26 okt Is de AI van Manhattan Associates een gamechanger voor de WMS-wereld?

In februari voorspelde ik op het winterevent van VLM vier AI-toepassingen voor het WMS. Deze maand presenteerde Manhattan op zijn Europese gebruikersevent in Milaan een reeks AI-innovaties. Zijn dit de gamechangers waarop we wachten?

De vier toepassingen staan in mijn blog van maart AI wordt gamechanger voor WMS-implementaties. Het zijn:

1. Vragen beantwoorden
2. Magazijn aansturen
3. WMS configureren
4. Maatwerk ontwikkelen

De laatste twee bestempelde ik als gamechangers, de tweede als waardevolle aanvulling en de eerste werd op dat moment al door diverse WMS-leveranciers geïntroduceerd.

Peter de Weerd beschreef de AI-aankondigingen in Warehouse Totaal. “Dit zijn geen chatbots die alleen vragen beantwoorden”, benadrukte chief product officer Brian Kinsella. Het eerste punt uit mijn lijst was daarmee al afgetikt.

Voor het tweede punt, AI voor de aansturing van het magazijn, geeft het verslag twee concrete voorbeelden. Een afdeling loopt achter op de planning: AI-agents onderzoeken waar capaciteit beschikbaar is en stellen voor om medewerkers met de juiste vaardigheden te herverdelen. Of orders blijven steken in het pickproces: agents stellen dan oplossingen voor, variërend van het verhogen van de prioriteit van inslagactiviteiten tot het beschikbaar maken van voorraad of het naar een dock verplaatsen van trailers. Afhankelijk van de instellingen kan een warehousemanager zelf goedkeuring geven of bepaalde handelingen volledig automatiseren. Manhattan benadrukt dat de kennis, intuïtie en het beoordelingsvermogen van ervaren medewerkers niet zomaar door software te vervangen zijn.

Manhattan geeft wel een waarschuwing bij de voorbeelden: “Als AI tien medewerkers verplaatst in plaats van drie, of medewerkers zonder de juiste vaardigheden inzet, kan dat desastreuze gevolgen hebben.” Daarom werkt Manhattan met vooraf ingestelde bedrijfsregels en autorisaties.

En hier zit een aandachtspunt. De term AI wordt voor heel verschillende technieken gebruikt. Een taalmodel kan een probleem interpreteren en acties voorstellen, maar personeel toewijzen met restricties vraagt om een rekenmodel. Daarvoor bestaat operations research: modellen en algoritmen die de beste oplossing vinden binnen vastgelegde restricties. Een AI-agent kan zo’n rekenmodel aanroepen, maar uit het verslag blijkt niet of dat gebeurt. Laat het taalmodel het gesprek voeren en de wiskunde het rekenwerk doen.

De derde toepassing in mijn blog was AI die een WMS voor je configureert. Implementaties zijn complexe projecten en je bent sterk afhankelijk van de kennis en ervaring van implementatieconsultants. Het is een gamechanger als AI het WMS voor je inricht terwijl jij je eisen en wensen deelt. Implementaties gaan dan veel sneller. Ook kan het eenvoudiger worden om de configuratie naderhand te wijzigen.

Manhattan kondigde Solution Design Studio aan, die begin 2027 verschijnt. Bij een test met een bestaand implementatiedocument van een concurrent wist het systeem volgens Manhattan ongeveer 90 procent van de vereisten automatisch te configureren. Volgens CEO Eric Clark kan de standaardimplementatietijd van Active Warehouse met maximaal 50 procent worden verkort. Als dat in de praktijk standhoudt, is dit de gamechanger die ik voorspelde.

De vierde en laatste toepassing in mijn blog was dat je met AI zelf maatwerk kunt ontwikkelen. In een standaard-WMS ben je beperkt tot de mogelijkheden van het pakket. In de praktijk loop je vrijwel altijd tegen grenzen aan. Dan moet je concessies doen in je logistiek of maatwerk laten bouwen. Het is een gamechanger als je met AI zelf maatwerk kunt toevoegen.

Manhattan kiest hier voor één geïntegreerd platform. Maatwerk bouw je in de eigen ProActive-omgeving van Manhattan. Ze zien Manhattan Active als basis voor AI en stellen: “AI die wordt toegepast in een versnipperde omgeving creëert geen intelligentie, maar vergroot de complexiteit.”

Ik ben het daar niet mee eens. In mijn blog pleit ik juist voor een open architectuur waarin het WMS de ruggengraat vormt en je zelf software kunt toevoegen. Een model dat we van ERP-systemen als Microsoft Business Central en Odoo al kennen. Een geïntegreerd platform kan de interne samenhang vereenvoudigen. Maar logistieke optimalisatie houdt niet op bij systeemgrenzen. De vraag is daarom hoe vrij je andere databronnen, rekenmodellen en toepassingen kunt aansluiten. Anders blijf je beperkt binnen de standaard.

Zijn dit de gamechangers? Voor de configuratie lijkt het daar wel op; voor maatwerk kiest Manhattan een andere weg. Het is afwachten hoe de AI-toepassingen in de praktijk uitwerken. Ik verwacht er veel van. Een pilotstudie bij L’Oréal, gepresenteerd op het event, liet een 14 procent hogere productiviteit bij het orderpicken zien. Welke toepassingen precies voor die winst zorgden en hoe de verbetering is gemeten, wordt in het verslag niet uitgelegd.

Let op waarvoor je AI inzet: voor optimalisatievraagstukken is wiskunde het juiste gereedschap. Een taalmodel is zelf geen betrouwbare optimalisatiemethode. Manhattans keuze voor één geïntegreerd platform biedt kansen aan WMS-leveranciers die inzetten op een open landschap en hun klanten zo bevrijden uit het keurslijf van standaardsoftware.