In ons eerste artikel over AI in WMS’en vertelden drie leveranciers van een Warehouse Management Systeem (WMS) wat hun systemen vandaag met artificial intelligence (AI) doen. Ze lieten zien hoe AI helpt bij ordersturing en het verdelen van werk, hoe een assistent vragen over data en het systeem beantwoordt en hoe documenten automatisch worden verwerkt en afwijkingen gesignaleerd. Alle drie verwachten dat AI steeds vaker zelf handelt: een analyse start, een volgende stap zet en samenwerkt met AI in andere systemen. Twee van hen ontwikkelen daarvoor agents, en één biedt inmiddels al een AI-assistent die taken zelf uitvoert, binnen afgesproken rechten.
Dat roept vragen op over hoe AI en WMS zich in de toekomst tot elkaar gaan verhouden. Lost AI straks alle logistieke vraagstukken op zodra het in het WMS zit? Vervangt het op termijn het WMS zelf? En als het dat allebei niet doet, wat voegt het dan wel toe? Ons korte antwoord: AI voegt veel toe, vooral omdat een agent zelf kan bepalen welke applicaties en tools hij wanneer inzet, over de grenzen van afzonderlijke systemen heen. Het WMS blijft nodig om het werk vast te leggen en aan te sturen. En voor de lastigste afwegingen in het warehouse blijft gespecialiseerd rekenwerk nodig. Daarvoor bestaat optimalisatiesoftware, soms als onderdeel van het WMS en soms als eigen toepassing. AI kan die inzetten, maar neemt haar niet over.
AI, in het Nederlands kunstmatige intelligentie, is een verzamelnaam voor technieken met heel verschillende vermogens: taal begrijpen en schrijven, beeld, video en geluid herkennen of maken, voorspellen en software schrijven. Een agent combineert zulke vermogens: hij kan op basis van een opdracht gegevens ophalen, andere software aanroepen en een handeling voorbereiden of, binnen afgesproken rechten, uitvoeren.
"AI is niet zomaar een verbeterde versie van bestaande IT, en daarmee ook geen volledige vervanger", zegt Willem van den Berg, co-founder van SCEX. "Het dekt zijn eigen terrein af. Er zijn nu toepassingen denkbaar die eerst onmogelijk waren. Met taal stel je in gewone woorden een vraag aan je voorraadgegevens, of laat je een pdf-order uitlezen zonder dat iemand hem overtypt. Met beeld herkent een camera bij de ontvangst een beschadigde pallet. Met video kun je terugzien en laten analyseren hoe een vrachtwagen is geladen. En met geluid kan een orderpicker onderweg een vraag inspreken en een gesproken antwoord krijgen, in plaats van alleen vaste spraakcommando's te volgen." Maar AI draait nog steeds in een ecosysteem van databases, applicaties, koppelingen en beveiliging. Zonder betrouwbare gegevens in die systemen heeft AI weinig om mee te werken.
Wel ontwikkelt AI zich in een tempo dat de IT-wereld niet gewend is. Decennialang gold de wet van Moore als maatstaf: het aantal transistors op een chip verdubbelde ongeveer elke twee jaar. Het onafhankelijke onderzoeksinstituut METR meet hoe lang de taken zijn die AI-agents zelfstandig kunnen afronden, vooral in softwareontwikkeling, uitgedrukt in de tijd die een professional ervoor nodig heeft. Die taaklengte verdubbelde sinds 2019 ongeveer elke zeven maanden. Volgens de update die METR in januari 2026 publiceerde, gaat het sinds 2024 nog sneller: ongeveer elke drie maanden een verdubbeling. In een rapport van mei 2026 meldt METR dat de sterkste agents zijn takenset inmiddels bijna volledig aankunnen. Boven taken van zo'n zestien uur werk kan het instituut niet meer betrouwbaar meten. Het zijn verschillende maatstaven, maar het verschil in tempo is groot. Wat vandaag niet lukt, kan over een jaar gewoon zijn.
AI voegt vooral iets toe doordat een agent zelf kan kiezen welke systemen en tools hij inzet om een vraag op te lossen. Een agent heeft toegang tot tools: applicaties zoals het WMS, het bedrijfssysteem voor orders en financiën (ERP, enterprise resource planning) en het transportsysteem, en ook andere agents. Daarvoor bestaan twee open standaarden, die inmiddels onafhankelijk worden beheerd onder de Linux Foundation. Het Model Context Protocol (MCP) legt vast hoe een agent gegevens en functies van een applicatie kan gebruiken. Agent2Agent (A2A) regelt hoe agents elkaar vinden en werk aan elkaar overdragen. "Veel traditionele applicaties werken sequentieel: stap voor stap, zoals vooraf bedacht", zegt Willem. "Een agent heeft toegang tot tools en beslist zelf wanneer hij welke tool gebruikt, gegeven het vraagstuk en de context waarin dat speelt. Dat is het grote verschil."
Neem een klant die belt met de vraag of zijn spoedorder vandaag nog meegaat. Traditioneel zoekt een medewerker de order op in het ERP en ziet in het WMS dat het picken stilstaat, omdat de picklocatie leeg is. Hij controleert de buffervoorraad, vraagt de teamleider om de aanvulling voor te laten gaan, kijkt in het transportsysteem hoe laat de vrachtwagen vertrekt en belt de klant terug. Elke afslag in dat stappenplan vraagt een mens. Een agent kan dezelfde vraag oppakken en zelf bepalen welke systemen hij raadpleegt, afhankelijk van wat hij onderweg vindt. Ziet hij dat de aanvulling pas na vertrek gepland staat, dan zoekt hij zelf verder: kan de aanvulling eerder, of gaat de order met een latere rit mee? Hij legt de teamleider een voorstel voor en zet alvast een antwoord aan de klant klaar.
Toegang is alleen nog geen begrip. Neem het woord 'beschikbaar'. In het ERP telt voorraad die nog in de kwaliteitscontrole staat of onderweg is soms al mee. In het WMS is alleen beschikbaar wat op een locatie ligt en niet geblokkeerd is. Beide systemen hebben gelijk volgens hun eigen afspraak. Welke definitie leidend is voor een belofte aan een klant, is een bedrijfskeuze die een agent niet zelf kan maken. Zonder die afspraak belooft hij misschien een levering die niet kan. Afspraken over gegevens en over wie wat mag wijzigen, bepalen daarom hoeveel een agent werkelijk kan betekenen. Maar als een agent zo veel kan zien en zelf kiest wat hij doet, neemt hij het WMS dan niet gewoon over?
Nee, AI vervangt het WMS niet. Het WMS is het system of record van het warehouse: de plek waar locaties en layout zijn ingericht, waar vastligt met welke pickmiddelen wordt gewerkt en waar de artikelgegevens staan, zoals afmetingen, gewicht en houdbaarheid. Vanuit die basis organiseert een WMS de goederenstroom en stuurt het het werk aan: welke locatie een binnenkomende pallet krijgt, welke orders worden vrijgegeven en wanneer er wordt aangevuld. Medewerkers krijgen die opdrachten nu meestal via scanners en andere mobiele apparaten. Veel WMS'en plannen en optimaliseren daarbij zelf al, al verschilt per systeem en proces hoe ver dat gaat.
Die inrichting kan AI niet op eigen kracht overnemen. Het WMS is het fundament, of een van de tools die een agent raadpleegt. Stelt een agent voor om werk anders te verdelen, dan loopt die wijziging via het WMS om uitgevoerd te worden.
AI verschijnt dus op twee plekken tegelijk. Het wordt onderdeel van het WMS zelf, zoals de leveranciers in ons eerste artikel lieten zien. En het kan een verbindende laag worden die samenwerkt met het WMS, het ERP en andere toepassingen. Die twee sluiten elkaar niet uit. Analistenbureau Gartner verwacht dat in 2028 een derde van alle bedrijfssoftware agentfuncties bevat, tegen minder dan één procent in 2024. Wij verwachten dat het WMS daardoor slimmer en beter bevraagbaar wordt, en tegelijk belangrijker als betrouwbare bron voor de systemen eromheen.
Nee, ook met toegang tot alle systemen niet. Neem een keuze met veel invloed op de productiviteit: waar leg je welke artikelen neer, en welke orders combineer je in een pickronde? Kortere looproutes helpen alleen als de indeling werkbaar blijft voor aanvullen, de beschikbare ruimte en de vertrektijden. Zo'n keuze kent ontelbare combinaties en harde grenzen. Daarvoor bestaat een eigen vakgebied: operations research. Optimalisatiesoftware legt doelen en beperkingen wiskundig vast en zoekt systematisch naar de beste haalbare oplossing.
Een taalmodel is daar niet voor gemaakt. In een vergelijkend onderzoek uit 2026 kregen taalmodellen zulke vraagstukken rechtstreeks voorgelegd. Zelfs het beste model voldeed in ruim een derde van de gevallen niet aan alle voorwaarden, en bij routeplanning en de keuze van vestigingslocaties vond geen enkel model de beste oplossing. Onderzoek naar samenwerking tussen taalmodellen en optimalisatiesoftware laat een duidelijke taakverdeling zien: het taalmodel vertaalt de vraag en legt de uitkomst uit, de gespecialiseerde software rekent. Daar past de agent. Hij kan actuele gegevens uit het WMS ophalen, een optimalisatie laten uitvoeren en het voorstel aan een bevoegde medewerker voorleggen. De agent versnelt de weg naar een goede berekening, maar vervangt die berekening niet.
Dat rekenwerk heeft nu al waarde, ook zonder agent. Voor Wibra bijvoorbeeld, bouwden we het distributiecentrum digitaal na en onderzochten we met onze Pick Optimizer tientallen varianten voor artikellocaties, pickroutes, ordercombinaties en planning op basis van vertrektijden.De simulaties lieten zien dat rijafstanden flink verkort konden door betere artikelplaatsing en het slimmer combineren van orders.
AI verbindt dus informatie en kan rekenwerk aanroepen. Het intelligente daaraan is dat een agent dat zelfstandig kan doen, op het moment dat de situatie erom vraagt. Maar AI verandert nog iets, dat in de discussie over AI in het WMS weinig aandacht krijgt. Omdat AI goed kan programmeren, wordt het haalbaar om aan de randen van het WMS en andere bedrijfssoftware heel specifieke toepassingen te bouwen. Denk aan een eigen controle op afwijkende orders, een koppeling voor een belangrijke klant of een analyse die precies past bij de eigen inrichting. Zulk maatwerk kan veel opleveren, maar was voor een traditioneel werkend softwarebedrijf vaak niet rendabel om te bouwen en voor zijn klanten te duur om te laten maken. Die verschuiving is overigens niet beperkt tot logistiek.
Tegelijk zien we een groot struikelblok. Een aantrekkelijk ogend prototype is iets anders dan een professionele toepassing die veilig, betrouwbaar en compliant draait. Onderzoek naar door AI geschreven code laat zien dat die bijna altijd technisch correct is opgebouwd, maar in ruim vier op de tien onderzochte taken een bekend beveiligingslek bevatte. Wat wij tot nu toe zien: vooral mensen die al goed onderlegd zijn in IT-architectuur weten met AI toepassingen te maken die ook in een bedrijfsomgeving standhouden. Dat ligt niet per se aan de AI of het taalmodel; in de juiste handen is het zeker mogelijk. "Je kunt mij de duurste hamer en zaag geven, maar dat betekent nog niet dat ik een mooie tafel voor je kan maken", zegt Willem. Wie maatwerk rond het WMS laat bouwen, moet daarom net zo goed letten op beveiliging, beheer en wie de toepassing onderhoudt als op wat ze kan.
Kies een WMS dat klaar is voor samenwerking met AI-agents, ook met agents buiten het WMS, en kijk daarbij verder dan de AI-functies die een systeem vandaag heeft. Een WMS kies je voor een reeks jaren, terwijl AI zich snel ontwikkelt. Essentieel is daarom de techniek eronder: hoe goed kan het WMS met agents communiceren? We verwachten nieuwe oplossingen die het werk regisseren over het WMS, het transportsysteem (TMS), het voorraadbeheersysteem (IMS), het ordermanagementsysteem (OMS) en andere systemen heen. Vraag daarom of het WMS open standaarden als MCP en A2A ondersteunt of op de planning heeft, welke gegevens en acties het via koppelingen beschikbaar stelt en hoe rechten en logging zijn geregeld. Vraag daarnaast hoe goed het systeem zelf plant en optimaliseert in de processen die voor jou het zwaarst wegen, en welke ontwikkelrichting de leverancier ziet. Voorzichtigheid is daarbij geen achterstand. Gartner verwacht ook dat meer dan veertig procent van de huidige agentprojecten eind 2027 is stopgezet, omdat kosten, waarde of risicobeheersing tegenvallen. Met onze WMS Guide helpen we organisaties die afweging te maken.
Ook zonder nieuw WMS kun je een eerste stap zetten. Kies een terugkerende vraag waarvoor medewerkers nu meerdere systemen raadplegen, en kijk of begrippen als 'beschikbaar' en 'verzonden' daarin hetzelfde betekenen. Spreek ook af wat een agent daarbij alleen mag laten zien, wat hij mag voorstellen en wat een medewerker altijd zelf beslist. Zo wordt zichtbaar waar AI waarde toevoegt en wat eerst op orde moet.
AI gaat het werk in en rond het warehouse veranderen. De grootste winst verwachten we waar de rollen samenwerken: AI verbindt informatie en versnelt de weg naar een besluit, het WMS legt het werk vast en stuurt het aan, en optimalisatie berekent welke keuze onder alle beperkingen het beste werkt. Wie die rollen uit elkaar houdt, kan AI-beloften beter op waarde schatten en ziet sneller waar de productiviteitswinst werkelijk zit.
Dit is het tweede deel van onze reeks over AI in het WMS. In de volgende delen komen opnieuw WMS-leveranciers aan het woord.
Meer weten over de aanpak van SCEX? Plan direct een gratis en vrijblijvende kennismaking in.
Ben je benieuwd hoe we de productiviteit van jouw warehouse kunnen verhogen? Neem contact op met SCEX,
