Voorraadbeheer met AI: wat mag de agent zelf beslissen?

Tel je nog handmatig welke schappen of rekken bijna leeg zijn? Of ontdek je een overvolle pallet pas als iemand erover struikelt? Voorraadbeheer met AI pakt dat eerste, saaie stuk werk over: een AI-agent leest je voorraadcijfers, verkoophistorie en openstaande inkooporders, en signaleert wanneer een product tegen zijn bestelpunt aanloopt. Microsofts eigen voorbeeld van zo'n agent voor aanvulplanning werkt met machine-learningvoorspellingen per winkel en product, past die aan op lopende acties, en wijst trage schuivers aan voor afprijzen. Besteladvies geven kan hij dus al; zelf bestellen is een andere stap, met de grens die je hieronder leest.

Wat een AI-agent voor voorraadbeheer wel en niet is

Een agent is AI die zelf stappen zet in plaats van alleen een antwoord te geven. Bij voorraadbeheer betekent dat: hij haalt je actuele voorraadstand op, legt die naast je verkooppatroon van de afgelopen weken, telt openstaande inkooporders mee die nog onderweg zijn, en berekent wanneer je door je veiligheidsvoorraad heen zakt. Daarna stelt hij een bestelling voor: welk product, welk aantal, bij welke leverancier.

Het verschil met een vaste minimumvoorraad-regel in je kassasysteem zit in het patroon. Een regel waarschuwt bij "onder de 20 stuks", punt. Een agent kijkt naar het ritme erachter: verkoop je op vrijdag drie keer zoveel als op dinsdag, dan telt dat mee in het advies. Daar zit meteen ook het risico: een agent is onvoorspelbaar fout, hij kan een patroon zien dat er niet is, of een patroon missen dat er wel is. Daarom geeft hij advies, en beslis jij.

Welke voorraadtaak geef je als eerste aan een agent?

Begin bij één taak, niet bij drie tegelijk.

Bestelsignalen verzamelen. De agent rekent dagelijks uit welke SKU's onder hun bestelpunt zakken en zet die in één lijst, in plaats van dat jij elke ochtend door een rapport scrolt. Dat werkt omdat die controle neerkomt op dezelfde berekening, keer op keer, voor honderden artikelen. Verwacht dat dit de ochtendronde van drie kwartier terugbrengt naar tien minuten lijst lezen. Niet doen onder vijftig actieve SKU's: dan overzie je dat zelf sneller.

Besteladvies per product. Niet alleen signaleren, ook een concreet aantal en een leverancier voorstellen, op basis van de rekensom die in de volgende paragraaf staat. Dat levert de meeste tijd op: zelf een bestelaantal bepalen kost vijf tot tien minuten per product als je rekening houdt met levertijd en seizoen, de agent heeft dat advies binnen een minuut klaar. Niet doen bij een product dat net nieuw in het assortiment zit: er is nog geen verkoophistorie om op te rekenen.

Trage schuivers signaleren. De agent wijst producten aan die al weken niet meer bewegen en geld vastzetten. Dat werkt goed omdat "weken niet verkocht" een simpele, objectieve meting is. Uit onze eigen Agent Sprint-trajecten zien we dat deze check meestal 5 tot 15% van een actief assortiment blootlegt: producten die zonder die melding nog maanden waren blijven liggen. Niet doen als een product bewust als showroom- of aanvullend assortiment wordt aangehouden: dat heeft geen omloopsnelheid nodig.

Kies de taak die jou nu het meeste tijd kost.

Voorraadbeheer met AI: prompt, workflow of agent?

Het lichtste gereedschap dat de klus betrouwbaar klaart. De drempels volgen uit wat handmatig tellen en narekenen kost, tegenover wat een vaste koppeling kost om te bouwen en te onderhouden.

Begin op het niveau dat bij je aantal producten past, en laat de agent nooit zelf de knop indrukken boven je eigen bedragdrempel.

Een voorspelling die de mist ingaat: de actie die de basis wordt

Dit voorbeeld is een eigen constructie, gebouwd op een mechanisme dat leveranciers van voorraadsoftware onafhankelijk van elkaar beschrijven: Sellerlabs legt uit dat een forecastmodel een promotieweek zonder correctie meeweegt in het gewone verkooppatroon, en Algo bevestigt dat de meeste voorspelmodellen aannemen dat toekomstige vraag de historie herhaalt, waardoor een piek van 30 tot 300% door een actie zomaar de nieuwe basis wordt. Geen van beide bronnen geeft een exact cijfer voor dit specifieke voorbeeld; de cijfers en de productnaam hieronder zijn verzonnen, het patroon niet.

De situatie. Een winkel met werkkleding verkoopt een regenjas normaal 8 stuks per week. In week 23 staat de jas in de aanbieding en verkoopt hij 46 stuks. Week 24 is weer normaal.

De prompt aan de agent:

Bereken het besteladvies voor product "Regenjas werkmodel RJ-14" op
basis van de verkoophistorie van de laatste 8 weken, de actuele
voorraad en een levertijd van 3 weken bij deze leverancier.

Wat de agent teruggeeft, zonder correctie:

Dat ziet er precies en onderbouwd uit. En dat is het probleem. Het gemiddelde van 12,75 bevat die ene actieweek van 46 stuks: de zeven normale weken telden samen 56 stuks, plus de 46 van de actie, gedeeld door acht weken. Zonder die ene week ligt het gemiddelde op precies 8 stuks per week, het normale verbruik. Het bestelpunt en het advies zijn daardoor ruim 50% te hoog: de agent bestelt structureel te veel, voor een product dat helemaal niet structureel harder verkoopt.

Wat je repareert voordat je bestelt: vraag de agent expliciet om een week met een gemarkeerde actie uit te sluiten van het gemiddelde, en laat hem die week apart melden. Herhaal de berekening zonder week 23: het gemiddelde zakt naar 8 stuks, het bestelpunt (8 × 3 weken levertijd) naar 24 stuks, en het advies naar ongeveer 38 stuks, het aantal dat bij het échte, onderliggende verbruik past. De regel die je hierna toevoegt: "Meld elke week die meer dan twee keer het gemiddelde van de omliggende weken afwijkt, en reken die apart door, met en zonder die week."

Veiligheidsvoorraad berekenen: de rekensom achter het besteladvies

De drempel waarop een agent "nu bestellen" adviseert, is geen slag in de lucht. IBM omschrijft veiligheidsvoorraad als de buffer boven je verwachte verbruik, bedoeld om schommelingen in vraag en levertijd op te vangen. De eenvoudigste versie van de rekensom, zoals EazyStock die toepast, heeft maar vier getallen nodig:

Veiligheidsvoorraad = (maximaal dagverbruik × maximale levertijd) − (gemiddeld dagverbruik × gemiddelde levertijd)

Een voorbeeld met de regenjas hierboven, maar dan op dagniveau in plaats van weekniveau. Stel: je gemiddelde dagverbruik is 1,2 stuks, met een topdag van 4 stuks. Je gemiddelde levertijd is 21 dagen, met een keer 28 dagen door een drukke periode bij de leverancier.

• Maximaal dagverbruik × maximale levertijd = 4 × 28 = 112
• Gemiddeld dagverbruik × gemiddelde levertijd = 1,2 × 21 = 25,2
• Veiligheidsvoorraad = 112 − 25,2 ≈ 87 stuks

Je bestelpunt is die veiligheidsvoorraad plus wat je verwacht te verkopen tijdens de gemiddelde levertijd: 87 + 25 = 112 stuks. Zakt de voorraad onder dat aantal, dan is dat het moment voor een besteladvies.

Voor producten met een hoog bedrag per stuk of een onregelmatige vraag gebruiken grotere voorraadpakketten een statistische versie met een z-waarde voor het gewenste serviceniveau (1,65 bij 95%) vermenigvuldigd met de standaardafwijking van de vraag en de wortel van de levertijd. Die versie is nauwkeuriger, maar vraagt meer data dan een gemiddeld MKB-bedrijf bijhoudt. Begin met de eenvoudige rekensom, en stap pas over als die bij een specifieke productgroep structureel misraadt.

Niet elk product verdient dezelfde rekeninspanning. Shopify beschrijft de gangbare ABC-indeling: A-producten leggen het grootste deel van je omzet of kapitaalbeslag vast, C-producten zijn de trage staart die vaak rond de 5% van de omzet blijft hangen maar wel plankruimte en geld opslokt. De vuistregel: reken de statistische veiligheidsvoorraad alleen uit voor je A-producten, gebruik de eenvoudige rekensom voor je B-producten, en laat de agent bij C-producten alleen een simpele "onder het bestelpunt: ja/nee"-melding geven.

De grens: wat de agent zelf beslist en wat bij jou blijft

Microsoft zet dit onderscheid scherp neer in zijn eigen uitleg over agents in de supply chain: agents mogen binnen vastgelegde regels handelen, zoals serviceniveaus, klantprioriteit en kostenlimieten, maar mensen houden "controle over beslissingen en resultaten" ("keeping humans in control of decisions and outcomes"). Vertaald naar een voorraadbeheer-agent in een Nederlands MKB-bedrijf:

Zelf doen mag hij: voorraadstanden ophalen, bestelpunten berekenen, besteladvies met aantal en leverancier opstellen, trage schuivers signaleren, en een actieweek apart markeren in plaats van stilzwijgend meewegen.

Nooit zelf: de bestelling plaatsen boven je bedragdrempel, een nieuwe leverancier kiezen zonder jouw goedkeuring, en een product afschrijven of uit het assortiment halen. Niet omdat de agent dat niet zou kunnen berekenen, maar omdat een verkeerde bestelling geld vastzet dat je weken of maanden niet terugziet, en een afgeschreven product juist weer hard kan lopen zodra het terug op voorraad is.

Gartner voorspelt, aangehaald in dezelfde Microsoft-blog, dat 60% van de verstoringen in de supply chain tegen 2031 zonder menselijke tussenkomst wordt opgelost. Dat is een voorspelling voor over vijf jaar, geen beschrijving van vandaag. Voor een MKB-voorraadagent in 2026 betekent dat: bouw de grens nu ruim, en versmal die pas als weken zonder correctie dat rechtvaardigen.

Waar voorraadbeheer met AI misgaat: de piek die de basis wordt

Je zag het hierboven al: een ongemarkeerde actieweek wordt de forecastbasis. De tegenhanger is minstens zo vervelend: een product dat een week niet leverbaar was, leest de agent als weinig vraag, niet als een leveringsprobleem. Beide voorkom je met één regel: markeer elke afwijkende week (actie, storing, weersuitschieter) met een reden, en laat de agent die apart doorrekenen in plaats van zonder onderscheid meetellen.

Voorraadbeheer met AI en privacy: wat de agent wel en niet mag zien

Een voorraadexport bevat meer dan aantallen. Inkoopprijzen en kortingsafspraken per leverancier zijn concurrentiegevoelige informatie en horen niet in een consumentenversie van een AI-tool: gebruik een zakelijk account met verwerkersovereenkomst en modeltraining uitgeschakeld.

Verkoophistorie bevat vaak klantgegevens, zoals een naam of adres bij een aflevernotitie. Dat zijn persoonsgegevens; laat de agent daarom op geaggregeerd niveau rekenen (aantallen per week), niet op losse orderregels met een naam erbij. Nooit zelf: inkoopprijzen van de ene leverancier laten vergelijken met een concurrerende leverancier binnen hetzelfde systeem, dat raakt aan mededingingsrecht, niet alleen aan privacy.

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

Wat na een paar weken beter wordt: het besteladvies wordt preciezer, omdat je elke gemiste actieweek en elke storing als correctie hebt doorgevoerd. Wat niet beter wordt vanzelf: een nieuw product zonder historie, en een leverancier die net is gewisseld. Daar blijft een eerste, handmatige inschatting nodig.

Uit onze eigen Agent Sprint-trajecten zien we een eerste besteladvies binnen een paar minuten, tegenover een half uur tot een uur handmatig narekenen per leverancier. Dat is trainingservaring, geen onafhankelijk gemeten cijfer; het deel dat je ongewijzigd overneemt groeit pas met de weken, naarmate je meer uitzonderingen vastlegt.

Meet drie getallen, zeven dagen op een rij:

• Bij hoeveel producten moest je het besteladvies corrigeren voordat je bestelde? Een daling in de eerste twee weken is gezond. Blijft het gelijk, dan ontbreekt er waarschijnlijk nog een regel over acties of seizoen.
• Hoeveel keer kwam je door je veiligheidsvoorraad heen zonder dat de agent het eerder signaleerde? Dit hoort naar nul te gaan. Gebeurt het toch, dan ligt je bestelpunt te laag of je levertijd in de rekensom klopt niet meer.
• Hoeveel bestellingen plaatste iemand zonder de bedragdrempel-check? Dit hoort op nul te staan, net als bij elke andere financiële controle; één uitzondering is het moment om de regel opnieuw door te spreken.

Doe dit deze week

1. Kies tien tot twintig producten uit je A- of B-groep

   Neem de producten waar een misser je het meest kost: het hoogste geldbedrag per stuk, of de artikelen waar je nu het vaakst "net te laat" bestelt. Verzamel per product acht weken verkoophistorie, met welke weken een actie of storing hadden.

2. Draai de rekensom en de prompt hierboven op die tien tot twintig producten

   Bereken de veiligheidsvoorraad en het bestelpunt met de formule uit dit artikel. Laat de agent daarna een besteladvies geven, en leg dat naast wat jij zelf zou bestellen. Tel hoeveel van de adviezen je ongewijzigd zou overnemen: dat percentage is je nulmeting voor de meetsectie hierboven.

3. Leg je bedragdrempel en je uitzonderingen schriftelijk vast

   Eén A4: vanaf welk bedrag jij altijd zelf de bestelling plaatst, welke producten nooit automatisch meegaan (nieuw, uitfaserend, net een andere leverancier), en wie het advies controleert. Doe dit voordat je de agent aan een grotere groep producten zet.

Het agent-recept dat vandaag werkt: laat de agent elke ochtend je voorraadexport lezen, het bestelpunt per product berekenen en een lijst met besteladvies klaarzetten, met elke week die meer dan twee keer het gemiddelde afwijkt apart gemarkeerd. Jij bevestigt de lijst, en alles boven je bedragdrempel gaat altijd eerst langs jou. Na drie weken zonder gemiste correctie breid je uit naar de volgende tien tot twintig producten, niet naar het hele assortiment. Bouw dit zelf uit met code via een AI-agent maken zonder code, of begin met de prompt uit dit artikel in de promptbibliotheek.

Wil je dit op je eigen voorraadsysteem werkend hebben? In de Agent Sprint bouw je dat op je eigen cijfers. Wil je weten of je team breder met agents aan de slag kan? Een AI-werksessie brengt dat in kaart. Verkoop je via een webshop? Zie AI-agents voor webshops voor de klantkant.

Bronnen

• Microsoft Dynamics 365 Blog, From intelligence to impact: how agentic AI is reshaping today's supply chain. Zelf geopend. Bron voor de taken die agents binnen vastgelegde regels mogen uitvoeren, het citaat over "keeping humans in control of decisions and outcomes", en de aangehaalde Gartner-voorspelling van 60% tegen 2031.
• Microsoft Adoption, Inventory replenishment planning agent. Niet zelf rechtstreeks te openen; geraadpleegd via een zoekopdracht die de pagina-inhoud citeert. Bron voor de beschrijving van een voorraadagent die ML-voorspellingen per winkel en product gebruikt, aanpast op lopende acties en trage schuivers signaleert.
• IBM, What is safety stock?. Niet zelf rechtstreeks te openen; geraadpleegd via een zoekopdracht die de pagina-inhoud citeert. Bron voor de definitie van veiligheidsvoorraad als buffer tegen schommelingen in vraag en levertijd.
• EazyStock, How to Calculate Safety Stock: A Step-by-Step Guide. Niet zelf rechtstreeks te openen; geraadpleegd via een zoekopdracht die de pagina-inhoud citeert. Bron voor de eenvoudige rekensom (maximaal verbruik maal maximale levertijd, min gemiddeld verbruik maal gemiddelde levertijd) en het bijbehorende getallenvoorbeeld.
• Sellerlabs, AI for Inventory Auto-Reorder Decisions. Niet zelf rechtstreeks te openen; geraadpleegd via een zoekopdracht die de pagina-inhoud citeert. Bron voor het mechanisme waarbij een promotieweek zonder correctie in het forecastgemiddelde terechtkomt.
• Algo, Why demand forecasting misses promotion effects. Niet zelf rechtstreeks te openen; geraadpleegd via een zoekopdracht die de pagina-inhoud citeert. Tweede, onafhankelijke bron voor dezelfde aanname dat voorspelmodellen ervan uitgaan dat toekomstige vraag de historie herhaalt, en voor de bandbreedte van 30 tot 300% voor een promotie-piek.
• Shopify, ABC-analyse: zo optimaliseer je je voorraadbeheer. Niet zelf rechtstreeks te openen; geraadpleegd via een zoekopdracht die de pagina-inhoud citeert. Bron voor de ABC-indeling van producten en het aandeel van ongeveer 5% omzet dat bij de trage C-klasse hoort.

Veelgestelde vragen

• Wat doet een AI-agent precies bij voorraadbeheer?

  Een agent leest je actuele voorraadstand, verkoophistorie en openstaande inkooporders, berekent wanneer een product zijn bestelpunt nadert en stelt een besteladvies voor: welk product, welk aantal, bij welke leverancier. De bestelling plaatsen blijft een stap die bij jou hoort, zeker boven een zelf gekozen bedragdrempel.

• Hoe bereken ik veiligheidsvoorraad voor mijn eigen assortiment?

  De eenvoudigste rekensom: maximaal dagverbruik maal maximale levertijd, min gemiddeld dagverbruik maal gemiddelde levertijd. Met een topdag van 4 stuks, een maximale levertijd van 28 dagen, een gemiddeld verbruik van 1,2 stuks per dag en een gemiddelde levertijd van 21 dagen komt dat op (4×28) − (1,2×21) ≈ 87 stuks veiligheidsvoorraad.

• Mag een AI-agent zelf een bestelling plaatsen bij de leverancier?

  Dat kan technisch, maar leg eerst een bedragdrempel vast waarboven jij altijd zelf bevestigt. Een verkeerd besteladvies bij een kleine bestelling kost een paar euro aan extra voorraad. Bij een grote bestelling zet een verkeerd advies meteen kapitaal vast dat maanden blijft liggen, dus die beslissing hoort bij een mens.

• Blijft besteladvies van AI kloppen tijdens een actie of piek?

  Niet zonder correctie. Een forecastmodel neemt aan dat de toekomst op de historie lijkt, en een actieweek zonder markering schuift mee als nieuwe basis. Daardoor blijft het besteladvies op het niveau van de piek hangen, ook nadat de verkoop weer normaal is. Markeer elke afwijkende week met een reden en laat de agent die apart doorrekenen.

• Kan ik voorraadbeheer met AI combineren met mijn eigen Excel-sheet?

  Ja. Bij minder dan vijftig actieve SKU’s is een prompt waarin je je Excel-export plakt al genoeg om een besteladvies te krijgen. Pas bij een groter assortiment loont een vaste koppeling of workflow, zodat je niet elke keer handmatig een export maakt en plakt.