, meldt het CBS. AI voor groothandels werkt daarom anders dan bij een gewone klantmail: de AI moet een cijfer uit jouw brondata overnemen, niet voorspellen wat logisch klinkt. Drie toepassingen zijn vandaag al rijp. Wil je met je team bepalen welke het meest oplevert, dan is een AI-werksessie een logische eerste stap.

Wat AI voor groothandels vandaag al goed doet

Een groothandel heeft één kenmerk dat AI-gebruik anders maakt: bijna elk antwoord aan een klant bevat een getal dat al vastligt, een nettoprijs, een staffelkorting, een voorraadaantal of een minimale afname per verpakkingseenheid (MOQ, minimum order quantity). AI is goed in herschrijven van die cijfers, en slecht in het uitvinden ervan: een taalmodel voorspelt het meest waarschijnlijke vervolg op een zin, niet het juiste cijfer uit jouw systeem. Gebruik AI dus voor tekst (een klantmail, een offertecheck, een MOQ-antwoord), nooit om zelf een korting, prijs of beschikbaarheid te laten schatten.

Toepassing 1: een klantmail over prijs en voorraadbeheer beantwoorden

De taak: een klant mailt over de prijs en levertijd van een artikel en verwijst naar "de korting die we normaal krijgen". Jij zoekt het klantnummer op, filtert de prijsstaffel en checkt de voorraad, soms met een telefoontje naar het magazijn erbij.

Hoe AI helpt: je geeft AI de regel uit je prijsexport mee (klantnummer, artikel, staffel, voorraadaantal, levertijd) en laat het daar een antwoord van maken. Dat werkt omdat AI alleen herformuleert, niet rekent of opzoekt. Het werkt niet als je AI vraagt zelf te bepalen welke korting "gebruikelijk" is, want die staat vast in je staffel, niet in een patroon dat AI kan raden. Wat je mag verwachten, uit onze trainingen: zelf opzoeken in het ERP kost 2 tot 4 minuten per vraag, met een AI-concept en een controle tegen de export 1 tot 2 minuten. Niet doen zonder die export erbij: dan typ je sneller zelf.

Een voorbeeld: de mail, de prompt en wat er moet worden rechtgezet

Het volgende voorbeeld is geconstrueerd. Een echte klantmail met bedrijfsnaam, artikel en prijs is herleidbaar tot één klant en één order, en die publiceren we hier niet. Een inkoper van installatiebedrijf Van Dalen mailt: "Wat is onze prijs voor 60 stuks kabelgoot KG6060 en hebben jullie dat op voorraad? We hebben dit nodig voor een project deze week." De regel uit de prijsexport: klant VD-0441, artikel KG6060, staffel 1 (1 tot 49 stuks) EUR 14,80 per stuk netto, staffel 2 (50 stuks of meer) EUR 13,35 per stuk netto, voorraad 310 stuks, standaard levertijd 2 werkdagen.

#CONTEXT: Je bent de assistent van een binnendienstmedewerker bij een
technische groothandel. Je krijgt een klantvraag en de bijbehorende
regel uit de prijs- en voorraadexport.

#DOEL: Een conceptantwoord dat in dertig seconden te controleren is.

#WERKWIJZE:
1. Bepaal welke staffel geldt op basis van de bestelde hoeveelheid in
   de klantvraag, niet op basis van wat gebruikelijk lijkt.
2. Neem de prijs, het voorraadaantal en de levertijd letterlijk over
   uit de meegegeven exportregel.
3. Schrijf daarna het antwoord.

#BELANGRIJKE REGELS:
- Noem geen prijs, korting, voorraadaantal of levertijd die niet
  letterlijk in de exportregel staat.
- Komt de bestelde hoeveelheid in de buurt van een staffelgrens, meld
  dat dan expliciet in je antwoord.

#BEPERKINGEN: Zet het concept klaar. Verstuur niets.

Een geconstrueerd maar geloofwaardig fragment van wat AI teruggeeft:

Beste heer Hendriks,

De KG6060 hebben we op voorraad, dus die kunnen we morgen al bij u
laten leveren. De prijs is EUR 14,80 per stuk, dat is de prijs die u
gewend bent.

Laat weten of we mogen inplannen.

Twee dingen kloppen niet. De prijs is fout: bij 60 stuks geldt staffel 2 (EUR 13,35), niet staffel 1. Het model pakte de prijs die het vaakst in eerdere mails met deze klant voorkwam, niet de prijs die bij déze hoeveelheid hoort. En "morgen" staat nergens in de exportregel: die noemt 2 werkdagen, geen specifieke dag. Wat je repareert: het bedrag naar EUR 13,35 per stuk, en de levertijd naar "binnen 2 werkdagen" in plaats van een losse datum. Dat kost twintig seconden als je de exportregel naast het concept legt. Twee regels gaan hierna de prompt in: "controleer de staffelgrens bij elke hoeveelheid" en "noem nooit een specifieke dag als de brondata alleen een aantal werkdagen geeft".

Toepassing 2: een offerteregel checken tegen je prijslijst en klantstaffel

De taak: een collega stelt een offerte op en typt de korting met de hand over uit het geheugen of uit een vorige offerte. Bij drukte sluipt er een verkeerd percentage in, vaak voor een vergelijkbaar maar net ander artikel.

Hoe AI helpt: je geeft AI de offertetekst én de klantstaffel-export en laat het afwijkingen markeren, niet zelf corrigeren. Zelf corrigeren betekent dat AI een eigen aanname maakt over wat goed is, precies wat je wilt voorkomen. Dat werkt als herkenningstaak, twee bronnen naast elkaar leggen. Het werkt niet als productcodes in de offerte anders geschreven zijn dan in de export (met of zonder streepje): dan vindt AI de regel niet en meldt ten onrechte "geen afwijkingen". Wat je mag verwachten, uit onze trainingen: handmatig nalopen kost 3 tot 5 minuten per regel, met AI en een steekproef 1 tot 2 minuten, maar alleen als de productcodes in beide bronnen dezelfde schrijfwijze gebruiken.

Een voorbeeld: de offerteregel, de staffel en de gemiste afwijking

Ook dit voorbeeld is geconstrueerd: een echte offerte met klantnaam en korting is herleidbaar tot één klant en één order, en die publiceren we hier niet. Een offerteconcept voor klant Technisch Installatiebureau Roos bevat de regel "200m kabel XLPE 4x16, korting 14%". De klantstaffel-export zegt: deze klant krijgt op de categorie installatiemateriaal 11 procent korting, met productcode "XLPE-4X16" (met streepje). Vraag je AI om de offerte te controleren tegen de staffel zonder eerst de schrijfwijze van productcodes gelijk te trekken, dan kan het antwoord zijn: "Gecontroleerd: geen afwijkingen gevonden." Dat is onjuist. AI vond de regel "XLPE4X16" (zonder streepje) in de offerte niet terug onder "XLPE-4X16" in de export, behandelde hem daarom als een nieuw artikel zonder staffelafspraak, en rapporteerde dus niets. De korting van 14 procent tegenover de afgesproken 11 procent blijft onopgemerkt staan: op een orderbedrag van een paar duizend euro is dat een paar honderd euro misgelopen marge. Wat je repareert: eerst productcodes normaliseren (streepjes en spaties verwijderen bij het vergelijken), en een vaste regel dat AI nooit "geen afwijkingen" mag melden zonder elke offerteregel een match te geven. Vindt AI geen match, dan meldt het dat expliciet in plaats van de regel over te slaan.

Toepassing 3: een vraag over een afwijkende minimale orderhoeveelheid beantwoorden

De taak: een klant vraagt of een kleinere hoeveelheid kan dan de normale verpakkingseenheid, bijvoorbeeld losse stuks in plaats van een doos, of een paar dozen in plaats van een hele pallet.

Hoe AI helpt: je laat AI de vraag beantwoorden op basis van het echte MOQ-veld van dát specifieke artikel, niet op basis van wat bij een vergelijkbaar artikel wel kan. Dat werkt omdat MOQ per artikel verschilt, vaak om een reden die niets met de klant te doen heeft: een traag verkopend artikel heeft een hogere minimale afname omdat de leverancier zelf een hoge inkoopminimum stelt. Het werkt niet als AI antwoordt op basis van "meestal kan dit wel". Wat je mag verwachten, uit onze trainingen: handmatig uitzoeken kost 3 tot 6 minuten, met AI dat alleen het MOQ-veld samenvat 1 minuut, maar de controle of het de juiste SKU pakte doe je altijd zelf.

Een voorbeeld: de MOQ-vraag en de foute generalisatie

Ook dit voorbeeld is geconstrueerd: een echte vraag van een klant over een specifiek artikel is herleidbaar tot één klant en één leverancier, en die publiceren we hier niet. Een horecagroothandel krijgt de vraag: "Kunnen we ook 3 dozen blikgroente bestellen in plaats van de hele pallet?" In dezelfde categorie staat een ander artikel waarvoor losse dozen wel mogelijk zijn. Vraag je AI zonder het specifieke MOQ-veld erbij te geven of dit kan, dan kan het antwoord zijn: "Ja, dat is meestal geen probleem bij groenteconserven." Dat is fout voor dit specifieke artikel: de MOQ staat op "hele pallet (72 dozen)" omdat de leverancier van dit langzaam draaiende artikel zelf een pallet als inkoopminimum stelt. Het model generaliseerde van het snel draaiende artikel in dezelfde categorie naar dit artikel, waar die regel niet voor geldt. Wat je repareert: AI altijd het MOQ-veld van de exacte SKU laten citeren in het antwoord, nooit een MOQ van een ander artikel uit dezelfde categorie. Kan het niet aan de vraag voldoen, laat AI dan ook een alternatief artikel uit dezelfde categorie noemen waarvoor een kleinere afname wél mogelijk is, zodat de klant iets heeft om mee verder te gaan.

AI voor groothandels: een beslisregel voor prompt, workflow of agent

Reken zelf twee getallen in: je aantal vragen per dag, keer je opzoektijd per vraag (2 tot 4 minuten is gangbaar). Dat is je dagelijkse tijdverlies. Een workflow kost 3 tot 5 uur bouwtijd (180 tot 300 minuten); verdeeld over twee werkweken (10 dagen) moet je tijdverlies dus minstens 18 tot 30 minuten per dag zijn om dat terug te verdienen.

Je uitkomstDan bouw je ditWaarom
Vragen per dag keer minuten per vraag ligt onder de 18 tot 30 minutenEen prompt, met het Excel-fragment of de exportregel handmatig geplaktDe bouwtijd van een workflow verdien je bij dit volume niet binnen twee weken terug
Die uitkomst ligt boven de 18 tot 30 minuten, en staffel en voorraad zijn als CSV te exporteren uit het ERPEen workflow: vaste CSV-export plus één AI-stap, in Make of n8nVanaf dit punt verdient de bouwtijd zich binnen twee weken terug
Die uitkomst ligt boven de 18 tot 30 minuten, maar de staffel staat alleen in een los Excel-bestandEen prompt plus een vast contextblok per klant, klaargezet in plaats van elke keer opgezochtZonder exportfunctie kost het bouwen van een workflow meer tijd dan het oplevert; het echte tijdverlies zit in het zoeken naar het tabblad
De vraag gaat over een nieuwe klant zonder vastgelegde prijsafspraak, of over een prijswijziging zelfAltijd een mens (accountmanager of inkoop)Zonder vastgelegde brondata heeft AI niets om op te baseren, dus gokt het per definitie

Waar AI voor groothandels misgaat: een verzonnen korting of voorraadstatus

In alle drie toepassingen is het patroon hetzelfde: AI vult een lege plek in met het meest waarschijnlijke antwoord, niet met het juiste. Anthropics eigen documentatie zegt het zo: "Even the most advanced language models, such as Claude, can sometimes generate text that is factually incorrect or inconsistent with the given context", zie Reduce hallucinations. Bij een klantmail is dat een prijs uit de verkeerde staffel, bij een offertecheck een gemiste afwijking door een andere spelling van de SKU, bij een MOQ-vraag een regel die voor het verkeerde artikel wordt toegepast. De tegenmaatregel is steeds dezelfde: geef AI de echte exportregel of het echte veld mee, en verbied het model om te generaliseren van het ene artikel of de ene klant naar het andere.

Wat het oplevert, en hoe je dat na zeven dagen meet

Wat na een week beter wordt: welke productcategorieën vaak SKU-mismatches geven en welke staffelgrenzen je team vergeet te checken, dat worden vaste promptregels. Wat niet beter wordt: nieuwe prijsafspraken en fysieke voorraad tellen.

Meet het met drie punten, zonder extra tooling:

Privacy, prijzen en de Wet OHP: wat mag een groothandel wel en niet

Een naam met een e-mailadres of klantnummer is een persoonsgegeven, meldt de European Data Protection Board bij artikel 4 AVG. Een inkoopmail met een naam en klantnummer valt daaronder. Zet die niet in een gratis consumentenversie van een chatbot, maar in een zakelijk account met een verwerkersovereenkomst waarin modeltraining op je data is uitgesloten.

Mag je verschillende klanten verschillende prijzen rekenen? Ja. De Autoriteit Consument en Markt is daar duidelijk over: je bepaalt je eigen prijzen, je mag alleen geen afspraken over vaste of minimumprijzen maken met afnemers. De grens ligt bij misbruik van een economische machtspositie (artikel 24 Mededingingswet): onredelijk hoge prijzen of een klant zonder goede reden weigeren. Voor een gewone groothandel is dat zelden een praktisch risico.

Werk je als food- of landbouwgroothandel met kleinere telers of producenten als leverancier, dan geldt een extra kader: de Wet oneerlijke handelspraktijken landbouw- en voedselvoorzieningsketen verbiedt een eenzijdige wijziging van prijs, betalingsvoorwaarden of volume, en late betaling of annulering van bederfelijke producten binnen dertig dagen, staat in artikel 2. De ACM handhaaft dit: kaasproducent Royal Lactalis Leerdammer moest zijn systeem voor de melkprijs in overleg met melkveehouders vaststellen, meldt de ACM. Laat AI daarom nooit zelf een betaaltermijn of prijs wijzigen of een order annuleren richting een kleinere leverancier.

Info

Stand van zaken op 11 november 2026. Het CBS-cijfer van 14,7 procent is voorlopig en kan worden bijgesteld. De omzetdrempels in de Wet OHP volgen de EU-definitie van kleine en middelgrote ondernemingen; check bij twijfel de actuele grens op wetten.overheid.nl. Welke ERP-software al een eigen AI-exportfunctie heeft, verandert snel: check dit in je eigen pakket.

Wat AI hier niet goed kan

AI kan geen prijsafspraak goedkeuren, geen kredietwaardigheid beoordelen en geen fysieke voorraad tellen: het herhaalt wat het systeem zegt, niet wat er echt op de plank staat. Het herkent ook geen leveringsprobleem bij je leverancier, tenzij dat al in je systeem staat.

Doe dit deze week

  1. Exporteer de prijsstaffel van je drukste klant

    Eén export: klantnummer, artikel, staffelgrenzen, voorraad, levertijd. Dat is de brondata voor de prompt hieronder.

  2. Draai de prompt uit toepassing 1 op drie echte vragen

    Leg elk concept naast de exportregel en streep aan welk cijfer afwijkt.

  3. Leg de grens schriftelijk vast

    Eén A4: welke cijfers AI altijd overneemt, en welke vraag altijd naar een mens gaat.

Het recept dat vandaag werkt: geef AI bij elke prijs- of voorraadvraag de exportregel van dat specifieke artikel en die klant mee, nooit een samenvatting uit het geheugen. Laat het nooit zelf een korting, levertijd of MOQ schatten, alleen overnemen en herformuleren. Wil je dit met je team structureel opzetten, inclusief de koppeling met je ERP? In een AI-werksessie bouwt je team dat in één dagdeel. Twijfel je waar te beginnen, bekijk de trainingen of lees offerte maken met AI en een AI-agent voor je inbox.

AI-training

Wil je AI leren inzetten?

In onze praktische trainingen leer je hoe je ChatGPT, Claude en andere AI-tools effectief inzet voor jouw werk.

Bekijk trainingen

Bronnen

Veelgestelde vragen

  • Hoe gebruik je AI voor groothandels bij voorraadbeheer?

    AI vervangt je voorraadbeheer niet, maar herschrijft een voorraadexport tot een leesbaar antwoord aan een klant. Geef AI het echte voorraadaantal uit je ERP mee bij elke vraag, en laat het nooit zelf een aantal schatten. Voorraadbeheer zelf (bijbestellen, tellen, reserveren) blijft het werk van je ERP-systeem en je magazijn.

  • Kan AI helpen bij het maken van een prijslijst?

    AI kan een prijslijst maken sneller leesbaar opstellen zodra je de ruwe prijzen en staffels al in een export hebt staan, bijvoorbeeld door een lijst om te zetten naar een klantvriendelijke offertetekst. Het mag nooit zelf een prijs of korting invullen die niet in je exportbestand staat. De staffel zelf bepaal je altijd zelf of met je inkoopafdeling.

  • Mag een groothandel verschillende prijzen rekenen aan verschillende klanten?

    Ja. Een groothandel bepaalt zijn eigen prijzen en mag verschillende klanten verschillende nettoprijzen of kortingen geven, zolang er geen afspraak over vaste of minimumprijzen met afnemers wordt gemaakt. De grens ligt bij een economische machtspositie: een dominant bedrijf mag die niet misbruiken, bijvoorbeeld door onredelijk hoge prijzen te vragen of een klant zonder goede reden te weigeren.

  • Wat is een minimale orderhoeveelheid (MOQ) en hoe checkt AI dat?

    Een minimale orderhoeveelheid (MOQ) is het kleinste aantal of de kleinste verpakkingseenheid die je van een artikel mag bestellen, vaak bepaald door de inkoopminimum van je eigen leverancier. MOQ verschilt per artikel, ook binnen dezelfde productcategorie. Laat AI daarom altijd het MOQ-veld van het exacte artikel citeren, nooit een MOQ van een vergelijkbaar artikel overnemen.

  • Welke regels gelden voor een foodgroothandel die AI gebruikt richting kleinere leveranciers?

    Koopt een foodgroothandel in bij kleinere telers of producenten, dan geldt de Wet oneerlijke handelspraktijken landbouw- en voedselvoorzieningsketen. Die verbiedt een eenzijdige wijziging van prijs, betalingsvoorwaarden of volume, late betaling van bederfelijke producten (meer dan dertig dagen) en een te late annulering. Laat AI nooit zelfstandig zo een wijziging opstellen in een conceptmail aan een kleinere leverancier.

Tags
ai-tipsgroothandelb2bvoorraadbeheeravg
Dennis Claassen

Geschreven door

Dennis Claassen

Oprichter en AI-trainer

Dennis is de oprichter van Project Impact en traint Nederlandse bedrijven in het effectief gebruiken van AI. Met jarenlange ervaring in tech en onderwijs helpt hij teams om AI praktisch toe te passen.

Meer over Dennis
Verder lezen

Gerelateerde artikelen.

Meer artikelen over dit onderwerp.

Twee verlichte sokkels op een donker podium, één met een vergrootglas-icoon voor zoeken en één met een schild-icoon voor beheer, beeld voor Perplexity Enterprise
AI Tips

Perplexity Enterprise: wat krijg je extra tegenover Perplexity Pro?

Perplexity Enterprise Pro kost $40 per seat per maand en voegt SSO en teambeheer toe aan Perplexity Pro. Maar audit logs, SCIM en instelbare dataretentie zitten pas achter een drempel van 50 seats, of je koopt minstens 1 seat op het Enterprise Max-niveau van $325 per maand. Met een beslistabel, een uitgewerkt citatie-voorbeeld en wat Perplexity Enterprise niet regelt voor een AVG-eis.

15 min lezen
Begeleider in de gehandicaptenzorg die een dagrapportage verwerkt tot een dossieraantekening op een laptop
AI Tips

AI in de gehandicaptenzorg: 3 praktische toepassingen binnen de Wet zorg en dwang

Een begeleider in de gehandicaptenzorg besteedt bijna een derde van de werktijd aan verslaglegging en registratie. AI kan een dagrapportage omzetten naar een dossieraantekening en een MIC-melding helpen opstellen, maar zodra je eigen notities vaag zijn, verzint AI zelf een classificatie onder de Wet zorg en dwang die niet klopt. Met vier echt getest voorbeelden, een beslisregel en de grens die het ondersteuningsplan trekt.

19 min lezen
Gezinsvoogd die aantekeningen van een huisbezoek verwerkt tot een voortgangsrapportage op een laptop
AI Tips

AI in de jeugdzorg: 3 praktische toepassingen binnen de Jeugdwet en het beroepsgeheim

Een gezinsvoogd verliest het meeste van zijn week aan administratie, de hoogste van de hele zorgsector. AI kan een voortgangsrapportage opstellen en een overdracht samenvatten, maar een risicosignaal verliest zijn gewicht zodra het in een kwartaaloverzicht belandt. Met een echt getest voorbeeld, een beslisregel en de grens die het beroepsgeheim en de meldcode kindermishandeling trekken.

18 min lezen

Meer leren over AI?

AI inzetten voor je team? In onze trainingen leer je het in 4 uur.

Bekijk trainingen