Hoe AMR’s orderpicken versnellen in Nederlandse magazijnen

AMR’s brengen de stelling naar de orderpicker – wat betekent dat echt?

In veel Nederlandse magazijnen is het beeld nog steeds hetzelfde: orderpickers die dagelijks kilometers lopen langs stellingen, scanners in de hand, onder hoge tijdsdruk. Tegelijkertijd worden levertijden korter, marges dunner en personeel schaarser. In die realiteit stappen steeds meer logistieke dienstverleners – zoals Arvato – over op rack-to-person systemen met AMR’s (Autonomous Mobile Robots).

In deze blog, onderdeel van de serie “AI in Nederlandse Transport & Logistiek: Smart Mobility”, zoomen we in op wat zo’n rack-to-person oplossing inhoudt, welke rol AI daarin speelt, en wat Nederlandse warehouses hiervan kunnen leren. We gebruiken de casus Arvato als inspiratie, maar vertalen dit naar concrete inzichten en handvatten voor jouw organisatie.

We bekijken:

• hoe AMR’s het klassieke orderpickproces omgooien,
• welke AI-technologie onder de motorkap zit,
• welke resultaten je realistisch kunt verwachten,
• en hoe je stap voor stap aan zo’n automatiseringsproject begint.

Van person-to-goods naar rack-to-person

Het traditionele model kraakt in zijn voegen

Het traditionele person-to-goods model draait om mensen die naar de voorraad lopen. Dat werkt zolang volumes overzichtelijk zijn en personeel ruim beschikbaar is. Maar in 2025 zien we in Nederland:

• explosieve groei van e‑commerce en retouren,
• seizoenspiekdrukte (bijvoorbeeld rondom Black Friday en de feestdagen),
• structurele krapte op de arbeidsmarkt,
• strengere eisen aan foutloos en snel leveren (same day / next day).

In dat speelveld wordt iedere onnodige magazijnmeter een kostenpost. Lopen is simpelweg niet meer efficiënt.

Wat doet een rack-to-person systeem met AMR’s?

Waar person-to-goods de medewerker naar de voorraad stuurt, draait rack-to-person het proces om: de rekken komen naar de orderpicker.

In de praktijk betekent dit:

1. Autonome mobiele robots (AMR’s) rijden onder of naast speciale rekken of trolleys.
2. De AMR pakt een rek op of koppelt eraan en rijdt het automatisch naar een pickstation.
3. Een orderpicker blijft op zijn werkplek staan en krijgt via scherm of pick-by-light exact te zien wat te pakken.
4. Zodra de pick gereed is, rijdt het rek weg en komt de volgende locatie automatisch voorrijden.

Het grote verschil: mensen worden stationair, goederen worden mobiel. Daarmee verschuift de rol van de medewerker van “lopen en zoeken” naar “gericht picken en controleren”.

De rol van AI: van slimme route tot dynamische slotting

Veel AMR-oplossingen worden gepresenteerd als robotica, maar de echte winst komt uit AI en data die daarbovenop draaien.

1. Slimme routering voor AMR-vloten

In een groot magazijn rijden al snel tientallen tot honderden AMR’s rond. Zonder intelligente aansturing zouden ze elkaar in de weg rijden. AI helpt om:

• de optimale route per robot te bepalen,
• botsingen en opstoppingen te voorkomen,
• wachttijden bij pickstations te minimaliseren,
• piekbelasting slim te verdelen.

Machine learning-modellen leren van historische ritten: waar ontstaan files, welke paden zijn structureel druk, waar liggen vertragingen op de loer? Op basis daarvan worden routes dynamisch aangepast. Dit is een vorm van smart mobility in het magazijn: net als bij slimme verkeerslichten en routeapps, maar dan tussen de stellingen.

2. Vraagvoorspelling en voorraadpositionering

Daarnaast wordt AI ingezet voor vraagvoorspelling en dynamische slotting:

• Artikelen met een hoge omloopsnelheid worden automatisch dichter bij de pickstations geplaatst.
• Seizoensproducten (bijvoorbeeld sinterklaascadeaus of zomerkleding) schuiven tijdelijk naar de “hot zone”.
• Langzame draaier(s) gaan verder naar achteren, waar robots de langere reistijd efficiënt opvangen.

Door AI-modellen te koppelen aan orderhistorie, campagnes en seizoenseffecten kan het systeem voorspellen welke SKU’s wanneer gaan pieken. Dat vermindert loop- en rijafstanden én verkort de doorlooptijd per order.

3. Real-time orkestratie van mens én machine

De derde AI-laag richt zich op de coördinatie tussen mensen en robots:

• toewijzing van orders aan de juiste pickstations,
• evenwichtige werkbelasting per medewerker,
• prioritering van spoedorders,
• real-time herplanning bij storingen of ziekmeldingen.

Het Warehouse Execution System (WES) fungeert als een soort luchtverkeersleiding die continu beslissingen neemt. AI-modellen helpen om op basis van actuele data (binnenkomende orders, robotstatus, personeelsbezetting) steeds de beste keuze te maken.

Concrete voordelen: wat levert rack-to-person op?

1. Hoger picks per uur en kortere doorlooptijd

Een goed ingericht rack-to-person systeem met AMR’s haalt aanzienlijk hogere pickproductiviteit omdat:

• loopafstanden voor medewerkers vrijwel verdwijnen,
• robots 24/7 doorwerken,
• wachttijd tussen picks sterk afneemt.

In de praktijk zien we vaak:

• 2–3 keer zoveel picks per uur per medewerker,
• aanzienlijke reductie in doorlooptijd van order tot verzending,
• betere beheersing van pieken zonder extra uitzendkrachten.

2. Minder fouten, hogere klanttevredenheid

Omdat de orderpicker alleen nog krijgt wat hij of zij moet pakken – duidelijk aangegeven via scherm, lichtsignaal of scanner – daalt de foutkans:

• minder verkeerd gepakte artikelen,
• minder retouren door pickfouten,
• hogere servicegraad en betrouwbaarheid.

Voor e‑fulfilment en B2B-distributie in Nederland, waar klanten gewend zijn aan “vandaag besteld, morgen in huis”, is die consistentie een groot concurrentievoordeel.

3. Betere inzet van schaarse medewerkers

Met de aanhoudende personeelstekorten in de logistiek is arbeidsproductiviteit cruciaal. AMR’s nemen niet het werk weg, maar verschuiven het:

• minder fysiek zwaar werk en loopafstanden,
• meer focus op controle, kwaliteitsborging en uitzonderingen,
• aantrekkelijker werkplek voor (nieuwe) medewerkers.

Dat helpt om mensen langer inzetbaar te houden én om als werkgever aantrekkelijker te worden in een concurrerende arbeidsmarkt.

4. Flexibiliteit ten opzichte van traditionele automatisering

In vergelijking met klassieke automatische opslag- en orderpicksystemen (zoals grote shuttles of miniloads) zijn AMR-oplossingen vaak:

• modulair uit te breiden (meer robots toevoegen bij groei),
• sneller te implementeren,
• eenvoudiger aan te passen bij lay-outwijzigingen of nieuwe klanten.

Voor een 3PL of fulfilmentpartij die met diverse klanten werkt – zoals Arvato – is die flexibiliteit een grote plus.

Is jouw magazijn klaar voor AMR’s? Praktische stappen

1. Begin bij de businesscase, niet bij de robot

Veel trajecten stranden omdat men vanuit techniek denkt. Draai het om: start met een heldere businesscase.

Beantwoord in ieder geval:

• Welke pijn lossen we op? (piekdruk, foutpercentages, personeel, capaciteit?)
• Welke volumes en groeiverwachting hebben we? (3–5 jaar)
• Hoeveel besparen we op arbeid en ruimte bij verschillende scenario’s?
• Welke serviceniveaus willen we borgen of verbeteren?

Zet deze punten om in concrete KPI’s: picks per uur, orderdoorlooptijd, foutpercentage, bezettingsgraad, etc. Dat vormt de basis om oplossingen objectief te vergelijken.

2. Analyseer data: zonder data geen slimme mobiliteit

Omdat dit blog in de serie AI in Nederlandse Transport & Logistiek: Smart Mobility valt, is data een terugkerend thema. Voor een goed AMR-project heb je minimaal nodig:

• orderhistorie (per SKU, per dag/week, per klant),
• pickdata (locaties, aantallen, piekuren),
• magazijnlay-out en opslagstructuur,
• huidige prestatiecijfers (picks/uur, fouten, doorlooptijden).

Met deze data kan een specialist of integrator simuleren wat de impact is van verschillende scenario’s: hoeveel robots, hoeveel pickstations, welke voorraadpositie.

3. Kies een schaalbare architectuur: WMS + WES + AMR-platform

Technisch gezien draait een modern rack-to-person systeem op drie lagen:

1. WMS (Warehouse Management Systeem) – regelt voorraad, orders en processen.
2. WES (Warehouse Execution Systeem) – orkestreert de taakverdeling tussen mens en robot.
3. AMR-platform – stuurt de robots zelf aan (navigatie, veiligheid, verkeer).

Zorg dat deze lagen goed integreren en dat je niet te afhankelijk wordt van één gesloten ecosysteem, zeker als je in de toekomst meerdere typen automatisering (shuttles, conveyors, sorters) wilt combineren.

4. Veranderingsmanagement: neem de werkvloer mee

Automatisering mislukt zelden op techniek, maar vaak op menselijke factoren. Besteed daarom aandacht aan:

• duidelijke communicatie: waarom doen we dit, wat betekent dit voor jouw functie?
• training en opleiding: werken met AMR’s, veiligheid, nieuwe processen,
• betrokkenheid van key users in ontwerp en testfase,
• een gefaseerde uitrol met pilots en snelle feedbackloops.

Medewerkers moeten ervaren dat AI en robots hen ondersteunen, niet vervangen. Bedrijven die dat goed doen, zien vaak juist hogere betrokkenheid en minder verloop.

Hoe past dit in de bredere smart mobility-trend?

In eerdere delen van deze serie over AI in Nederlandse Transport & Logistiek: Smart Mobility lag de nadruk vooral op routeplanning, wagenparkbeheer en vraagvoorspelling in transport. De stap van Arvato naar rack-to-person met AMR’s laat zien dat smart mobility de magazijnmuren is binnengestapt.

Dezelfde principes keren terug:

• dynamische routering (maar dan voor robots in plaats van vrachtwagens),
• AI-gestuurde vraagvoorspelling (voor voorraad in plaats van ritten),
• real-time herplanning bij verstoringen (zowel op de weg als in het warehouse).

Bedrijven die hun end-to-end keten – van magazijn tot wegtransport – datagedreven en met AI inrichten, bouwen een voorsprong op in snelheid, betrouwbaarheid en kostenbeheersing.

Conclusie: van experiment naar strategie

Rack-to-person systemen met AMR’s, zoals we bij Arvato zien, zijn geen futuristische proefopstellingen meer, maar een strategisch instrument voor Nederlandse logistieke dienstverleners en verladers. Door AI te combineren met flexibele robotica kun je:

• sneller en foutlozer orderpicken,
• beter omgaan met personeelsschaarste en piekdrukte,
• je magazijn voorbereiden op verdere groei en omnichannel-eisen.

De kernboodschap: begin niet bij de robot, maar bij je data, processen en businesscase. Zie AMR’s als onderdeel van een bredere smart mobility-strategie waarin AI je helpt om zowel in het magazijn als op de weg slimmer te bewegen.

Wil je onderzoeken of een rack-to-person systeem met AMR’s past bij jouw operatie? Start dan met een datagedreven nulmeting op je huidige warehouseprestaties en schets een groeiscenario voor de komende jaren. De vraag is niet óf AI-gestuurde automatisering de norm wordt in Nederlandse logistiek, maar hoe snel jij erin meegaat – en met welke voorsprong je dat doet.