Van pick-path en slotting tot voorraadnauwkeurigheid en personeelsplanning: wij bouwen AI die uw DC sneller, accurater en goedkoper laat draaien — gekoppeld aan uw eigen WMS.
Laatst bijgewerkt: 11 juni 2026
AI helpt magazijn- en warehousingbedrijven door pick-path en slotting optimisation die looproutes bekorten, demand forecasting voor labour planning en voorraad, computer vision voor voorraadnauwkeurigheid en shrink, plus dock scheduling. Crux Digits bouwt deze modellen op uw eigen data en koppelt ze aan uw WMS, zodat advies in de bestaande werkwijze landt.
Een distributiecentrum draait op marges van centen per orderregel en op mensen die schaars zijn geworden. Tussen Rotterdam, Venlo, Tilburg en de Schiphol-corridor staan magazijnen die elke piek moeten opvangen met een arbeidsmarkt die niet meebeweegt. AI verandert niets aan het volume dat door uw dock moet, maar wél aan hoeveel arbeid, ruimte en fouten elke pallet onderweg kost. Het verschil zit zelden in een spectaculair model; het zit in een slotting die looproutes met meters bekort, een prognose die de uitzendkracht twee dagen eerder inplant, of een telcorrectie die voorkomt dat een order de deur uit gaat die nooit op voorraad lag.
Crux Digits bouwt die AI voor warehouse- en DC-operators — niet als kant-en-klaar product, maar als oplossing op uw eigen orderprofiel, layout en WMS. We zijn geen logistiek dienstverlener en geen softwareleverancier; we zijn de AI-engineeringpartner die de modellen ontwerpt, traint en koppelt aan de systemen die uw teamleiders en supervisors al gebruiken. Deze pagina valt onder onze sectorhub AI voor logistiek en transport, toegespitst op wat er binnen de vier muren van het magazijn gebeurt: ontvangst, opslag, picken, verzending en de telling die alles bij elkaar houdt.
De grootste arbeidspost in vrijwel elk magazijn is de loopafstand van de picker. Bij batch-, zone- en wavepicking bepaalt de volgorde waarin orderregels worden afgewerkt hoeveel kilometers per dag worden gemaakt. Pick-path optimisation rekent die volgorde uit met de echte randvoorwaarden: gangindeling, eenrichtingsverkeer, congestie op piekuren, en het simpele feit dat een zware doos onderop in de rolcontainer hoort. Het model zoekt niet de theoretisch kortste route, maar de best haalbare die uw picker zonder herstelwerk kan uitvoeren.
Het concrete resultaat is meetbaar in picks per uur en in reistijd als percentage van de shift. Over de sector heen leveren goed afgestelde looproute- en batchingmodellen doorgaans een productiviteitswinst in de orde van tien tot twintig procent — afhankelijk van hoeveel speling er nu in de handmatige of vaste-volgorde-picking zit. Voor een DC met tientallen pickers is dat het verschil tussen wel of niet een extra wave per shift wegwerken met dezelfde ploeg. Hoe we zulke optimalisatiemodellen bouwen en in productie nemen, leest u op de pagina machine learning.
Slotting optimisation is de stille hefboom onder pickproductiviteit. Snellopers dicht bij verzending, vaak samen bestelde artikelen naast elkaar, zware en volumineuze SKU's op ergonomisch verantwoorde hoogte — elke verbetering in de plattegrond verkort looproutes voor élke order die erna komt. Het probleem met handmatig slotten is dat het een momentopname is: de ABC-indeling van januari klopt niet meer in de bouwvak of rond de feestdagen.
Een AI-slottingmodel leert per SKU het bewegingspatroon, herkent verschuivingen in de vraag en stelt herindeling voor vóórdat de oude indeling de productiviteit remt. Het houdt rekening met affiniteit (welke artikelen vaak in dezelfde order zitten), met volume en gewicht, en met de fysieke capaciteit van elke locatie. Het resultaat is een magazijn dat zichzelf bijstuurt op het ritme van uw orderstroom, in plaats van een statische plattegrond die twee keer per jaar met de hand wordt herzien.
Inventory accuracy is de basis waar alles op rust: een voorspelling, een slotting of een pick-route is waardeloos als het systeem denkt dat er 40 stuks staan terwijl het er 12 zijn. Telverschillen vreten aan de servicegraad, veroorzaken nee-verkopen en dwingen tot dure spoedtellingen. AI helpt op twee manieren — door slimmer te tellen en door verschillen vroeg te signaleren.
Computer vision brengt de fysieke werkelijkheid terug in het systeem. Beeldmodellen lezen labels en SKU's bij ontvangst, controleren of de juiste pallet op de juiste locatie staat, tellen dozen op een stelling, en herkennen schade of een verkeerd geëtiketteerde doos vóór die de voorraad in gaat. Cycle counting met camera's of een drone in de gangpaden vervangt een deel van het handmatige tellen en houdt de voorraad continu actueel in plaats van één keer per jaar bij de grote telling. Wat daar technisch achter zit, leest u op onze pagina computer vision; onze case study over visuele inspectie met computer vision laat zien hoe robuust zo'n model presteert onder wisselend licht en beweging — dezelfde uitdaging als in een magazijngang.
Shrink — verlies door breuk, verkeerde verwerking, veroudering of diefstal — verdwijnt zelden in één grote post; het lekt weg in honderden kleine afwijkingen. Een model dat voorraadmutaties, telverschillen en pickfouten over tijd analyseert, herkent waar het structureel misgaat: een locatie die stelselmatig negatief telt, een SKU die te vaak beschadigd binnenkomt, een proces waar afboekingen zich opstapelen. In plaats van pas bij de jaarafsluiting te ontdekken dat de marge is weggelekt, krijgt uw teamleider het patroon op het moment dat er nog iets aan te doen valt. Dat onderscheid tussen ruis en een echt signaal — vroeg genoeg om in te grijpen — is precies wat onze case study over conditiemonitoring demonstreert voor temperatuur, en wat hier net zo geldt voor voorraad.
Demand forecasting is voor een DC de use case met de hoogste hefboom, omdat één prognose drie beslissingen tegelijk aanstuurt: hoeveel mensen u inroostert, hoeveel voorraad u aanhoudt en hoeveel dockcapaciteit u reserveert. Voorspelt u de volumepiek te laag, dan staat u op de drukste ochtend met te weinig pickers en loopt de doorlooptijd op. Voorspelt u te hoog, dan betaalt u voor uitzendkrachten die staan te wachten en voor opslagruimte die u niet nodig had.
Goede AI-prognoses combineren uw eigen orderhistorie met signalen die een spreadsheet niet meeneemt: weekdagpatronen, feestdagen en bouwvak, promoties van uw verladers, weersinvloed op bepaalde productgroepen en lange-termijntrends. Het model leert per SKU en per kanaal waar de vraag echt volatiel is en waar hij voorspelbaar kabbelt, zodat u veiligheidsvoorraad alleen aanhoudt waar dat nodig is en arbeid plant op het werkelijke werkaanbod. In onze case study over vraagvoorspelling en planning ziet u hoe vraagsignalen werden omgezet in een concreet plan dat verlies bij omstelmomenten terugbracht — dezelfde logica die in een magazijn de roosterpiek glad strijkt.
Wat een eerlijke prognose óók doet, is een grens trekken. Wij meten elk model tegen wat u vandaag al doet — uw huidige planning is de baseline. Verslaat het model die baseline niet, dan zeggen we dat, in plaats van een dashboard af te leveren dat mooi oogt maar niets verbetert. Dat is het verschil tussen een AI-engineeringpartner en een leverancier die alleen een licentie wil verkopen.
Aan de randen van het magazijn ontstaat de duurste opstopping. Te veel trucks tegelijk aan het dok betekent wachtende chauffeurs, oplopende detention en pieken in de inslag die het hele DC verstoppen. Een AI-model voor dock scheduling voorspelt aankomstpatronen, spreidt afspraken over de dag en houdt rekening met de personeelsbezetting die nodig is om een lading te lossen of te laden. Het resultaat is een vlakkere werkbelasting: minder wachttijd op de yard, minder ophoping bij ontvangst en een inslag die het pickproces niet onverwacht overspoelt. Hoe we deze planningsmodellen koppelen aan uw afsprakensysteem en WMS beschrijven we bij data engineering.
De meeste warehousewinst komt niet uit een los algoritme maar uit AI die landt in het systeem waar uw mensen al werken. WMS AI betekent voor ons: modellen die advies — een betere slotting, een geoptimaliseerde wave, een telcorrectie — direct terugschrijven naar uw warehouse management system, ERP of een eenvoudige API ertussen, zodat het in de bestaande werkwijze verschijnt en niet in een dashboard dat niemand opent. Het mooie is dat de meeste van deze modellen draaien op data die u al heeft: orderhistorie, pickbonnen, voorraadmutaties, dock-afspraken.
Daarbovenop komt een nieuwe laag praktische generatieve AI. Een copilot voor de supervisor laat in gewone taal vragen "welke orders lopen vandaag uit en waarom", of "waar staan we op de pickbacklog", en geeft sneller antwoord dan een rapportagetool. Een kennisbank met RAG over uw werkinstructies, SOP's, veiligheidsprotocollen en klant-specifieke afspraken laat een nieuwe medewerker of uitzendkracht in seconden het juiste antwoord vinden — cruciaal bij hoog verloop op de werkvloer. En operationele AI-agents nemen routinematige, meerstaps taken over: een inkomende order interpreteren, controleren tegen voorraad, een telopdracht aanmaken bij een verschil, of een klantvraag over de status van een zending afhandelen zonder dat een planner het hoeft over te typen.
Voor klant- en transportcommunicatie sluit dit aan op shipment-visibility en track-and-trace: een assistent die statusvragen automatisch beantwoordt en alleen de uitzonderingen naar een mens stuurt, verlaagt de werkdruk op uw customer-service desk en verhoogt de deflectiegraad. Hoe we deze taalmodellen veilig en met de juiste guardrails inrichten, leest u bij generatieve AI, en de bredere aanpak bij AI-automatisering.
Een magazijn is een werkomgeving waar regelgeving meekijkt: arbeidsomstandigheden, persoonsgegevens van medewerkers, en bij personeelsplanning steeds vaker eisen rond algoritmische besluitvorming. De EU AI Act en de AVG zijn voor ons geen afdeling die achteraf langskomt, maar uitgangspunt vanaf de eerste dag. Een model dat roosters of werkdruk beïnvloedt, moet uitlegbaar zijn — u kunt aan een medewerker, een OR of een toezichthouder verantwoorden waaróm een beslissing zo viel. Beslissingen met impact op mensen houden menselijke controle: het model adviseert, uw teamleider beslist.
Voor het Nederlandse MKB is dat geen overbodige luxe maar een commercieel argument. Grote verladers en e-commercepartners nemen compliance en auditbaarheid steeds vaker op in hun contracten en audits. Een AI-oplossing die niet uit te leggen valt, is een risico dat u liever niet in uw operatie heeft. Wij bouwen modellen waarvan elke beslissing een spoor achterlaat dat u later kunt nalopen.
Crux Digits is een boutique AI-consultancy uit Nieuwegein, in de regio Utrecht, die werkt voor opdrachtgevers in heel Nederland en Europa. We zijn bewust een seniorgedreven alternatief voor twee uitersten: de grote enterprise-consultancies waar uw project tussen tientallen andere verdwijnt, en de webbureaus die zichzelf in een weekend tot "AI-bureau" omdoopten. Bij ons blijven de senior mensen die aan tafel zaten ook daadwerkelijk op uw project, en aan het eind bezit ú de oplossing — geen blijvende afhankelijkheid van een licentie of een black box.
De prijsopbouw is transparant en in vaste stappen, bedragen exclusief btw. U begint met een AI Audit en Strategie voor 2.500 euro, waarin we de duurste knelpunten in uw operatie in kaart brengen en bepalen of AI hier rendeert. Loont het, dan volgt een Proof of Concept vanaf 20.000 euro: een werkend model op uw eigen data, gemeten tegen uw baseline. Werkt dat, dan volgt een productie-uitrol vanaf 50.000 euro, gekoppeld aan uw WMS, ERP en dock-systemen. Elke stap is een eigen go/no-go-beslissing — u verbindt zich nooit aan de volgende fase voordat de vorige zich heeft bewezen. De volledige opbouw staat op de prijzenpagina.
Inmiddels hebben we dertien case studies opgeleverd, van computer vision en NLP tot demand forecasting en predictive maintenance — de toepassingen die in het magazijn het hardst nodig zijn. Heeft u een concreet probleem met pickproductiviteit, slotting, voorraadnauwkeurigheid, shrink of personeelsplanning waar kosten of vertraging insluipen? Begin met een gratis consult, of lees eerst hoe wij over AI-consultancy in Nederland denken. We schetsen dan samen een pad waarin elke euro die u investeert zichzelf eerst moet terugverdienen.
Pick-path optimisation rekent de pickvolgorde uit met echte randvoorwaarden zoals gangindeling, congestie en gewicht, en verkort zo de loopafstand per order. Over de sector heen leveren goed afgestelde looproute- en batchingmodellen doorgaans tien tot twintig procent productiviteitswinst — afhankelijk van hoeveel speling er nu in uw handmatige picking zit. Dat is vaak een extra wave per shift met dezelfde ploeg.
AI verhoogt inventory accuracy op twee manieren: computer vision leest labels, controleert locaties en telt voorraad via camera's of een drone, en een afwijkingsmodel signaleert telverschillen vroeg. Cycle counting wordt continu in plaats van één keer per jaar, zodat het systeem klopt met de fysieke voorraad. Dat voorkomt nee-verkopen en dure spoedtellingen.
Ja. WMS AI betekent voor ons dat modellen advies — een betere slotting, geoptimaliseerde wave of telcorrectie — direct terugschrijven naar uw warehouse management system, ERP of een API ertussen. Het verschijnt in de bestaande werkwijze, niet in een los dashboard. De meeste modellen draaien bovendien op data die u al heeft: orderhistorie, pickbonnen en voorraadmutaties.
Ja. Demand forecasting voorspelt volumepieken per dag en kanaal door uw orderhistorie te combineren met weekdagpatronen, feestdagen, bouwvak, promoties en weer. Daarmee plant u arbeid op het werkelijke werkaanbod en reserveert u dockcapaciteit. Dock scheduling spreidt vrachtafspraken zodat de inslag het pickproces niet onverwacht overspoelt en wachttijd op de yard daalt.
Shrink lekt weg in honderden kleine afwijkingen. Een model dat voorraadmutaties, telverschillen en pickfouten over tijd analyseert, herkent waar het structureel misgaat — een locatie die negatief telt, een SKU die te vaak beschadigd binnenkomt. U krijgt het patroon op het moment dat er nog iets aan te doen valt, in plaats van pas bij de jaarafsluiting.
Ja, compliance is uitgangspunt vanaf dag één. Modellen die roosters of werkdruk beïnvloeden zijn uitlegbaar: u kunt aan een medewerker, OR of toezichthouder verantwoorden waarom een beslissing zo viel. Beslissingen met impact op mensen houden menselijke controle — het model adviseert, uw teamleider beslist — en elke beslissing laat een spoor na dat u kunt nalopen.
De prijsopbouw is transparant en in vaste stappen, exclusief btw. U start met een AI Audit en Strategie voor 2.500 euro, gevolgd door een Proof of Concept vanaf 20.000 euro op uw eigen data, en een productie-uitrol vanaf 50.000 euro gekoppeld aan uw WMS. Elke stap is een eigen go/no-go-beslissing; u verbindt zich nooit aan de volgende fase voordat de vorige zich heeft bewezen.
Vertel ons waar arbeid, ruimte of fouten weglekken in uw magazijn — we schetsen in een gratis consult een pad naar meetbare waarde.
Gratis consult boeken →