Een agent voor jullie eigen proces?
Kies een afgebakende taak en werk toe naar een agent met heldere bronnen, rechten en controle.
Dennis Claassen
AI-trainer · 35+ teams getraind
Key takeaways
- Een AI-agent kan leverdata, afkeur en klachten per leverancier combineren en een afwijkende trend signaleren. Zelf een leverancier afwaarderen of een order blokkeren blijft mensenwerk, want dat raakt een lopend contract.
- De grootste valkuil is niet een gemiste levering, maar de verkeerde schuldige. Een agent die alleen leverdata ziet, wijst de leverancier aan omdat hij je eigen ontvangstproces of de douane niet kent.
- Eén afwijking is ruis, drie op tien orders is een patroon. Koppel elke score aan een beslissing in plaats van alleen aan een cijfer, anders verzamel je data zonder dat er iets mee gebeurt.
- OTIF boven 95 procent is een gangbare norm, maar die ene indicator maakt geen onderscheid tussen een dag te laat en een week te laat. Vraag daarom altijd naar de ernst, niet alleen het aantal.
- Doe dit deze week: verzamel twee kwartalen cijfers per leverancier, draai de prompt uit dit artikel op je grootste leverancier en controleer zelf wie de vertraging veroorzaakte, en zet de agent drie maanden op signaleren voor je hem laat beslissen.
Kun je leveranciersbeoordeling aan AI overlaten? Voor een deel wel. Een AI-agent kan leverdata, afkeurcijfers en klachten per leverancier verzamelen en een afwijkende trend signaleren voordat die een probleem wordt bij jouw klant. Zelf een leverancier afwaarderen of een order blokkeren blijft bij jou. Zonder die data draait leveranciersbeoordeling vaak op een onderbuikgevoel. EcoVadis schrijft dat leveranciersbeheer vaak op aannames rust. Dat geldt zolang een bedrijf geen gegevens heeft over hoe zijn leveranciers echt presteren. Dit artikel laat het juiste niveau zien voor deze taak. Je leest ook wat de agent wel en niet zelf mag beslissen, en de grootste valkuil: een score die verbergt wie een fout echt veroorzaakte. Wil je dit met je eigen leveranciersdata bouwen, de Agent Sprint doet dat samen met je team.
Wat is een AI-agent voor leveranciersbeoordeling?
Een AI-agent is AI die zelf stappen zet in plaats van alleen een vraag te beantwoorden. Bij leveranciersbeoordeling betekent dat: hij haalt levertijden, afkeurcijfers en klachten per leverancier op. Hij rekent een trend door over meerdere orders en stelt een signalering op. Een inkoper beoordeelt die signalering en besluit wat erna gebeurt, niet de agent.
Het verschil met een jaarlijks beoordelingsformulier zit in het moment. Een formulier vul je één keer per jaar of kwartaal in, met de cijfers die je op dat moment nog kunt terugvinden. Dat werkt pas achteraf. Een leverancier die drie maanden lang net te laat levert, valt bij een jaarlijkse ronde pas op. Dan is het hele jaar al voorbij, en het contract vaak al verlengd. Een agent houdt bij elke nieuwe levering een lopend beeld bij. Zo'n patroon wordt dan al na drie of vier orders zichtbaar, terwijl er nog tijd is voor het gesprek, voor de jaarlijkse ronde eraan komt.
Leveranciersbeoordeling of leveranciersmanagement: wat is het verschil?
Leveranciersbeoordeling is het meten en scoren: hoe presteerde deze leverancier de afgelopen periode. Leveranciersmanagement is breder: selectie van nieuwe leveranciers, de relatie onderhouden, risico's spreiden en leveranciers helpen verbeteren. De beoordeling is de data waarop leveranciersmanagement zijn keuzes baseert. Een AI-agent is goed in het eerste (cijfers combineren en signaleren), niet in het tweede (een relatie onderhouden of een leverancier ontwikkelen blijft mensenwerk).
Welk niveau past bij leveranciersbeoordeling met AI?
Het lichtste gereedschap dat de klus betrouwbaar klaart. De drempels volgen uit wat handmatig verzamelen kost. Reken op ongeveer een kwartier per leverancier om cijfers te verzamelen uit je inkoop- en kwaliteitssysteem.
| Als dit geldt | Dan bouw je dit | Waarom de drempel daar ligt |
|---|---|---|
| Minder dan 15 vaste leveranciers, beoordeling per kwartaal | Een prompt: plak de cijfers uit je inkoopsysteem en kwaliteitscontrole per leverancier | 15 leveranciers x een kwartier is 3,75 uur. Dat doe je in een middag; een koppeling bouwen kost meer tijd dan het op dit volume bespaart |
| 15 tot 40 leveranciers, of data uit twee gescheiden systemen (inkoop en kwaliteit) | Een workflow: een vaste maandexport uit beide systemen, één AI-stap die ze combineert tot een conceptscore | Vanaf 20 leveranciers met twee bronnen kost losse verzameling al een hele werkdag per kwartaal (20 x 2 x een kwartier is 10 uur); een gedeelde export voorkomt dat je dat elk kwartaal opnieuw doet |
| Meer dan 40 leveranciers, of klachten komen ook uit een los klantenservicesysteem | Een agent met een directe koppeling aan alle drie de bronnen, die doorlopend signaleert in plaats van per kwartaal | Boven de 40 leveranciers met drie bronnen kost een kwartaalronde meer dan twee werkdagen (40 x 3 x een kwartier is 30 uur); dat haal je nooit meer in met een los overzicht |
| De agent signaleert een aanhoudende trend bij één leverancier | Altijd een mens die beslist of dit een gesprek, een officiële waarschuwing of het einde van het contract wordt | Een contract beëindigen of een order blokkeren raakt een lopende overeenkomst. Dat is een besluit met gevolgen, geen rekenregel |
Wat mag de agent zelf beslissen bij leveranciersbeoordeling, en wat niet?
Anthropics eigen documentatie over agents en tools laat een principe zien dat hier ook geldt. Een leesactie en een actie met gevolgen horen niet in dezelfde categorie. Een bestand lezen in je werkmap wordt automatisch goedgekeurd. Een bestand aanpassen (Edit, Write) valt onder een apart goedkeuringsregime dat je bewust aanzet. Bij een leveranciersbeoordeling-agent is het net zo: cijfers lezen en combineren mag automatisch, een leverancier afwaarderen of een order blokkeren niet. Zet je dat verkeerd om, dan loop je risico naar twee kanten. Een agent die alles mag lezen én beslissen, kan een goede leverancier onterecht afstraffen. Een agent die voor elk klein cijfer om goedkeuring vraagt, levert alleen meldingen op die niemand meer leest.
| Situatie | Wat de agent doet | Waarom deze grens hier ligt |
|---|---|---|
| OTIF en kwaliteitscijfers blijven binnen de afgesproken norm, geen klachten deze periode | Automatisch een groene status zetten, geen actie nodig | Objectief meetbaar, er is geen afweging nodig |
| Eén late levering of één afkeurmelding, geen patroon over meerdere orders | Signaleren als incident, de score niet meteen laten zakken | Eén afwijking is ruis. Kodiak Hub adviseert zelf om de trend en stabiliteit te volgen, niet een momentopname |
| Drie of meer afwijkingen (te laat of afgekeurd) binnen dezelfde tien orders | Escaleren naar een inkoper met de feiten en de trend, nooit zelf een waarschuwingsbrief versturen | Vanaf drie van tien orders is het geen incident meer maar een patroon. Een waarschuwingsbrief is een document met gevolgen, dat schrijf je zelf |
| De oorzaak van een afwijking ligt mogelijk bij je eigen ontvangstcontrole of de douane, niet bij de leverancier | Beide mogelijke oorzaken tonen, nooit automatisch de leverancier als enige schuldige aanwijzen | Een agent die alleen leverancierdata ziet, kent je eigen ontvangstproces niet. Zonder die context wijst hij de makkelijkste oorzaak aan, niet per se de juiste |
| De vraag is of het contract wordt beëindigd of een order structureel wordt geblokkeerd | Nooit de agent. Altijd een mens, met het complete dossier | Een duurovereenkomst beëindig je niet zomaar: het Burgerlijk Wetboek stelt daar voorwaarden aan (art. 6:265 BW). Een verkeerde beslissing hierin kan een geschil met de leverancier opleveren |
Let op
Een agent die zelf een leverancier afwaardeert of een order blokkeert, doet meer dan signaleren: hij neemt een contractuele beslissing. Laat de agent daarom altijd op "signaleren" staan bij twijfel, nooit op "afwaarderen" zonder dat een inkoper het eerst ziet.
Waar leveranciersbeoordeling met AI misgaat: de verkeerde partij krijgt de schuld
Een geconstrueerd, realistisch voorbeeld. Het patroon komt veel voor bij inkoopteams die internationaal bestellen: een vertraging in de eigen douaneafhandeling wordt ten onrechte aan de leverancier toegeschreven. Het bedrijf, de leverancier en de cijfers hieronder zijn verzonnen, het patroon niet.
De situatie. Fictief metaalbedrijf Bouwdeel Oost bestelt stalen onderdelen bij leverancier Steelco. Over het derde kwartaal van 2026 waren van de tien orders drie te laat bij ontvangst. De inkoper vraagt AI om de leveringsprestatie te beoordelen.
De prompt:
Analyseer de leveringsprestatie van Steelco over Q3 2026.
Orders (besteldatum, afgesproken leverdatum, werkelijke
ontvangstdatum, verzenddatum volgens de leverancier):
1-10: [tien regels met deze vier data per order]
Geef de OTIF-score en een advies over de leverancierstatus.
Wat de agent teruggeeft: "OTIF van Steelco is 70 procent dit kwartaal (3 van de 10 orders te laat), ruim onder de norm van 95 procent. Advies: afwaarderen naar risicoleverancier en een officiële waarschuwing versturen." Dat advies klinkt onderbouwd. Het telt ook kloppend: drie van de tien orders kwamen inderdaad te laat aan.
Wat er mist. De prompt gaf ook de verzenddatum van de leverancier mee, maar de agent gebruikte die niet in zijn advies. Bij navraag blijkt: bij twee van de drie late orders verzond Steelco binnen de afgesproken tijd. De extra dagen vielen tussen verzending en ontvangst, in de douaneafhandeling op de eigen kade. Alleen bij order 7 verzond Steelco zelf te laat.
Het resultaat na controle. De echte, aan Steelco toe te schrijven OTIF is 90 procent (1 van de 10 orders), binnen de norm. De douanevertraging is een eigen logistiek probleem, niet de schuld van de leverancier. Een automatische waarschuwing op basis van het eerste advies had een goede leverancier afgestraft voor een probleem dat bij Bouwdeel Oost zelf lag.
Wat je repareert voordat je een advies aanneemt. Vraag de agent expliciet om verzenddatum en ontvangstdatum los naast elkaar te zetten, niet alleen de eindconclusie "te laat of niet". Voeg een vaste regel toe aan je prompt: "Gebruik nooit alleen de ontvangstdatum. Vergelijk die met de verzenddatum en meld expliciet als een deel van de vertraging buiten de leverancier kan liggen, bijvoorbeeld bij douane of je eigen ontvangst." Die regel dwingt de agent om de twee datums te vergelijken, in plaats van er overheen te lezen. Praktisch: controleer bij elke afwijking eerst wie welk deel van de vertraging veroorzaakte. Pas dan tel je die mee in de score van de leverancier.
Leveranciersbeoordeling criteria: een voorbeeld-scorecard
Vijf criteria dekken de meeste leveranciers, gebaseerd op de kwaliteits- en leverings-KPI's die Kodiak Hub als standaard noemt voor supplier performance management.
| Criterium | Weging | Wat je meet |
|---|---|---|
| OTIF (op tijd, volledig) | 30% | Percentage orders op tijd en compleet geleverd. Kaizen noemt een OTIF boven 95 procent als gangbare norm voor uitstekende prestaties |
| Kwaliteit (afkeur, PPM) | 25% | Afgekeurde eenheden per miljoen (defecte eenheden gedeeld door totaal, keer een miljoen) |
| Klachten en reactiesnelheid | 20% | Aantal klachten per kwartaal en hoe snel de leverancier reageert |
| Prijsstabiliteit | 15% | Afwijking van de werkelijke prijs ten opzichte van de afgesproken prijsindex |
| Proactieve communicatie | 10% | Meldt de leverancier een vertraging voordat de leverdatum verstrijkt, of pas erna |
De gewogen totaalscore is de som van elk criterium keer zijn weging. Neem een leverancier met OTIF 90 (score 4 van 5), kwaliteit 95 (score 5), weinig klachten (score 4), een stabiele prijs (score 5) en proactieve communicatie (score 3). De som is (4x0,30)+(5x0,25)+(4x0,20)+(5x0,15)+(3x0,10), dus 1,2+1,25+0,8+0,75+0,3. Dat is 4,3 van 5.
OTIF krijgt het meeste gewicht. Een late of onvolledige levering is het eerste wat jouw eigen klant voelt: vertraging bij de leverancier wordt morgen jouw vertraging. Prijsstabiliteit krijgt het minste gewicht, want een prijsafwijking raakt je marge, niet je levertijd naar de klant. Verschuif de wegingen gerust als jouw situatie dat vraagt, bijvoorbeeld hoger op kwaliteit bij onderdelen die een product onveilig maken. Leg wel vast waarom je dat deed, zodat een volgende beoordeling dezelfde weging gebruikt.
Een leveranciersbeoordeling formulier dat de agent invult
Zet deze vijf criteria in een vast formulier, een spreadsheet of een los AI-formulier met dezelfde kolommen elke keer. Laat de agent dat formulier elk kwartaal automatisch vullen met de cijfers uit je inkoop- en kwaliteitssysteem, in plaats van dat je ze los nazoekt. Zo kun je bovendien bij elke auditvraag of leveranciersgesprek laten zien waar een score op rust, in plaats van op een gevoel.
Info
Stand van zaken op 3 november 2026. Welke koppelingen een inkoop- of ERP-pakket standaard biedt voor automatische leveranciersscores, verandert snel. Dat verschilt ook sterk per leverancier en per update. Check in je eigen inkoop- of kwaliteitssysteem welke export of koppeling vandaag al bestaat, voor je een los AI-formulier gaat bouwen.
Wat het oplevert, en hoe je het na zeven dagen meet
Wat na een paar kwartalen beter wordt: de signalering wordt scherper. Je voegt elke gemiste oorzaak, zoals de douanevertraging hierboven, toe als controle. Wat niet beter wordt vanzelf: het gesprek met een leverancier bij een echt patroon, en de keuze om een contract te beëindigen.
Uit onze eigen Agent Sprint-trajecten zien we dit: een eerste kwartaalronde voor dertig leveranciers kost een inkoper enkele uren controletijd. Handmatig verzamelen kost dan nog zeven tot tien uur, vooral bij cijfers in twee of meer gescheiden systemen. Dat is trainingservaring, geen onafhankelijk gemeten cijfer. Het geldt vooral boven de 20 leveranciers. Bij een handvol vaste leveranciers overzie je het zelf sneller dan je de agent instrueert.
Meet drie dingen, zeven dagen op een rij, en daarna elk kwartaal opnieuw:
- Hoeveel signaleringen bleken bij controle een eigen probleem (ontvangst, douane, planning) in plaats van de leverancier? Een getal boven nul laat precies zien waar de valkuil uit dit artikel in jouw data toeslaat.
- Hoeveel leveranciers kregen een afwijkende score door één incident, zonder dat er al drie afwijkingen op tien orders waren? Dat hoort op nul te staan; staat het hoger, dan telt de agent nog losse incidenten mee als trend.
- Hoe lang duurt het van een signalering tot de eerste menselijke beoordeling? Reken op maximaal twee werkdagen. Loopt dat op, dan ligt de signalering te vaak ongezien in een inbox.
Doe dit deze week
Verzamel twee kwartalen cijfers per leverancier
Levertijd, afgesproken leverdatum, afkeur en klachten, uit je inkoop- en kwaliteitssysteem. Zonder die twee kwartalen heeft de agent niets om een trend in te zien.
Draai de prompt uit dit artikel op je grootste leverancier
Geef expliciet ook de verzenddatum mee, niet alleen de ontvangstdatum. Controleer zelf of elke late levering ook echt bij de leverancier lag, zoals in het voorbeeld hierboven.
Zet de agent drie maanden op signaleren, nooit op beslissen
Laat hem alleen een conceptscore en een reden geven die een inkoper bevestigt of corrigeert. Tel hoe vaak de correctie nodig was, dat getal is je nulmeting voor de meetsectie hierboven.
Het agent-recept dat vandaag werkt: bij elke nieuwe levering haalt de agent de leverdatum, de verzenddatum en eventuele afkeur- of klachtmeldingen op. Hij rekent de lopende OTIF en kwaliteitsscore door over de laatste tien orders, en stelt een signalering op zodra een leverancier op drie of meer daarvan afwijkt. Niets gaat automatisch naar de leverancier zonder dat een inkoper het eerst ziet. Bouw dit zelf uit met de niveaus uit een AI-agent maken zonder code, of begin met de prompt uit dit artikel in de promptbibliotheek. Gaat het bij jou vooral om bestelsignalen per product in plaats van om de leverancier als geheel, kijk dan naar voorraadbeheer met AI.
Wil je dit met je eigen inkoop- en kwaliteitscijfers werkend hebben? In de Agent Sprint bouw je dat op je eigen leveranciersdata. Wil je eerst breder in kaart brengen waar AI in je organisatie het meeste oplevert? Een AI-werksessie brengt dat in kaart.
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.
Bronnen
- EcoVadis, Leveranciersevaluatie. Zelf geopend. Bron voor de openingsclaim dat leveranciersbeheer vaak op aannames rust zolang een bedrijf geen prestatiedata heeft, en voor het advies om beoordeling te koppelen aan vervolgacties zoals corrigerende maatregelen.
- Kaizen, OTIF: een essentiële indicator voor de prestaties van de toeleveringsketen. Zelf geopend. Bron voor de OTIF-definitie, de gangbare norm boven 95 procent, en de beperking dat de indicator geen onderscheid maakt tussen een lichte en een zware vertraging.
- Kodiak Hub, Top 15 Supplier Performance Management KPIs. Zelf geopend. Bron voor de PPM-formule, de vijf criteria in de scorecard, en het advies om elke KPI aan een beslissing te koppelen en trend te volgen in plaats van een momentopname.
- Anthropic, Configure permissions (Claude Agent SDK). Zelf geopend. Bron voor het onderscheid tussen een automatisch goedgekeurde leesactie en een actie met gevolgen die een apart goedkeuringsregime vereist, als parallel voor de grens tussen signaleren en beslissen bij een leveranciersbeoordeling-agent.
- Rijksoverheid, Burgerlijk Wetboek Boek 6, artikel 265. Zelf geopend. Bron voor het bestaan van wettelijke voorwaarden aan het ontbinden van een overeenkomst wegens een tekortkoming, de grondslag waarom een contractbeëindiging geen agent-beslissing is.
Veelgestelde vragen
Wat zijn goede leveranciersbeoordeling criteria?
Vijf criteria dekken de meeste leveranciers: OTIF (op tijd en volledig geleverd, weging 30 procent), kwaliteit of afkeur (25 procent), klachten en reactiesnelheid (20 procent), prijsstabiliteit (15 procent) en proactieve communicatie bij vertraging (10 procent). Een AI-agent kan deze cijfers uit je inkoop- en kwaliteitssysteem combineren tot een gewogen score, maar de weging en de uiteindelijke beoordeling blijven een keuze van de inkoper.
Is er een leveranciersbeoordeling formulier of voorbeeld dat je kunt gebruiken met AI?
Ja. Zet de vijf criteria (OTIF, kwaliteit, klachten, prijsstabiliteit, communicatie) met hun weging in een vaste spreadsheet of een los AI-formulier met steeds dezelfde kolommen. Laat een agent dat formulier elk kwartaal automatisch vullen met de cijfers uit je systemen, in plaats van dat je ze zelf opzoekt. Dat voorbeeld geeft je bovendien altijd een onderbouwing bij een auditvraag of een leveranciersgesprek.
Mag een AI-agent een leverancier automatisch afwaarderen of het contract opzeggen?
Nee. Een agent mag signaleren dat een leverancier drie of meer keer afwijkt op tien orders, maar het afwaarderen, een officiële waarschuwing versturen of een contract beëindigen blijft bij een mens. Het beëindigen van een lopende overeenkomst wegens een tekortkoming is aan voorwaarden gebonden in het Burgerlijk Wetboek (art. 6:265 BW), en een verkeerde beslissing hierin kan een geschil met de leverancier opleveren.
Wat is het verschil tussen leveranciersbeoordeling en leveranciersmanagement?
Leveranciersbeoordeling is het meten en scoren: hoe presteerde een leverancier de afgelopen periode. Leveranciersmanagement is breder en omvat ook de selectie van nieuwe leveranciers, het onderhouden van de relatie en het spreiden van risico. Een AI-agent is sterk in het eerste, het combineren en signaleren van cijfers; het tweede, een relatie onderhouden of een leverancier helpen verbeteren, blijft mensenwerk.
Hoe vaak moet je een leveranciersbeoordeling doen?
De meeste bedrijven doen dit per kwartaal voor actieve leveranciers en minstens jaarlijks voor een audit of ISO-certificering. Een AI-agent die doorlopend leverdata bijhoudt, kan een afwijkende trend al na drie of vier orders signaleren in plaats van pas bij de volgende kwartaal- of jaarronde, wanneer een contract vaak al verlengd is.
