40% Minder Handwerk: Lessen Uit De Logistiek
Een logistiek bedrijf uit de Randstad klopte vorig jaar bij ons aan met een herkenbaar probleem. Hun operationele team was het grootste deel van de dag bezig met informatie van het ene systeem naar het andere kopiëren. Vrachtbrieven kwamen binnen per mail. Iemand opende de PDF, zocht de relevante velden, en typte ze over in het ERP. En dan weer. En weer. Veertig keer per dag, per persoon.
Het eigenlijke probleem
Op papier was het simpel: documenten verwerken. In de praktijk was het chaos. Vrachtbrieven kwamen van twintig verschillende vervoerders, elk met hun eigen indeling. Sommige waren nette PDFs. Andere waren scans van krabbels. Een paar waren foto's genomen met een telefoon vanuit de cabine.
Het team had trucjes ontwikkeld. Ze wisten dat bij vervoerder X het gewicht altijd rechtsboven stond. Bij vervoerder Y moest je de tweede pagina hebben. Iemand had zelfs een Excel-sheet gemaakt met waar je wat kon vinden per vervoerder. Dit soort kennis zat in hoofden, niet in systemen.
De foutpercentages waren lastig te achterhalen, want niemand controleerde systematisch. Maar elke week was er wel een vrachtwagen op de verkeerde plek, een factuur die niet klopte, een klant die belde over een afwijking. Het team wist dat er fouten werden gemaakt. Ze hadden alleen geen tijd om ze te voorkomen, want ze waren te druk met overtypen.
Wat we gebouwd hebben
We begonnen met drie weken meekijken. Letterlijk achter mensen staan terwijl ze werkten. Wat we leerden was dat het probleem niet documentherkenning was. Dat is een opgelost probleem. Het probleem was variatie. Elk document was net anders genoeg om standaardsoftware te laten struikelen.
De oplossing was een lokaal LLM dat we trainden op hun specifieke documentstroom. Geen generiek model, maar eentje dat de eigenaardigheden van hun vervoerders kende. Het model leerde dat een bepaalde vervoerder 'aantal colli' schreef waar anderen 'stuks' gebruikten. Het leerde dat sommige documenten de datum in Amerikaans formaat hadden.
We bouwden het systeem met een menselijke controlelaag erin. Het model haalde de velden uit het document en presenteerde ze aan een medewerker. Die medewerker hoefde alleen te bevestigen of te corrigeren, niet meer zelf te zoeken. Bij twijfel markeerde het systeem het document voor handmatige verwerking.
Alles draaide lokaal. Geen document verliet het bedrijfsnetwerk. Dit was belangrijk voor hen: sommige klanten hadden contractueel vastgelegd dat hun verzenddata niet naar externe diensten mocht.
De resultaten na zes maanden
De 40% reductie uit de titel is het conservatieve cijfer. In werkelijkheid varieerde het tussen 35% en 50% afhankelijk van de documentmix die week. Weken met veel standaarddocumenten scoorden hoger. Weken met veel uitzonderingen lager.
Maar de interessantere uitkomst was wat er met die vrijgekomen tijd gebeurde. De teamleider had verwacht dat ze mensen konden laten gaan. Dat gebeurde niet. Wat wel gebeurde: het team begon dingen te doen die ze al jaren hadden uitgesteld. Afwijkingen uitzoeken in plaats van doorschuiven. Proactief contact met klanten over vertragingen. Verbetervoorstellen voor de operatie.
Het foutpercentage in de data daalde meetbaar. Na zes maanden deden ze een steekproef: 94% van de automatisch verwerkte documenten was correct. De 6% fouten werden bijna allemaal gevangen door de controleslag. De fouten die er doorheen glippen waren er nog steeds, maar minder dan voorheen.
De onverwachte winst was moreel. Het team had een hekel aan overtypen. Ze noemden het zelf 'apenwerk'. Nu deden ze werk dat meer op hun niveau lag. De teamleider zei dat het ziekteverzuim omlaag was gegaan, al kon ze dat niet bewijzen.
Dit project was geen moonshot. Het was saai automatiseringswerk, toegepast op een specifiek probleem, met realistische verwachtingen. Dat is precies waarom het werkte. Het bedrijf wilde geen AI-transformatie. Ze wilden minder overtypen. Dat hebben ze gekregen.