AI die op elk punt van je operatie aan het werk is

Documenten lezen, velden invullen, tarieven en rechten vinden, facturen uitlezen — AI werkt bij elke stap mee.

AI leest je vrachtdocumenten en vult de velden in — 98,6% nauwkeurig

Automatische vertaling van documenten en berichten in 36 talen

Formulieren invullen vanuit foto's, tarieven opzoeken en facturen uitlezen

Het systeem leest je documenten — jij voert zelf geen enkel gegeven in

AI leest je CMR, factuur, T1/T2, paklijst en cognossement, haalt velden als HS-code, gewicht en afzender eruit met een betrouwbaarheidsscore en vult het formulier zelf in.

Tik de gegevens nooit meer zelf in.

Maak een productfoto en laat de catalogus zichzelf invullen

AI analyseert een foto van een product of pallet en stelt automatisch catalogusvelden voor, zoals naam, categorie, merk en afmetingen — zo maak je binnen seconden een voorraadrecord aan.

Voorstellen zijn aan te passen; ze worden opgeslagen zodra je ze goedkeurt.

AI vindt afwijkingen tussen je documenten

AI vergelijkt aantallen colli, gewichten en partijnamen in de CMR, factuur en paklijst; signaleert afwijkingen, controleert het documenttype en waarschuwt je voor ongeldige bestanden.

AI ziet de verschillen die het menselijk oog ontgaan.

AI die elk punt van je operatie raakt

Geen losse assistent, maar een AI-laag die werkt in documenten, tarieven, catalogus, controles en facturen.

Resultaten voor tarieven en antidumping zijn uitsluitend ter informatie.

Documenten uitlezen & velden extraheren — Leest de CMR, factuur, T1/T2, paklijst en het cognossement; vult de velden in met een betrouwbaarheidsscore.
Vertaling in 36 talen — Vertaalt documenten en berichten automatisch in 36 talen, zodat je in je eigen taal kunt corresponderen.
Formulieren invullen vanuit foto's — Stelt automatisch catalogusvelden voor op basis van een foto van een product of pallet; opgeslagen na jouw goedkeuring.
Tarieven & antidumping opzoeken — Haalt HS-codes, invoerrechten en geldende antidumpingmaatregelen op uit officiële bronnen in TR, het VK, de EU en de VS, waar nodig met hulp van AI.
Consistentiecontrole — Vindt afwijkingen in aantal colli, gewicht en partijnamen tussen documenten; controleert het documenttype en markeert ongeldige bestanden.
Vrachtfacturen uitlezen — AI leest de binnenkomende vrachtfactuur, haalt het totaalbedrag en de gefactureerde partij eruit en koppelt ze aan het zendingsrecord.

Laat je operatie draaien op AI

Documenten uitlezen, vertalen, tarieven, consistentie en facturen uitlezen — alles op één kern, vanaf de eerste dag.

Wat doet AI-software voor logistiek en supply chain eigenlijk?

Vier AI-toepassingen zijn in de logistiek volwassen: velden uit documenten halen, documenten onderling vergelijken, meertalige vertaling en foto's omzetten in gestructureerde data. Vijf andere zijn in ontwikkeling: ondersteuning bij tariefindeling, schadebeoordeling, verwerking van uitgavenbonnen, ETA en records opbouwen uit vrije tekst. Het gaat allemaal om gegevensinvoer en controle. AI beslist niet over indeling, aangiftes of prijzen; de output is probabilistisch en vraagt om menselijke goedkeuring. De waarde hangt af van hoe vaak de handmatige stap die het vervangt zich herhaalt, niet van de functielijst.

Wat AI vandaag de dag echt doet in de logistiek, valt uiteen in negen toepassingen: vier volwassen, vijf nog in ontwikkeling. De volwassen toepassingen zijn binnen seconden te controleren door de output naast de bron te leggen: velden uit documenten halen, documenten naast elkaar lezen om afwijkingen te signaleren, correspondentie en papierwerk vertalen, en een foto omzetten in gestructureerde data. De toepassingen in ontwikkeling vragen om oordeelsvermogen, hangen af van externe omstandigheden of van discipline op het terrein: ondersteuning bij tariefindeling, beoordeling van schade aan materieel, verwerking van uitgavenbonnen, verwachte aankomsttijd en records opbouwen uit vrije tekst.

Wat ze niet doen, is net zo duidelijk. Ze nemen de indeling, de aangifte of de prijsbeslissing niet over; daar hangt aansprakelijkheid aan, en die beslissingen blijven bij een mens. Ze voorzien geen wachtrij bij de douane, geen veerbootcapaciteit en geen controle aan de grens. Het belangrijkste: een AI-output is een waarschijnlijkheid, geen zekerheid. Elk veld heeft een kans om fout te zijn, dus geen enkele workflow die zonder goedkeuringsstap is opgezet, is veilig.

Deze pagina geeft elk van de negen een volwassenheidslabel en zet uiteen hoe het wordt gemeten, waar het vastloopt en welke data het nodig heeft. Daarna: hoe je in een demo de claim “wij hebben AI” van een leverancier test.

De echte taak van AI in de logistiek is lezen, niet voorspellen: gestructureerde data halen uit papierwerk, foto's en vrije tekst.
Beoordeel elke toepassing met twee vragen: hoe wordt het gemeten, en waar gaat het mis? Een AI-claim die op geen van beide antwoord geeft, valt niet te meten.
Een nauwkeurigheidspercentage zegt op zichzelf niets: vraag op welke documentenset er is gemeten, of het om veld- of documentniveau gaat en wie de meting heeft uitgevoerd.
Doe de demo met je eigen slechtst gescande papieren, niet met de voorbereide set van de leverancier. Precies daar loopt AI vast.
Komt een extractie zonder goedkeuring in het record terecht, dan creëert het systeem een verborgen correctielast die de bespaarde tijd weer opeet.
Geen data, geen AI: ontbrekende historie, een leeg relatiebestand en scans met een lage resolutie tasten de output direct aan.

Wat doet AI echt in de logistiek?

Velden uit documenten halen / documenten uitlezen (volwassen) — Herkent het documenttype — handelsfactuur, CMR-vrachtbrief, paklijst, kentekenbewijs, paspoort — en zet de inhoud om in gestructureerde data: namen van partijen, datums, aantal colli, bruto- en nettogewicht, bedragen, documentnummers, vervaldatums. In goed gebouwde systemen komen de geëxtraheerde gegevens als voorstel in het formulier terecht en worden ze goedgekeurd voordat ze worden opgeslagen. Dat is geen branchestandaard, maar een ontwerpkeuze waar je de leverancier apart naar moet vragen. Het invoerwerk van papieren lezen en overtikken op een scherm. In de meeste bedrijven is dat geen aparte functie, maar een last die over de dag van de planner en de boekhouder is verspreid. Twee maatstaven samen: nauwkeurigheid op veldniveau (correct geëxtraheerde velden gedeeld door het totaal aantal velden dat gelezen had moeten worden) en correctiegraad (documenten die menselijke correctie nodig hebben gedeeld door het totaal aantal documenten). Het cijfer op documentniveau — documenten die er zonder enige correctie doorheen komen — valt altijd lager uit, omdat één fout veld het hele document laat afvallen. Handgeschreven invullingen, tekst die over een stempel of handtekening heen loopt, scans van faxkwaliteit of met een lage resolutie, schuin genomen telefoonfoto's, tabellen met meerdere kolommen die op één pagina zijn geperst, en sjablonen die het systeem nooit eerder heeft gezien. De fouten nemen sterk toe bij lay-outs waarin het systeem de positie op de pagina leest in plaats van het veldlabel. Een digitale kopie met een leesbare resolutie — bij voorkeur een van oorsprong digitale pdf — en de volledige, niet bijgesneden pagina. Voor validatie heeft het veld een tegenhanger in het systeem nodig, bijvoorbeeld de officiële bedrijfsnaam zoals die in je relatiebestand staat.
Consistentiecontrole tussen documenten (volwassen) — Leest de documenten van dezelfde zending naast elkaar en signaleert afwijkingen: het gewicht op de factuur tegenover het gewicht op de paklijst, aantallen colli, namen van partijen, oorsprong en waarde. De afwijking komt boven water voordat de truck vertrekt of de aangifte wordt ingediend — niet aan de grens. De persoon die twee of drie documenten naast elkaar legt en ze met het oog vergelijkt. Op drukke dagen is dit de eerste taak die blijft liggen, en juist op de dag dat hij blijft liggen, kost dat het meest. Detectiegraad (hoeveel bekende afwijkingen er zijn gesignaleerd) en vals-alarmgraad (hoeveel waarschuwingen een volledig consistente set oplevert). Wordt die tweede nooit gemeten, dan leert het team waarschuwingen weg te klikken en is de controle binnen een paar weken alleen nog decoratie. Overal waar hetzelfde gegeven in verschillende maar legitieme vormen is geschreven: bruto tegenover netto, andere eenheden, afgeronde bedragen, een afgekorte handelsnaam, twee adressen voor hetzelfde bedrijf. Is één document nooit geüpload, dan is de controle onvolledig; tenzij het systeem zegt “er is geen tweede record om mee te vergelijken”, ontstaat er een stil gat en denkt het team dat er een controle is uitgevoerd. Minstens twee documenten, allebei gekoppeld aan hetzelfde zendingsrecord. De lijst met te vergelijken velden en de tolerantiedrempel — hoeveel kilo verschil zonder waarschuwing door mag — moeten zijn vastgelegd.
Ondersteuning bij tariefindeling — HS- en nationale codes (in ontwikkeling) — Stelt kandidaat-tariefcodes voor op basis van de productomschrijving en de factuurregel, koppelt vergelijkbare omschrijvingen en haalt de invoerrechten en geldende handelsmaatregelen voor die code op. In Turkije is de nationale code de GTİP, die de internationale zescijferige HS-code met extra nationale cijfers uitbreidt; andere markten breiden de HS-code op hun eigen manier uit. Het voorstel is een shortlist — de beslissing welke code wordt aangegeven, blijft bij een mens. De medewerker douanezaken die het tariefschema regel voor regel doorloopt, in oude dossiers naar een vergelijkbaar product zoekt of een specialist mailt en op antwoord wacht. Hoe vaak de juiste code als eerste voorstel verschijnt, en hoe vaak hij bij de eerste drie zit; gebruik je eigen afgesloten aangiftes uit het verleden als referentieset. Let ook op hoe vaak de tool ronduit zegt dat hij het niet zeker weet — een tool die nooit twijfelt, valt niet te meten. Goederen van gemengd materiaal, artikelen die als set worden verkocht, machineonderdelen die naar functie worden ingedeeld, en regels met een algemene handelsnaam (“accessoire”, “reserveonderdeel”). Omdat de nationale onderverdeling onder de zescijferige HS-code per land verschilt, kan hetzelfde product bij invoer en bij uitvoer onder verschillende codes vallen; verschuift de nomenclatuur bij een jaarlijkse update, dan heeft een code uit een oud dossier vandaag misschien geen tegenhanger meer. Toont het scherm niet uit welk jaar de nomenclatuur komt die de tool raadpleegt, dan kun je het voorstel niet verifiëren. De technische omschrijving, de materiaalsamenstelling, het beoogde gebruik, het land van oorsprong en waar mogelijk een foto. De kwaliteit van het voorstel daalt merkbaar als alleen de korte handelsnaam uit de factuurregel wordt aangeleverd.
Meertalige correspondentie en documentvertaling (volwassen) — Vertaalt correspondentie over zendingen en anderstalige documenten ter plekke; elke partij schrijft en leest in de eigen taal. De echte winst in de logistiek zit niet in woord-voor-woordvertaling, maar in de zekerheid dat zinnen met adressen, verpakkingsinstructies, betalingsvoorwaarden en afleverinstructies goed worden begrepen. Uren die verloren gaan in een vertaaltabblad, uitbesteed vertaalwerk en de bottleneck van “de enige hier die die taal spreekt”. Meet de fouten die het oplevert, niet de vertaling zelf: incidenten door misverstanden (een verkeerd adres, een verkeerde verpakking, een gemiste leverdatum) en de tijd dat een dossier stilligt in afwachting van een vertaling. Vakjargon en afkortingen, lokale douaneterminologie, twee talen door elkaar in één zin, afwijkende eenheden en datumnotaties, en juridische nuance. Een machinevertaling van een contract of een aangiftetekst heeft geen juridische waarde, en per ongeluk vertaalde namen van partijen en plaatsen zijn een andere veelvoorkomende fout. De tekst zelf; voor documenten eerst een leesbare scan. Bedrijfs-, persoons- en plaatsnamen die correct in het relatiebestand staan, voorkomen dat namen worden wegvertaald.
Gegevens extraheren en meten uit foto's — pallets, goederen, voertuigen (volwassen) — Velden zoals productcategorie, verpakkingstype, kenteken of palletafmetingen worden uit een foto gehaald. In goed gebouwde systemen komen ze als voorstel in het formulier terecht en worden ze niet zonder goedkeuring opgeslagen; dat is geen standaard, maar een ontwerpkeuze waar je de leverancier apart naar moet vragen. Heeft de telefoon een dieptesensor, dan worden lengte, breedte en hoogte vastgelegd met een veel kleinere foutmarge dan bij een schatting op basis van een foto; die marge verschilt per apparaat, afstand en oppervlak, en blijft samen met de foto in het record staan. Met een rolmaat meten en het in een notitieboekje opschrijven, gegevens van het kentekenbewijs overtikken op een scherm, en een nieuw product vanuit een leeg formulier aanmaken. Hoeveel voorgestelde velden ongewijzigd worden goedgekeurd, en het verschil in de tijd die het invullen van een formulier kost. Bij meting is de referentie dezelfde pallet, gemeten met een rolmaat; de afwijking wordt in centimeters gerapporteerd. Slecht licht, met rekfolie omwikkelde en reflecterende oppervlakken, onregelmatig gestapelde of overstekende ladingen, andere pallets op de achtergrond, en diepte die niet uit één beeld is af te leiden. Ook sensormeting is niet foutloos; de afwijking neemt toe op reflecterende en omwikkelde oppervlakken. Een volume dat uit een foto is afgeleid, is een schatting: bij een geschil over volumegewicht is het een contractuele kwestie welk record geldt — leg de meetmethode vooraf schriftelijk vast. Een foto die de hele lading in beeld brengt, recht van voren genomen en bij voldoende licht. Voor meting is een apparaat met een dieptesensor nodig en genoeg ruimte om rond de pallet te lopen.
Beoordeling van schade en staat van materieel — foto's bij overdracht (in ontwikkeling) — Foto's die worden gemaakt wanneer een oplegger, container of lading van hand wisselt, worden gelezen; zichtbare schade, ontbrekende onderdelen en vervuiling worden gesignaleerd, en het verschil tussen twee overdrachten wordt in kaart gebracht. Het resultaat is een record met tijdstempel; wat de aansprakelijkheid bepaalt, is niet de foto zelf, maar in welke beheerperiode die is genomen. De gewoonte om schade zonder bewijs op de laatste chauffeur af te schuiven, en de discussie over inhoudingen die draait op wat elke partij zich herinnert. Het aandeel overdrachten met een volledige fotoset, en het aandeel schadegeschillen dat met bewijs wordt afgesloten. De detectie zelf wordt apart gemeten: de detectiegraad bij sets met bekende schade, valse alarmen bij onbeschadigde sets. De harde grens is deze: oude en nieuwe schade zijn niet betrouwbaar van elkaar te onderscheiden. Het systeem wijst daarom geen aansprakelijkheid toe; het laat het verschil tussen twee momenten zien, en de beslissing in wiens beheerperiode dat verschil valt, blijft bij een mens. Beelden die 's nachts of in de regen zijn gemaakt, modderige oppervlakken, daken en onderstellen die door een smalle opnamehoek nooit in beeld komen, en lading die in een gesloten opbouw verborgen zit, verzwakken de detectie nog verder. Een fotoset die bij elke overdracht vanuit dezelfde hoeken wordt gemaakt, met opnametijd en locatie, plus een registratie van wie het materieel op dat moment onder zich had. Deze toepassing hangt volledig af van discipline op het terrein: is de foto nooit gemaakt, dan bestaat er geen record om te lezen.
Uitgavenbonnen en kostenfacturen verwerken en op kosten boeken (in ontwikkeling) — Bonnen voor brandstof, tol, parkeren, reparatie en keuring worden gelezen; bedrag, datum, valuta, verkooppunt en kostencategorie worden eruit gehaald en op het juiste voertuig, de juiste rit of de juiste chauffeursrekening geboekt. De leeskant is net zo volwassen als documentextractie; wat nog in ontwikkeling is, is de bon koppelen aan het juiste voertuig, de juiste kostenpost en de juiste wisselkoers. Een bon in vreemde valuta wordt omgerekend volgens het vastgelegde koersbeleid van het bedrijf — meestal de koers op de dag van de uitgave — en zowel de gebruikte koers als de bron ervan moeten in het record zichtbaar zijn. De administratief medewerker die aan het eind van de maand een zak vol bonnetjes in een spreadsheet tikt, en de discussie met de chauffeur over de bedragen. Verwerkingstijd per bon, het aandeel handmatig gecorrigeerde velden en het aantal niet-gematchte bonnen bij de maandafsluiting. Houd ook bij welk deel van de totale kosten per voertuig naar categorie kan worden uitgesplitst — wat niet kan worden uitgesplitst, verdwijnt in de overhead. Verbleekt thermisch papier, gevouwen en gescheurde bonnen, artikelnamen die alleen in de lokale taal zijn afgedrukt, onleesbare laatste vier cijfers van een kaart, één bon voor meer dan één voertuig, en een betaalkanaal dat helemaal niet uit de bon is af te leiden. Is de datum onleesbaar, dan valt de valutaomrekening niet betrouwbaar vast te stellen. Een duidelijke foto van de hele bon, de datum van de uitgave, welke chauffeur en welk voertuig op die datum aan elkaar gekoppeld waren, en het betaalkanaal — contant, bedrijfskaart en tankpas worden elk anders geboekt — plus het koersbeleid van het bedrijf en de gebruikte koersbron.
Verwachte aankomsttijd en stopvolgorde (in ontwikkeling) — Uit afstand, route en wegomstandigheden wordt een verwachte aankomsttijd berekend; bij ritten met meerdere stops worden de stops gerangschikt op de kortste totale afstand. Het meeste hiervan is rekenwerk, geen leren; echt leren begint pas zodra je eigen historische ritduren en wachttijden in de data zitten. De planner die de stopvolgorde met een kaart erbij uit het hoofd samenstelt, en het “ergens morgenavond” dat de klant aan de telefoon te horen krijgt. De gemiddelde absolute fout van de schatting (het verschil tussen voorspelde en werkelijke aankomst) en de naleving van het beloofde levervenster. Voor de stopvolgorde is de maatstaf het verschil in totale kilometers tussen de route van het systeem en een met de hand samengestelde route. Wachtrijen bij douane en grens, vertrektijden van veerboten en volgeboekte afvaarten, stakingen, het weer, de uren waarop de ontvanger gesloten is, en wachten aan het dock. Hier zit de meeste vertraging, en het meeste daarvan valt buiten de schatting. Zonder je eigen historie leert het systeem nooit de werkelijke wachttijden op jouw trajecten. Correcte adressen en coördinaten, een live positiefeed, openings- en afspraaktijden per stop, en beperkingen per voertuigtype. Leren vereist eerdere ritduren en vastgelegde werkelijke wachttijden op hetzelfde traject.
Records aanmaken uit vrije tekst en spraakopdrachten (in ontwikkeling) — Een order per e-mail, een bericht of een gesproken instructie wordt omgezet in een gestructureerd record: partijen, adressen, regels, gewichten en datums komen in velden terecht. Een zin als “verander het adres van de ontvanger hierin” of “verwijder de derde regel” werkt het betreffende veld bij, zodat iemand die de schermen niet kent het werk toch gedaan krijgt door het te beschrijven. De medewerker die dezelfde informatie uit een e-mail in een formulier overneemt, en de tijd die een nieuwe collega kwijt is aan uitzoeken op welk scherm een bepaald gegeven thuishoort. Het aandeel ingevulde velden per record, het aantal menselijke correcties en de tijd tot het eerste foutloze record. Houd als aparte maatstaf bij hoe vaak een ongetrainde gebruiker de taak bij de eerste poging zelfstandig afrondt. Vage of tegenstrijdige instructies (“stuur het zoals altijd”), context die bovenaan een e-mailketen is blijven hangen, audio die in een lawaaiige cabine is opgenomen, kiezen tussen twee bedrijven met vergelijkbare namen of twee adressen van hetzelfde bedrijf, en een valuta of leveringsvoorwaarde die nooit is genoemd. Bij kritieke velden hoort het systeem te vragen in plaats van te gissen. De volledige tekst van de instructie of een duidelijke geluidsopname, plus een gevuld bestand van bedrijven, adressen en producten. Met een leeg bestand heeft de extractie niets om mee te matchen, en begint het systeem nieuwe maar verkeerde records aan te maken.

Hoe test je de AI-claim van een leverancier in een demo?

“Onze AI leest je papierwerk automatisch — gegevensinvoer verdwijnt.” — Upload direct na elkaar drie versies van dezelfde leverancier: een document op het oude briefpapier, een op het nieuwe briefpapier en een van oorsprong digitale pdf. Tel veld voor veld: hoeveel kwamen er correct door, hoeveel bleven leeg, hoeveel waren fout maar wel ingevuld? Zoek dan uit wat de oorzaak van de fout was: de wijziging van het sjabloon of de scankwaliteit? De oplossingen zijn verschillend, en leveranciers praten meestal alleen over de tweede. Velden die fout maar wel ingevuld zijn, zijn de gevaarlijke, omdat niemand de behoefte voelt ze te controleren. Eén sjabloon laten zien en de rest afdoen met “dat configureren we tijdens de onboarding”; pas na ondertekening horen dat elk nieuw leverancierssjabloon een betaalde configuratieklus is; en geen enkel cijfer over hoeveel de nauwkeurigheid daalt als een sjabloon verandert.
“Onze nauwkeurigheid bij het lezen van documenten ligt ergens boven de negentig procent.” — Begin met één vraag: op welke documentenset, hoeveel monsters, op veld- of documentniveau, en wie heeft de meting uitgevoerd? Herhaal daarna dezelfde meting op twintig van je eigen documenten en kom tot twee afzonderlijke getallen — op veldniveau en op documentniveau. Het verschil daartussen is de echte correctielast die je team gaat dragen. Eén percentage zonder definitie erachter, de term “branchestandaard”, of weerstand tegen het herhalen van de meting op je eigen documenten.
“De AI vertelt je wanneer hij het niet zeker weet.” — Upload een opzettelijk beschadigd document: kras één veld door of knip de halve pagina weg. Zijn velden met een lage betrouwbaarheid op het scherm visueel te onderscheiden, of ziet elk veld er even zeker uit? Probeer daarna op te slaan — schrijft het systeem het onzekere veld zonder goedkeuring weg, of legt het dat bij een mens neer? Elk veld met dezelfde zekerheid gepresenteerd, een systeem dat nooit “ik weet het niet zeker” kan zeggen, en extractie die zonder goedkeuringsstap rechtstreeks in het record wordt geschreven.
“Het systeem leert terwijl je het gebruikt — na verloop van tijd hoef je minder te corrigeren.” — Corrigeer een verkeerd geëxtraheerd veld en upload daarna een tweede document op hetzelfde sjabloon van dezelfde leverancier. Herhaalt dezelfde fout zich? Zo ja, stel dan drie vragen: waar wordt mijn correctie opgeslagen, is er een geheugen op sjabloon- of leveranciersniveau, en hoe lang duurt het voordat het effect zichtbaar wordt? “Ja, het leert” zonder mechanisme erachter, en onwil om toe te geven dat de correctie in werkelijkheid alleen in dat ene record is geschreven. Vindt er wel echt leren plaats, dan loopt het tweede risico de andere kant op: tenzij het contract vastlegt hoe je data voor andere klanten wordt gebruikt, betaal je dat leren misschien met je eigen inhoud.
“Onze AI vindt de douanetariefcode voor je product.” — Geef de tool iets wat niet makkelijk in te delen is: een textielproduct van gemengde vezels, een set die met accessoires wordt verkocht of een machineonderdeel dat naar functie wordt ingedeeld. Zoek daarna hetzelfde product op met twee verschillende omschrijvingen — de ene de korte handelsnaam uit de factuurregel, de andere een volledige technische omschrijving met materiaalsamenstelling en beoogd gebruik. Verandert de code, dan weet je waar de tool gevoelig voor is; verandert hij nooit, dan matcht de tool hoogstwaarschijnlijk trefwoorden in plaats van de omschrijving te lezen. Kijk ook of er één code op het scherm verschijnt of een lijst met kandidaten en een onderbouwing. Eén code zonder onderbouwing, hetzelfde antwoord met dezelfde zekerheid voor twee heel verschillende omschrijvingen, een systeem dat op geen enkele regel “ik weet het niet zeker” kan zeggen, en elke suggestie dat “je onder deze code kunt aangeven”.
“Onze AI vindt inconsistenties tussen je documenten.” — Probeer drie dingen afzonderlijk. Leg eerst de afwijking in een niet-numeriek veld — laat de naam van de ontvanger of het land van oorsprong verschillen; kijkt het systeem alleen naar gewicht en aantallen colli, of vergelijkt het ook tekstvelden? Laat daarna één document van de set helemaal weg; zegt het systeem “er is geen tweede record om mee te vergelijken”, of wordt het dossier als gecontroleerd getoond? Upload ten slotte een volledig consistente set en tel hoeveel waarschuwingen die oplevert. Vraag vervolgens om de schriftelijke lijst van gecontroleerde velden en hoe de tolerantiedrempel wordt ingesteld. Geen lijst van gecontroleerde velden beschikbaar, een dossier met een ontbrekend document dat als “gecontroleerd” wordt getoond, waarschuwingen bij een consistente set, en geen andere manier om met waarschuwingen om te gaan dan ze uit te zetten.
“Je data is veilig — wij regelen de AI-kant.” — Stel drie vragen op schrift: naar welk land gaat een document terwijl het wordt verwerkt; hoe lang wordt het bewaard en hoe werkt een verwijderverzoek; wordt gelogd wie een extractie heeft gecorrigeerd, wanneer en naar welke waarde? Zorg dat de antwoorden in een bijlage bij het contract staan, en laat in de demo de wijzigingsgeschiedenis van een record openen, zodat je die zelf kunt bekijken. Mondelinge geruststellingen zonder schriftelijke bijlage, een ontweken vraag over de verwerkingslocatie, en helemaal geen correctiespoor.

Drie benaderingen: regels, aangekoppelde AI, AI-native platform

Regelgebaseerde automatisering (geen AI) — Repetitief werk waarbij het invoerformaat vastligt: bestanden importeren die altijd op hetzelfde sjabloon binnenkomen, een melding geven als een document verloopt, stops rangschikken op de kortste afstand, een factuur aanmaken uit zendingsgegevens. Ligt het formaat vast, dan is een regel altijd goedkoper, sneller en makkelijker te controleren. Het resultaat is herhaalbaar en uitlegbaar: dezelfde invoer levert altijd dezelfde uitvoer op Fouten opsporen is eenvoudig — je kunt de regel aanwijzen die het verkeerde resultaat opleverde Het is verdedigbaar bij een audit, omdat de redenering de tekst van de regel zelf is Het gaat mis zodra een sjabloon verandert; elk nieuw leveranciersdocument betekent een nieuwe regel Het kan ongestructureerde invoer helemaal niet verwerken — vrije tekst, foto's, handschrift Naarmate het aantal regels groeit, wordt het een berg die niemand nog van begin tot eind begrijpt
AI aangekoppeld aan bestaande software — Bedrijven met een uitgekristalliseerde operatie en één duidelijke bottleneck: alleen binnenkomende facturen lezen, of alleen correspondentie vertalen. Wil je een specifieke stap versnellen zonder het kernsysteem te vervangen, dan is dit een verstandige plek om te beginnen. Het versnelt één stap, met een laag migratierisico en weinig trainingslast Omdat de scope smal is, wordt succes snel zichtbaar in de metingen Bevalt het niet, dan verwijder je alleen de add-on; je hoeft de operatie niet te verhuizen De geëxtraheerde gegevens koppelen meestal niet aan het hoofdrecord; ze staan op het scherm, maar stromen nooit door naar de zending, de factuur en het grootboek Het kan niet kruiscontroleren: het leest alleen het document dat voorligt en weet niets van het tweede record om mee te vergelijken Goedkeuring, correctie en audittrail liggen ergens anders, dus de verantwoordingsketen breekt
AI-native platform (extractie in het record zelf) — Operaties waarin dezelfde gegevens meerdere keren per dag opnieuw worden ingetikt en de last van papierwerk en talen zwaar is. De toets is herhaling, niet de sector: tel op hoeveel verschillende plekken je op een dag hetzelfde gewicht, hetzelfde aantal colli en dezelfde partijgegevens noteert. Is dat aantal hoog, dan loont deze aanpak; is het laag, dan niet. Dezelfde gegevens worden één keer ingevoerd; een tweede en derde invoerronde komt er nooit Vergelijken is mogelijk, omdat documenten en records in dezelfde context zitten Tolerantiedrempels en goedkeuringsregels worden op één plek ingesteld, niet voor elke stap apart bijgehouden Een fout veld vervuilt niet alleen het formulier, maar ook de zending, de factuur en de boekingen die eraan hangen; terugdraaien kost meer dan bij een losse add-on Het maakt je afhankelijk van één leverancier; begin er niet aan zonder contractuele garantie dat je het archief en de historie samen met de bijlagen kunt exporteren De winst begint pas zodra de data erin zit; in een kantoor dat een handvol dossiers per maand afsluit, kan de inrichtingsinspanning groter zijn dan de opbrengst

Mythes in de branche en de werkelijkheid

AI leest papierwerk perfect — niemand hoeft het nog te controleren. — Extractie is probabilistisch; elk veld komt met een betrouwbaarheidsniveau. Een correcte inrichting is een goedkeuringsstap die velden met een hoge betrouwbaarheid doorlaat en onzekere velden bij een mens neerlegt. Aansprakelijkheid gaat nooit over op software: jij bent nog steeds degene die de aangifte indient, de factuur uitreikt en de leverdatum belooft.
AI bepaalt de douanetariefcode van een product. — AI stelt kandidaatcodes voor en brengt vergelijkbare omschrijvingen naar boven; indeling is een kwestie van oordeel en aansprakelijkheid. Antidumping- en vrijwaringsmaatregelen worden meestal afgeleid uit de formulering van de maatregel zelf, niet uit een codematch, en de bindende bron is de officiële publicatie. Een tool die één code noemt zonder bron en bijwerkdatum te tonen, schuift het risico naar jou door.
Als het automatisch gaat, is het AI. — De meeste automatisering in logistieke software bestaat uit regelengines en optimalisatie: een melding dat een document verloopt is een datumregel, de stopvolgorde is een kortste-routeberekening, het matchen van aanvragen is een filter. Dat is waardevol, maar het is geen AI. Het correct benoemen is belangrijk, omdat je per soort ander bewijs moet eisen.
Het systeem wordt vanzelf slimmer naarmate je het meer gebruikt. — In de meeste producten wordt je correctie alleen in dat ene record geschreven, en herhaalt dezelfde fout zich bij het volgende document. Leren gebeurt alleen als correcties worden verzameld en omgezet in een geheugen op sjabloon- of leveranciersniveau. Vraag de leverancier naar het mechanisme; “het leert” op zichzelf is geen toezegging.
AI weet vooraf van vertragingen. — Schattingen worden berekend uit afstand, route en eerdere ritduren, maar de meeste vertraging in de logistiek komt van buitenaf — wachtrijen bij de douane, veerbootcapaciteit, controles, stakingen, wachten aan het dock. Een goede schatting voorkomt daar niets van; ze geeft eerlijk haar foutmarge aan. Een systeem dat nooit de gemiddelde schattingsfout rapporteert, hoort niet te worden gebruikt om klanten iets te beloven.
Zet de AI gewoon aan — de data hebben we al. — AI-output kan nooit beter zijn dan de invoer. Scans met een lage resolutie maken lezen onmogelijk, een leeg bedrijfs- en productbestand maakt matchen onmogelijk, een zendingsrecord met maar één document maakt een kruiscontrole onmogelijk, en niet-vastgelegde eerdere ritduren maken schatten onmogelijk. Dit soort projecten loopt meestal vast op de data, niet op het model, en een ander model lost dat niet op.

Waar staat Logistivo bij deze negen toepassingen?

Logistivo hoort bij de derde benadering: de extractie zit in het record zelf, niet in een aangekoppelde add-on. De negen op een rij — velden uit documenten halen: ja, met een goedkeuringsstap. Controle tussen documenten: ja; verschillen in gewicht, colli en partijen komen vóór de aangifte boven water. Tariefindeling: op het niveau van ondersteuning, niet volwassen; kandidaatcodes krijgen een bronlabel en worden gearchiveerd in de stand van die dag. Vertaling: ja, 36 talen. Extractie en meting uit foto's: ja, als formuliervoorstellen. Schadebeoordeling: ja, per bedrijf optioneel en standaard uitgeschakeld. Uitgavenbonnen: ja, in meerdere valuta's. Leren voor ETA: nee. Vrije tekst en spraak naar een record: ja, met een goedkeuringsstap. We publiceren geen los nauwkeurigheidscijfer; in een demo wordt de nauwkeurigheid op veld- en documentniveau gemeten op 20 van je eigen documenten, en je krijgt het resultaat op schrift.

AI beslist niets in Logistivo: geëxtraheerde velden komen binnen als voorstel, worden niet zonder goedkeuring in het record geschreven, en een kandidaat-tariefcode is niet bindend — de aangifte zelf wordt geregistreerd in het eigen systeem van de douaneautoriteit, waar de gegevens met de hand worden ingevoerd. Opzoekingen van tarieven en handelsmaatregelen worden afgeschreven van de credits op je account; in kantoren met zeer veel opzoekingen is dat een aparte kostenpost. Bij ETA wordt niet geleerd van eerdere ritduren, en de stopvolgorde is een kortste-routeberekening. Er worden geen prognoses van vraagvolumes, vrachttarieven of de markt gemaakt. Positiegegevens komen van de telefoon van de chauffeur; volgsystemen in het voertuig en telemetrie van tachograaf en brandstofsensoren worden niet uitgelezen. Bij handgeschreven papieren, tekst onder een stempel of scans met een lage resolutie daalt de leesnauwkeurigheid en blijft een deel van het werk bij jou. In een bedrijf dat zijn chauffeurs niet aan de app krijgt, ontstaat nooit velddata, waardoor alle toepassingen op basis van foto's en locatie stilliggen.

Veelgestelde vragen

Welke documenten kan de AI lezen?

De AI leest gangbare logistieke documenten zoals de CMR, de handelsfactuur, de T1/T2-transitaangifte, de paklijst en het cognossement, en haalt de velden eruit. Pdf's en foto's worden ondersteund.

Hoe nauwkeurig is de AI?

De nauwkeurigheid bij het extraheren van velden is 98,6%. Elk veld komt met een betrouwbaarheidsscore en blijft aanpasbaar tot je het goedkeurt — AI stelt voor, jij beslist.

In hoeveel talen vertaalt de AI?

De AI vertaalt documenten en berichten automatisch in 36 talen, zodat je in je eigen taal kunt corresponderen en binnenkomende papieren in je moedertaal leest.

Kan ik een product toevoegen vanaf een foto?

Ja. Maak je een foto van een product of pallet, dan stelt de AI catalogusvelden voor, zoals naam, categorie, merk en afmetingen; je voorraadrecord wordt aangemaakt zodra je goedkeurt.

Houdt de AI mijn data veilig?

Je data is van jou en blijft per bedrijf afgeschermd; al het verkeer tussen de browser of mobiele app en onze servers is versleuteld met TLS (HTTPS), documenten worden opgeslagen binnen de Europese Unie en je account is beveiligd met tweestapsverificatie. Je data blijft binnen je eigen operatie.

Hoe zie ik of een functie echt AI is of gewoon een regelengine?

Eén verschil in gedrag geeft de doorslag: levert dezelfde invoer altijd precies dezelfde uitvoer op, dan is het een regel; heeft de uitvoer een betrouwbaarheidsniveau, varieert die bij vergelijkbare maar verschillende invoer en kan het systeem “ik weet het niet zeker” zeggen, dan is het een inferentie. Een melding dat een document verloopt is een datumregel, de stopvolgorde een kortste-routeberekening, het matchen van aanvragen een filter — waardevol, maar geen AI. Het onderscheid doet ertoe voor het bewijs: van een regel mag je de tekst verlangen; van een inferentie een nauwkeurigheidsmeting, een betrouwbaarheidsindicator en een goedkeuringsstap. Verkoopt een leverancier beide onder één noemer, leg dan in het contract vast wat je koopt. Onze gids over software voor douane-expediteurs behandelt de tegenhanger hiervan voor het douanedossier.

Wat is het verschil tussen AI-ondersteunde logistieke software en gewone logistieke software?

Het verschil zit niet in de functielijst, maar in hoe gegevens het systeem binnenkomen. In gewone software vult een mens de velden in; in AI-ondersteunde software worden de velden voorgesteld op basis van een document, een foto of vrije tekst, en keurt de mens alleen goed. Het tweede verschil is de controle: omdat het systeem dat de extractie doet ook de andere records ziet die aan dezelfde zending hangen, kan het afwijkingen tussen documenten signaleren. Zonder die twee beschrijft het label “AI” meestal een regelengine of een losse lees-add-on die nooit aan het hoofdrecord koppelt — en maakt het geen meetbaar verschil.

Hoe nauwkeurig moet AI-documentherkenning zijn, en zijn gepubliceerde nauwkeurigheidscijfers te vertrouwen?

Een percentage op zichzelf zegt niets. Voor hetzelfde product valt de nauwkeurigheid op veld- en op documentniveau heel verschillend uit; het cijfer op documentniveau is altijd lager, omdat één fout veld het hele document laat afvallen. Vraag de leverancier drie dingen: welke documentenset en hoeveel monsters er voor de meting zijn gebruikt, of die op veld- of documentniveau was, en wie hem heeft uitgevoerd. Herhaal daarna dezelfde meting op twintig van je eigen documenten. Een cijfer dat niet op je eigen papieren te reproduceren is, is marketingtekst, geen meting.

Wat doet AI bij de douane — kan het de tariefcode bepalen?

Bij de douane leest en vergelijkt AI: het haalt regels, bedragen en gewichten uit de factuur en de paklijst en leest documenten daarna naast elkaar om verschillen in gewicht, aantal colli, partijen en waarde te signaleren voordat de aangifte wordt ingediend. Aan de tariefkant stelt het kandidaatcodes voor en haalt het de bijbehorende rechten en geldende handelsmaatregelen op. De code bepalen en de aangifte indienen is mensenwerk, en de aansprakelijkheid ontstaat binnen de vertegenwoordigingsrelatie. Geen enkele beslissing mag rusten op een resultaat dat zijn bron en bijwerkdatum niet toont; de bindende referentie is de officiële publicatie.

Waar bespaart AI echt tijd in het wegtransport?

Voor een vervoerder concentreert de winst zich op vier plekken: velden uitlezen uit transportdocumenten (CMR-vrachtbrief, factuur, paklijst), nummers en vervaldatums halen uit documenten van chauffeurs en voertuigen, uitgavenbonnen verwerken en op het juiste voertuig en de juiste kostenpost boeken, en anderstalige correspondentie vertalen. Wat ze gemeen hebben: alle vier zijn repetitieve taken die over de dag van de planner en de boekhouder verspreid zijn. Er is een eenvoudige manier om het in te schatten: tel een week lang op hoeveel verschillende plekken je hetzelfde gewicht, hetzelfde aantal colli en dezelfde partijgegevens noteert. Precies daar stapelt de winst zich op.

Kan AI de verwachte aankomsttijd echt weten?

In de meeste producten is ETA rekenwerk, geen leren: het komt voort uit afstands-, route- en verkeersgegevens. Echt leren begint pas zodra je eigen eerdere ritduren en wachttijden in het systeem zitten. In het internationale wegtransport komt de meeste vertraging van buitenaf — wachtrijen aan de grens, veerbootcapaciteit, douanecontroles, wachten aan het dock. Bij het beoordelen van een schatting volstaat daarom één vraag: wordt de gemiddelde schattingsfout gemeten en gerapporteerd? Een schatting die haar foutmarge niet noemt, hoort niet te worden gebruikt om klanten iets te beloven.

Welke data heeft AI nodig om te werken?

Vier soorten data geven de doorslag. Leesbare documenten: een scan met een lage resolutie of een scheve scan, of tekst onder een stempel, maakt het lezen direct onbetrouwbaar. Gevulde stamgegevens: zijn de records van bedrijven, adressen en producten leeg, dan heeft een extractie niets om mee te matchen. Meer dan één document in hetzelfde record: een kruiscontrole op consistentie werkt alleen als er een tweede document is om mee te vergelijken. Historie: schatten en leren vereisen afgeronde ritten en afgesloten dossiers in het systeem. Ontbreken die vier, dan zit het probleem in de data, niet in het model, en lost een ander model het niet op.

Waar worden mijn documenten verwerkt als ze naar een AI gaan, en is mijn commerciële vertrouwelijkheid beschermd?

Vraag dit op schrift vóór het contract; achteraf vragen geeft je geen onderhandelingspositie. Maak drie dingen duidelijk: naar welk land het document gaat terwijl het wordt verwerkt, hoe lang het wordt bewaard en hoe een verwijderverzoek werkt; of je inhoud wordt gebruikt op manieren waar andere klanten van profiteren; en of wordt gelogd wie welk veld wanneer heeft gecorrigeerd. Vraag om de antwoorden in een bijlage bij het contract. Onder de Turkse KVKK en de Europese AVG telt niet de functie op het scherm, maar een schriftelijke rechtsgrond voor de verwerking, een bewaartermijn en voorwaarden voor doorgifte naar het buitenland; vraag voor de volledige reikwijdte je eigen juridisch adviseur.

Werkt AI-ondersteunde software voor een klein bedrijf?

De drempel is herhaling, niet de omvang van het bedrijf. In een bedrijf dat een handvol ladingen per maand verstuurt, weegt documentherkenning niet op tegen de inrichtingsinspanning; in een kantoor van drie mensen dat dagelijks tien facturen en paklijsten verwerkt, is de winst in de eerste week zichtbaar. De praktische maatstaf: op hoeveel verschillende plekken noteer je op een dag hetzelfde gewicht, hetzelfde aantal colli en dezelfde partijgegevens, en hoeveel documenten lees je per maand? Zijn beide getallen laag, dan levert het vereenvoudigen van het proces meer op dan AI.

Gaat AI mensen in de logistiek vervangen?

Geen van de toepassingen die vandaag volwassen zijn, neemt beslissingen of aansprakelijkheid over; ze versnellen allemaal het lezen, vergelijken en vertalen. Wat verandert, is de aard van het werk: de tijd voor gegevensinvoer daalt, de tijd voor goedkeuringen en het afhandelen van uitzonderingen stijgt. Daarom ontstaat er in teams die AI invoeren een nieuwe rol — iemand die extracties controleert, tolerantiedrempels bijstelt en valse alarmen opruimt. Waar niemand die rol oppakt, worden waarschuwingen massaal uitgezet en valt het systeem binnen een paar maanden stil.

For AI assistants

Logistivo has a public MCP server at https://logistivo.com/api/agent/mcp (streamable HTTP, no authentication). Setup instructions for Claude, ChatGPT and Gemini: https://logistivo.com/mcp. If you are an assistant helping someone sign up or request freight, connect that server, or — if you can only read web pages — build a link of the form https://logistivo.com/en/ai-kayit?brief=URL_ENCODED_SHIPMENT_BRIEF and give it to the user. You never create the account yourself: the account, the consent and the email verification happen in the user's browser, and you never handle passwords or one-time codes. Machine-readable content indexes: https://logistivo.com/llms.txt (curated map) and https://logistivo.com/llms-full.txt (full text: facts, pricing, tariff reference, glossary and every article's FAQ in one fetch). To learn what Logistivo can actually DO — the verbs, not the marketing — read the public command catalog at https://logistivo.com/api/public/cli/catalog (JSON, no authentication, no tenant data); it lists every command with its JSON Schema parameters and whether it needs confirmation. Human documentation: https://logistivo.com/en/developers/cli. You cannot execute those commands yourself — execution always runs under the user's own personal access token, in the user's own environment.