Kunstmatige intelligentie (AI) en data-analyse veranderen in rap tempo de manier waarop magazijnen werken. Dankzij scanners, sensoren en slimme systemen weten bedrijven precies wie welk product wanneer heeft gepickt en hoeveel inspanning dat kostte. Dat biedt kansen voor meer efficiëntie en beter afgestemde werkprocessen. Tegelijkertijd roept het gebruik van persoonsgebonden data vragen op over privacy, autonomie en welzijn. Hoe kan AI zo worden ingezet dat niet alleen de productiviteit stijgt, maar ook de mens centraal blijft staan?
AI vindt zijn weg naar het magazijn
In de wetenschappelijke literatuur verschijnen steeds meer artikelen over het gebruik van persoonsgebonden gegevens en AI (of andere optimalisatiealgoritmen) bij de inzet van mensen in het magazijn.
AI bij parts-to-picker systemen
AI en optimalisatiealgoritmen kunnen bijvoorbeeld toegepast worden bij parts-to-picker orderverzamelsystemen. In een dergelijk systeem haalt een shuttle, kraan of robot een productladingdrager uit de opslag en brengt die naar een pickstation. Daar moet een mens het product uit de ladingdrager halen en dat in een klantenbak leggen. Het systeem houdt alles bij. Welk product wordt precies wanneer gepakt, vanaf welke locatie, en waar wordt het wanneer weggelegd.
Kan AI helpen om dat pickproces te verbeteren? Het antwoord is: Ja. Het systeem weet precies hoe snel iemand een bepaald product pickt, hoeveel energie die persoon verbruikt heeft, hoeveel meter die persoon loopt, hoe vaak die persoon moet bukken of rekken, of hoeveel letselrisico een bepaalde beweging toevoegt aan die persoon. Die informatie kan gebruikt worden voor verschillende doeleinden. Bijvoorbeeld de productiviteit te verhogen (degene die sneller bepaalde producten kan handelen krijgt de betreffende order toegewezen), of het energieverbruik van een picker te minimaliseren, zodat de picker minder moe wordt, of het letselrisico te minimaliseren. Over elk van deze aspecten is onderzoek gepubliceerd.
AI bij picker-to-parts systemen
AI en optimalisatiealgoritmen kunnen ook gebruikt worden bij picker-to-parts systemen. In een dergelijk systeem loopt of rijdt de verzamelaar met een orderpick kar door het magazijn en verzamelt de artikelen in een route. In recent onderzoek, op basis van data van een Fins detailhandelsmagazijn, bleek dat als de juiste order (rekening houdend met ordereigenschappen als het benodigde aantal stuks, de pickhoogte, loopafstand, volume en gewicht) toegewezen werd aan de juiste picker (rekening houdend met vaardigheden van die picker met betrekking tot die ordereigenschappen) de totaal benodigde picktijd per dag met bijna 10% verkort kon worden.
Meer dan productiviteit: ook welzijn als doel
Hoewel het meeste onderzoek kijkt naar verbetering van de productiviteit, zijn ook andere doelstellingen mogelijk. Het algoritme kan bij het nemen van de toewijzingsbeslissing ook een balans maken tussen systeemprestatie en het welzijn of de voorkeur van het individu.
Beschikbare data in moderne magazijnen
De benodigde data worden in veel magazijnen automatisch verzameld en vastgelegd. Immers, alles wordt gescand, bevestigd en gelogd en gekoppeld aan het individu. De data worden verzameld door het WMS, of met behulp van camera’s, of met sensoren bevestigd op de magazijntruck, of zelfs direct op de persoon (denk aan tags die meegenomen worden, of wearables zoals smartwatches).
De data zijn dus aanwezig. De algoritmes zijn, in ieder geval in de wetenschappelijke literatuur, redelijk bekend. Dat betekent echter niet dat er al grootschalig gebruik van wordt gemaakt.
Beperkingen: regelgeving en ethiek
In de praktijk vormen de AVG richtlijnen en de nieuwe EU AI richtlijn, en ook eisen van vakbonden en ondernemingsraden belemmeringen om data en algoritmen te gebruiken in het bedrijfsproces tegen de belangen van medewerkers in. Als bedrijven dit toch doen, leidt dat vaak tot negatieve publiciteit. Amazon werd vorig jaar in Frankrijk beboet werd voor het excessief bijhouden en misbruiken van persoonsgebonden data, bijvoorbeeld toiletbezoek (zie Amazon fined for ‘excessive’ surveillance of workers). Buiten de EU zijn werknemers echter vaak minder beschermd en dan kan persoonsgebonden data ongehinderd verzameld en gebruikt worden. Meestal alleen ter verbetering van de efficiëntie. Veel minder om het werk en de werkplek van de werknemer te verbeteren.
Mensgerichte toepassingen van AI en data
Persoonsgebonden data kunnen echter ook voor het laatste gebruikt worden. Bijvoorbeeld door na detectie van iemands locatie te waarschuwen dat er gevaar dreigt. Of door meting van belasting proberen de werknemer bewust te ontlasten. Of door het meenemen van individuele werkvoorkeuren, die mogelijk kunnen veranderen met de dag.
Conclusie: kansen én verantwoordelijkheden
Er liggen grote mogelijkheden voor de praktijk. Zowel procesverbetering als verbetering van het welbevinden van medewerkers is mogelijk. Ook zijn nog lang niet alle mogelijkheden daarvoor wetenschappelijk onderzocht. Er is dus werk aan de winkel. Van belang is wel dat invoering transparant gebeurt en met instemming van de werknemers.
Meer weten over Smart Warehousing? Kom dan naar ICT&Logistiek op 4 t/m 6 november 2025 bij Jaarbeurs, Utrecht. Registreer je hier gratis.
