warehouselogistiek.eu
DE
Die Plattform für interne und externe Logistik, Lieferkette und Automatisierung
AI was onvermijdelijk tijdens Manhattan Exchange 2026 in Milaan. Maar achter alle agentic AI, natural language en autonomous decision making zat een interessantere boodschap verscholen. Supplychainsoftware moet niet nóg meer informatie op mensen afvuren, maar juist complexiteit bij hen wegnemen. Dat betekent sneller implementeren, silo’s rond systemen afbreken en software steeds vaker zelf laten handelen. De praktijkcases van onder meer L’Oréal, Nespresso en Bauhaus tonen dat die verschuiving al begonnen is. Tegelijk maken ze duidelijk dat technologie slechts een deel van het verhaal is.
Een cockpit vormde misschien wel de beste metafoor van Manhattan Exchange. CEO Eric Clark verwees in zijn openingskeynote naar de evolutie van de luchtvaart. Niet omdat vliegen eenvoudiger is geworden, integendeel. Het luchtruim werd drukker, regelgeving complexer en de eisen hoger. Maar de systemen in het vliegtuig namen steeds meer complexiteit over van de bemanning.
Datzelfde moet volgens Manhattan nu in supply chain gebeuren. Planners, warehousemedewerkers en winkelteams krijgen vandaag nog te vaak een extra dashboard, waarschuwing of applicatie voorgeschoteld waarmee zij vervolgens zelf aan de slag moeten. Clark vatte het scherp samen: “Complexiteit in de markt is een opportuniteit. Complexiteit in software is een belasting.”
Die zoektocht naar eenvoud vertaalt zich eerst en vooral in snelheid. Manhattan zegt de standaardimplementatietijd voor zijn warehouseoplossing met maximaal 50% te hebben teruggebracht. AI-agents helpen daarbij onder meer configuraties in natuurlijke taal op te zetten, extensies sneller te configureren en labels en rapporten te genereren.
Voor order- en storemanagement spreekt het bedrijf over go-lives vanaf honderd dagen. In transport kunnen afzonderlijke inbound- of outboundfunctionaliteiten volgens Manhattan ondertussen in veertien weken worden uitgerold, ongeveer 40% sneller dan een jaar geleden. Ook de migratie van oudere Manhattan-systemen naar het nieuwe platform moet in bepaalde gevallen binnen honderd dagen kunnen.
Tegelijk probeert Manhattan zijn technologie toegankelijker te maken voor organisaties die niet tot de allergrootste logistieke spelers behoren. ActiveWarehouse, ActiveTransportation, ActiveStore en ActiveOrder zijn voortaan beschikbaar in drie edities: Essentials, Enterprise en Enterprise Premier. Die draaien telkens op hetzelfde platform. Wie groeit, hoeft volgens het bedrijf dus niet opnieuw te implementeren, maar kan bijkomende functionaliteit activeren.
De tweede beweging is fundamenteler. AI moet niet alleen analyseren of adviseren, maar uiteindelijk ook handelen.
Manhattan kiest daarbij nadrukkelijk voor AI die ingebed zit in zijn bestaande platform. Agents mogen alleen de API’s gebruiken waarvoor ze toestemming kregen. Een agent kan bijvoorbeeld toegang krijgen tot drie specifieke API’s uit een veel groter geheel, zonder rechtstreeks toegang te krijgen tot de onderliggende databank. Ook externe interactie via MCP loopt eerst door die gecontroleerde agentlaag. Daarmee probeert Manhattan een van de grootste vragen rond autonome AI te beantwoorden: hoe voorkom je dat een agent acties uitvoert die buiten zijn opdracht vallen?
Volledige autonomie is echter (nog) niet het uitgangspunt. Clark benadrukte dat menselijke ervaring essentieel blijft. De beste superuser herkent soms intuïtief welke klant op dat moment voorrang verdient, welke beperking bespreekbaar is of welke regel ooit voor een andere werkelijkheid werd geschreven. “Dat is geen data, dat is instinct”, stelde Clark.
De interessantste realitycheck kwam van L’Oréal. Het bedrijf experimenteerde eerst breed met AI-agents, maar ontdekte al snel dat technologie verkennen iets anders is dan operationele waarde creëren. De focus verschoof daarom naar concrete problemen in het magazijn: wave readiness, replenishment en voorraadbeslissingen. Zo kan een agent vooraf voorspellen waar een wave dreigt mis te lopen, terwijl een andere bij een bestaand probleem de oorzaak analyseert en een volgende actie voorstelt.
De cijfers uit de pilot maken het verhaal tastbaar. Een pre-waveagent leverde op een site 14% extra pickingproductiviteit en een berekende tijdwinst van 352 uur per jaar op. Een replenishmentmonitor verkortte op zijn beurt de tijd tussen waving en loading met ongeveer 8%, goed voor 440 uur per jaar. Bij cycle counting varieerde het resultaat sterk: gemiddeld daalde de beslissingsvertraging met 13%, terwijl op de best presterende site een daling tot 70% werd gemeten. Precies die verschillen zijn interessant. Dezelfde technologie gaf niet overal hetzelfde resultaat.
“Global access is not giving you global adoption”, luidde een van de lessen uit het project. Alleen toegang geven tot een agent bleek onvoldoende. Pas toen L’Oréal duidelijk bepaalde wie eigenaar was van het proces, welke operationele medewerkers ermee moesten werken en welke KPI’s gevolgd zouden worden, begon de adoptie werkelijk te groeien. De conclusie was dan ook opvallend nuchter: begin niet met de vraag hoeveel agents je kunt installeren. Begin met het probleem dat je voor medewerkers wilt oplossen. Definieer een baseline, meet vervolgens voortdurend en zorg voor ondersteuning dicht bij de operatie.
Die nuance hoorde je ook bij Frank Soudan, sinds kort verantwoordelijk voor Manhattan in onder meer de Benelux, Duitsland en Scandinavië. Volgens hem bevat vandaag elke nieuwe commerciële opportuniteit die Manhattan in Duitsland bespreekt een AI-component. De vraag komt dus wel degelijk vanuit de markt.
Maar vragen naar AI en de technologie autonoom laten beslissen zijn twee verschillende zaken. “Waar leggen we de limiet?”, vatte Soudan de huidige discussie samen. Agents kunnen tekortkomingen detecteren en verbeteringen voorstellen, maar bedrijven aarzelen nog om menselijke controle volledig los te laten.
Voor de Benelux liggen daar bovendien heel concrete logistieke uitdagingen achter. In Nederland wordt beschikbare ruimte schaarser, waardoor bedrijven meer uit bestaande gebouwen moeten halen. In België staat vooral de arbeidskost hoog op de agenda. Automatisering, robotisering en AI komen daardoor samen in dezelfde vergelijking: met minder middelen meer werk verzetten en mensen steeds meer laten focussen op uitzonderingen in plaats van repetitieve beslissingen.
Dat technologie en customer experience steeds moeilijker van elkaar te scheiden zijn, bleek bij Nespresso. De koffiespecialist werkt al twintig jaar met Manhattan voor warehousemanagement en bouwt nu verder aan een bredere ordermanagementtransformatie die uiteindelijk 42 landen moet omvatten.
Dat is geen eenvoudige omgeving. B2C-, B2B-, marketplace-, replenishment- en transferorders komen samen in een netwerk van productiesites, distributiecentra, regionale magazijnen en boutiques. De ambitie is één centrale order- en voorraadblik. Daarbij viel één uitspraak op: een klantbelofte honderd procent nakomen betekent niet noodzakelijk méér voorraad aanleggen. Het gaat erom de voorraad die ergens in het netwerk beschikbaar is beter te benutten.
Bauhaus maakte datzelfde principe bijzonder concreet. Voor een retailer die zowel zakjes cement, lange houten balken als individuele schroeven verkoopt, bestaat er geen universele fulfilmentstrategie. Het bedrijf gebruikt één voorraadbeeld over zijn digitale contactpunten. Een API levert voorraadgegevens volgens Bauhaus binnen ongeveer 70 milliseconden en wordt tot 40 miljoen keer aangeroepen. Click & collect moet producten binnen negentig minuten beschikbaar maken. Waar een online bestelling vroeger tot vijftien minuten nodig had om een winkel te bereiken, gebeurt dat nu binnen enkele seconden.
Ook bij levering stuurt software steeds vaker de keuze. Heeft de dichtstbijzijnde winkel slechts een deel van een bestelling, dan kan een iets verder gelegen vestiging met alle producten interessanter zijn. Eén iets langere rit is immers vaak goedkoper én klantvriendelijker dan twee afzonderlijke leveringen.
AI was in Milaan alomtegenwoordig. Keynotespreker Peter Hinssen grapte dat wie vandaag door San Francisco loopt nauwelijks nog iets anders ziet dan “AI, AI, AI”. De snelheid waarmee technologie verandert, omschreef hij als een rollercoaster. Maar precies daarom waren de meest interessante verhalen op Exchange niet de spectaculaire toekomstvisies. Het waren de voorbeelden waarin bedrijven konden aantonen wat werkelijk beter én efficiënter ging.
Daar ligt wellicht ook de volgende fase van agentic AI in logistiek. Niet in nóg een agent, nóg een model of nóg een dashboard, maar in de vraag of software daadwerkelijk een deel van de operationele complexiteit kan overnemen. Veilig, meetbaar en bovenal, zonder de kennis van de mensen op de magazijnvloer buitenspel te zetten. Van insight naar action dus. Alleen zal de mens voorlopig nog wel even beslissen hoeveel action hij uit handen wil geven…
Nehmen Sie rechtmäßigen Kontakt auf mit Manhattan Associates Europe B.V..
Kontakt zu opnemen
Wir sind Manhattan Manhattan Associates ist ein globaler Technologieanbieter von KI-gestützten Lösungen für die Lieferkette und den Omnichannel-Handel. Mit unserer Cloud-nativen Plattform helfen wir Unternehmen dabei, ihre Lieferketten- und Handelsprozesse intelligenter, schneller und widerstandsfähiger zu gestalten. Unsere Lösungen verbinden Planung, Lagerbestand, Auftragsabwicklung, Transport, Auftragsmanagement, Filialen und Kundeninteraktionen zu einem einzigen integrierten Ökosystem. Dank fortschrittlicher KI-Funktionen, einer API-First-Architektur und Echtzeit-[…]
Bekijk Bedrijfsprofiel
