Hoe AI het kennisgat in intermodale logistiek vult

In de Nederlandse transport- en logistieksector schuurt het al een tijdje: de complexiteit van intermodaal vervoer groeit sneller dan de beschikbare kennis op de werkvloer. Tegelijkertijd lopen we tegen personeelstekorten aan en gaat een hele generatie planners en logistieke experts de komende jaren met pensioen. Wie borgt al die kennis?

Binnen onze serie “AI in Nederlandse Transport & Logistiek: Smart Mobility” is intermodale logistiek een cruciaal puzzelstuk. Juist hier kan kunstmatige intelligentie (AI) het verschil maken: door het kennisgat te dichten, complexe beslissingen te ondersteunen en de sector weerbaar te maken voor de toekomst.

In deze blog zoomen we in op hoe AI het kennisgat in intermodale logistiek kan vullen, waarom juist de huidige generatie planners essentieel is om systemen te trainen, en hoe je vandaag nog de eerste praktische stappen kunt zetten.

Waarom het kennisgat in intermodale logistiek zo snel groeit

Intermodale logistiek – de slimme combinatie van weg, spoor, binnenvaart en zeevaart – is voor Nederland strategisch belangrijker dan ooit. Denk aan de druk op de havens van Rotterdam en Amsterdam, de congestie op de weg en de duurzame ambities rond CO₂-reductie.

Maar de praktijk is weerbarstig:

Planners moeten dagelijks kiezen tussen verschillende modaliteiten met wisselende tarieven, beschikbaarheid en doorlooptijden.
Klanten eisen korte doorlooptijden, realtime zichtbaarheid en betrouwbare ETA’s.
Regels en restricties (venstertijden, milieuzones, rij- en rusttijden) veranderen continu.

Tegelijkertijd zien we drie trends die het kennisgat vergroten:

Vergrijzing van de sector
Een grote groep ervaren planners en logistiek managers gaat de komende 5 à 10 jaar met pensioen. Hun kennis staat vaak niet in systemen, maar zit ‘in hun hoofd’.
Sneller veranderende ketens
Nieuwe diensten, meer synchromodaal transport, dynamische tarieven en veranderende klantverwachtingen maken het werk complexer dan ooit.
Krapte op de arbeidsmarkt
Nieuwe medewerkers hebben minder tijd om in te leren. Ze moeten sneller zelfstandig beslissingen nemen, terwijl de complexiteit juist toeneemt.

Precies in die combinatie ontstaat ruimte voor AI-gestuurde besluitvorming. Niet om mensen te vervangen, maar om hun kennis vast te leggen, te verrijken en schaalbaar te maken.

Hoe AI het kennisgat in intermodale logistiek opvult

AI kan op drie niveaus waarde toevoegen in intermodale logistiek: waarnemen, beslissen en leren. Samen vormen ze de basis voor écht slimme mobiliteit.

1. Waarnemen: beter inzicht in een versnipperde keten

Intermodale ketens zijn berucht om hun dataversnippering. Data uit TMS, WMS, boordcomputers, terminals en spoor- of barge-operators zijn vaak niet geïntegreerd.

AI helpt om:

data uit verschillende bronnen te koppelen en te schonen;
patronen te herkennen (bijvoorbeeld waar vertragingen structureel ontstaan);
realtime afwijkingen te signaleren (vertraging, omrijden, wachttijden bij terminals).

Praktijkvoorbeeld:

Een intermodale operator verzamelt data van trucks, barges en terminals. Een AI-model detecteert dat zendingen naar een bepaalde inlandterminal structureel 6 uur vertraging oplopen op maandag en dinsdag. Het systeem adviseert automatisch om die lading vaker via spoor te sturen in de piekmomenten.

Hiermee wordt impliciete kennis (“maandag is altijd drama bij terminal X”) expliciet én schaalbaar gemaakt.

2. Beslissen: van ervaringsgestuurde naar datagedreven planning

Waar een ervaren planner op gevoel en ervaring plant, kan een AI-systeem duizenden scenario’s per minuut doorrekenen. Denk aan:

keuze van de optimale modaliteit (weg/spoor/binnenvaart/zee);
combinatie van ladingen (groupage, bundeling, milk runs);
optimale vertrek- en aankomsttijden over meerdere modaliteiten heen;
effecten van files, stremmingen of stakingen op de hele keten.

AI maakt hier gebruik van technieken zoals:

optimalisatie-algoritmen voor routes en capaciteit;
machine learning om te voorspellen waar verstoringen ontstaan;
predictive ETA over verschillende modaliteiten heen.

Belangrijk: de planner blijft eindverantwoordelijk. AI biedt voorstellen, scenario’s en waarschuwingen, maar de mens beslist.

3. Leren: kennis vastleggen met de huidige generatie planners

De meest interessante stap is misschien wel het leren van beslissingen. Daar komt de uitspraak om de hoek kijken: “De huidige generatie kan de systemen trainen.”

Elke keer dat een planner:

een AI-voorstel afwijst en aanpast;
een andere modaliteit kiest dan het systeem adviseert;
een bepaalde klant of route voorrang geeft;

… is dat waardevolle kennis.

Met human-in-the-loop-AI kun je deze feedback gebruiken om het systeem steeds slimmer te maken. De huidige generatie ervaren planners wordt daarmee de mentor van het AI-systeem. Hun kennis sterft niet uit, maar wordt ingebakken in het digitale brein dat nieuwe generaties planners ondersteunt.

Concreet: waar kun je AI vandaag al inzetten in intermodale logistiek?

Om AI minder abstract te maken, hieronder vijf concrete toepassingsgebieden die we in de Nederlandse praktijk steeds vaker zien.

1. Intermodale routeplanning en synchromodaal transport

AI-modellen kunnen op basis van prijs, CO₂, doorlooptijd, betrouwbaarheid en capaciteit de beste modaliteitsmix voorstellen. Bijvoorbeeld:

standaard via binnenvaart, maar bij te veel vertraging automatisch switchen naar spoor;
premium-zendingen standaard over de snelste route, bulk via de goedkoopste.

Dit sluit direct aan bij smart mobility: dynamisch kunnen schakelen tussen modaliteiten op basis van realtime data.

2. Vraagvoorspelling en capaciteit

Met predictive analytics kan AI voorspellen:

welke volumes via welke corridors te verwachten zijn;
wanneer bepaalde terminals of railterminals overbelast raken;
welke scheepvaart- of treinverbindingen extra capaciteit nodig hebben.

Hiermee kun je contracten, slotboekingen en materieelplanning beter afstemmen, wat zowel kosten als CO₂-uitstoot verlaagt.

3. Dynamische tijdsloten en terminalplanning

In de keten tussen weg, spoor en binnenvaart zijn wachttijden een grote kostenpost. AI kan helpen bij:

dynamisch toewijzen van tijdsloten op terminals;
voorspellen van piekmomenten;
optimaliseren van truck-arrivals zodat congestie vermindert.

Resultaat: minder stilstand, betere benutting van capaciteit en minder stress bij planners én chauffeurs.

4. Exception management en control towers

In intermodale ketens zijn verstoringen onvermijdelijk. AI-gestuurde control towers:

signaleren afwijkingen automatisch;
berekenen de impact op vervolgstappen (aansluitingen, cut-off times, dockslots);
doen herplanningsvoorstellen (andere modaliteit, andere terminal, andere truck).

Zo verschuift de rol van de planner van brandjesblusser naar regisseur van uitzonderingen.

5. Kennisborging en opleiding van nieuwe planners

AI kan ook dienen als een soort digitale collega:

nieuwe planners krijgen suggesties en waarschuwingen gebaseerd op historische beslissingen;
beslisregels en bedrijfslogica worden vastgelegd in modellen in plaats van in Excel of in hoofden;
tactische en strategische scenario’s (bijvoorbeeld nieuwe railverbinding openen) kunnen worden doorgerekend.

Hiermee wordt de leercurve van nieuwe medewerkers aanzienlijk korter, wat cruciaal is op een krappe arbeidsmarkt.

Voorwaarden voor succes: data, mensen en governance

AI invoeren in intermodale logistiek is geen kwestie van ‘tool kopen en klaar’. Er zijn drie randvoorwaarden die bepalen of je echt waarde gaat zien.

1. Datakwaliteit en datatoegang

Zonder goede data geen slimme AI. Belangrijke stappen:

bronsystemen (TMS, WMS, boordcomputers, terminals) koppelen;
definities harmoniseren (wat is een zending, wat is vertraging?);
datakwaliteit monitoren en continu verbeteren.

Begin klein: bijvoorbeeld met één corridor (Rotterdam – Ruhrgebied), één productgroep of één modaliteitscombinatie.

2. Betrek planners vanaf dag één

Veel AI-projecten mislukken omdat ze ‘over de schutting’ worden gegooid naar de operatie. Juist in intermodale logistiek geldt:

Zonder planners geen bruikbare AI, en zonder AI wordt de werkdruk voor planners onhoudbaar.

Betrek planners bij:

het definiëren van use cases (“waar gaat nu het meeste fout?”);
het valideren van AI-voorstellen;
het ontwerpen van dashboards en schermen.

Zo worden zij geen ‘slachtoffer’ van technologie, maar mede-eigenaar.

3. Governance, veiligheid en uitlegbaarheid

In een professionele logistieke organisatie moeten AI-beslissingen uitlegbaar zijn. Belangrijk:

leg vast wie eindverantwoordelijk is bij afwijkende besluiten;
zorg dat AI-voorstellen inzichtelijk zijn (waarom kiest het systeem deze route?);
bewaak privacy en dataveiligheid.

Voor Nederlandse verladers en logistiek dienstverleners worden transparantie en betrouwbaarheid steeds belangrijker: niet alleen wat je vervoert telt, maar ook hoe je beslissingen neemt.

Eerste stappen: hoe begin je morgen met AI in intermodale logistiek?

Je hoeft niet direct een volledig AI-platform te implementeren. Een gefaseerde aanpak werkt het best.

Bepaal een duidelijke businessvraag
Bijvoorbeeld: “Hoe verminderen we vertragingen op onze barge-shuttles met 20%?” of “Hoe verlagen we onze CO₂-uitstoot per zending met 10% via andere modaliteitskeuzes?”
Kies een afgebakende pilot
Eén corridor, één klantgroep of één type lading. Liever klein en succesvol dan breed en vaag.
Breng de juiste mensen samen
Planners, IT, data-analisten en een business owner. Zorg dat de planners écht meedoen; zij trainen het systeem.
Start met voorspellende inzichten
Begin met AI die alleen inzicht geeft (predictive ETA, kans op vertraging), voordat je overstapt naar automatische voorstellen.
Itereer en schaal op
Werkt het op één corridor? Rol het dan uit naar andere routes, klanten of modaliteiten.

Conclusie: nu is het moment om systemen te trainen

Intermodale logistiek staat onder druk, maar juist dat maakt dit hét moment om te investeren in AI. De combinatie van vergrijzing, groeiende complexiteit en krapte op de arbeidsmarkt vraagt om een andere manier van plannen en beslissen.

AI kan het kennisgat in intermodale logistiek dichten door:

versnipperde data samen te brengen;
betere beslissingen voor te stellen over modaliteiten, routes en capaciteit;
de kennis van de huidige generatie planners vast te leggen en overdraagbaar te maken.

De kern: de huidige generatie kan de systemen trainen. Wie daar nu mee begint, bouwt een digitale kennisbasis die de komende jaren hét concurrentievoordeel bepaalt in de wereld van smart mobility.

Wil je verder bouwen aan een toekomstbestendige, AI-gedreven logistieke operatie? Begin dan niet met techniek, maar met één concrete logistieke uitdaging – en betrek je planners vanaf dag één. Dan wordt AI geen hype, maar een praktische hefboom voor betrouwbaardere, duurzamere en slimmere intermodale ketens.