Naar de inhoud
Alle video’s

Inkoopagent spoort opgelopen levertijden op

AI Agents & ShoppingDuur: 2:05 min

Sander van den Broek, Optiply

Uit de sessie: Deep Dive Friday: Voorraadoptimalisatie

Sander van den Broek van Optiply laat in de Deep Dive Friday zien wat de agentlaag bovenop hun inkoopplatform doet. Het voorbeeld is klein en herkenbaar: levertijden die in de loop van een half jaar stilletjes opliepen. Je ziet het chatscherm waarin de agent ze naloopt en een aanpassing voorstelt.

Voor wie: Je met tientallen leveranciers werkt en wilt zien hoe een AI-agent een concreet, klein inkooplek opspoort zonder dat je de controle kwijtraakt.

Waarom dit ertoe doet

Je bestelsysteem rekent met de levertijd die je ooit met een leverancier afsprak. Is dat 14 dagen terwijl de leverancier inmiddels 18 of 19 dagen nodig heeft, dan bestel je structureel 4 tot 5 dagen te laat. Bij één leverancier valt dat weg, bij 10 tot 20 leveranciers lekt er volgens Van den Broek geld weg via uitverkochte producten. Inkopers konden dit altijd al controleren, maar doen het zelden voor leverancier 23 tot en met 35. Optiply lanceerde de agent op Webwinkel Vakdagen, op 25 en 26 maart 2026 in Utrecht. In hun eigen deck staat dat de agent leveranciersdata alleen aanpast na expliciete bevestiging. Het is daarmee een overzichtelijke eerste taak voor een agent: het resultaat is meetbaar en een mens geeft het akkoord.

Belangrijkste inzichten

  • Een levertijd van 14 dagen die ongemerkt 18 of 19 dagen wordt, laat je op elk product van die leverancier 4 tot 5 dagen te laat bestellen.
  • Inkopers houden hun top 5 leveranciers in de gaten, maar leverancier 23 tot en met 35 wordt zelden gecontroleerd.
  • De Optiply-agent meet werkelijke levertijden, toont de afwijkingen en past ze pas aan na akkoord van de gebruiker.
  • Optiply lanceerde de agent op Webwinkel Vakdagen van 25 en 26 maart 2026; in hun deck staan volledige inkooporders nog als geplande uitbreiding.
  • Zonder opgeslagen historische data, bijvoorbeeld Google Analytics in BigQuery, heeft zo'n agent niets om mee te vergelijken.

Vijf onderdelen met een agentlaag erop

Vlak voor de clip beschrijft Van den Broek het platform in vijf delen. Forecasting voorspelt wat je gaat verkopen. Replenishment bepaalt hoeveel voorraad je nodig hebt, met buffers voor onzekerheid bij leveranciers en vraag. Planning gaat over wanneer je bestelt, bijvoorbeeld om containers te vullen of een spoedorder te plaatsen. Externe data voegt context toe uit je ERP, je prijzen of bol.com-data, omdat wel of geen koopknop je inkoop verandert. Purchase order is het daadwerkelijk versturen van de order, per mail, via EDI of in een leveranciersportaal. Aan die vijf delen bouwt Optiply volgens hem tien jaar. De agentlaag zit daarbovenop en heeft daardoor de context van je hele supply chain.

Waarom een verouderde levertijd geld kost

Een systeem bestelt opnieuw zodra de voorraad onder een bestelpunt zakt. Dat punt is grofweg de verwachte verkoop tijdens de levertijd plus een veiligheidsvoorraad. Een eenvoudig rekenvoorbeeld: verkoop je 10 stuks per dag en rekent het systeem met 14 dagen, dan bestelt het bij 140 stuks plus buffer. Duurt de levering in werkelijkheid 19 dagen, dan heb je 190 stuks nodig. De 50 stuks verschil vreten je buffer op, en daarna verkoop je nee. Van den Broek zegt dat levertijden in de praktijk bijna nooit korter worden, alleen langer. Dat is zijn ervaring, zonder cijfer. Het verklaart wel waarom het lek zo makkelijk ontstaat.

Wat de agent doet en wat jij doet

In de demo vraagt de gebruiker de agent om de levertijden te reviewen. De agent vergelijkt de ingestelde levertijd met wat het platform werkelijk meet per leverancier. Hij laat de afwijkingen zien en vraagt of hij ze moet aanpassen. Jij zegt 'oké' en het is klaar. Van den Broek zegt dat de mens altijd in de lus blijft. Daarnaast kan de agent volgens hem helpen bij plannen om voorraad te verlagen, die plannen uitvoeren en datakwaliteit oplossen. In het Optiply-deck van Webwinkel Vakdagen heet dit de Supply Chain Agent. Die kan leveranciersdata bijwerken en audits draaien, alleen met expliciete bevestiging, in het Nederlands, Engels en Spaans. Volledige inkooporders plaatsen staat daar nog bij de geplande uitbreidingen.

De uitdagingen die hij daarna noemt

Na de clip noemt Van den Broek vier redenen waarom bedrijven dit niet goed krijgen. Het team moet genoeg gevoel voor data hebben om te zien of een voorstel klopt. Oude keuzes in de techstack, zoals een webshop die nog op Magento 1 draait, maken data verzamelen lastig. Inkopers hebben het vaak te druk om een stap terug te doen. En data die je nooit opsloeg, zoals Google Analytics-data die niet in BigQuery staat of oude prijsdata, kun je later niet gebruiken. Optiply's eigen claims op de beurspagina, 80% minder stockouts en 30% minder voorraad, zijn cijfers van de leverancier zelf.

Probeer dit deze week

  1. Exporteer voor je 20 grootste leveranciers de afgesproken levertijd en de werkelijke levertijd van de laatste 6 maanden en zet ze naast elkaar.
  2. Pas voor de leveranciers met meer dan 2 dagen verschil de levertijd in je systeem aan en kijk een maand later naar je uitverkochte producten.
  3. Vraag je inkoopsoftware-leverancier welke controles een AI-agent nu al kan doen, en of die altijd om jouw bevestiging vraagt.

Begrippen

Lead time (levertijd)
De tijd tussen het plaatsen van een bestelling en het moment dat de goederen binnen zijn.
Replenishment
Het aanvullen van voorraad: bepalen hoeveel je bestelt zodat je genoeg hebt zonder te veel geld in voorraad te zetten.
Veiligheidsvoorraad
Extra voorraad bovenop de verwachte verkoop, om schommelingen in vraag of levertijd op te vangen.
Human in the loop
Een werkwijze waarbij AI een voorstel doet of een actie voorbereidt en een mens die goedkeurt voordat er iets verandert.
EDI
Electronic Data Interchange: een vast digitaal formaat om orders en bevestigingen rechtstreeks tussen systemen van bedrijven uit te wisselen.

Verdiep je in de gids

Transcriptie

Uitgeschreven uit de audio van dit fragment. Stopwoorden en herhalingen zijn weggelaten. Waar [onverstaanbaar] staat, is de opname niet te verstaan.

En hier bovenop is een agentic laag gebouwd. En die agentic laag zorgt er eigenlijk voor dat hij alle beslissingen neemt. Hij is vorige week gelanceerd op de webwinkel vakdagen. De eerste klanten zijn er live mee. En de eerste use cases die die agent bijvoorbeeld oppakt zijn de dingen die inkopers al wel konden doen maar eigenlijk zelden deden. Denk aan een simpel praktisch voorbeeld: wij bestellen bij honderd verschillende leveranciers. Die top 5 heb ik altijd wel in de smiezen, maar leverancier 23 tot en met 35, ja, dat bestel ik een keer per maand. Ik weet het niet, daar kijk ik nooit naar. Wat je daar heel erg ziet gebeuren Een ander ding met leveranciers is, lead times worden eigenlijk nooit korter. Dus wat gebeurt er? We hebben ooit twee weken afgesproken met deze leverancier. Blijkt een half jaar later dat dat toch 18, 19 dagen is. Dat betekent dat je wel een paar dagen mis gaat grijpen op veel producten van die leverancier. Keer 10, 20 leveranciers, dan kun je stiekem best wel wat weglekken. Wat doet zo'n agent? Die doet het eigenlijk helemaal voor je. Hij zegt letterlijk, ik wil dat je even mijn lead times reviewt. Hij loopt even door je lead times heen. Hij kijkt wat we meten aan lead times. Hij meet het niet alleen. Hij zegt ook, zal ik het voor je aanpassen voor deze leveranciers? Je bent als mens wel altijd de look, dus oké en klaar. Dit soort dingen leveren duizenden en duizenden euro's op. Een super praktische toepassing. En hij kan nog veel meer dingen: hij kan helpen met plannen maken rondom voorraadverlagingen, hij kan helpen dat je die plannen uitvoert, data kwaliteitsissues kan hij mee oplossen. En hij heeft dus heel veel context van jouw hele supply chain omdat die boven op ons platform zit.

Spreker: Sander van den Broek, Optiply

Bronnen

Meer over AI Agents & Shopping