Na het lezen van dit artikel kun je een AI-Agent bouwen: AI agent Fulfilment VAS.
Iedereen praat over AI. Over copilots, agents, digital twins, control towers en autonome besluitvorming. Grote bedrijven en consultancyfirma’s laten medewerkers agents bouwen om alvast te ervaren wat AI kan betekenen voor werk, processen en besluitvorming. Maar voor veel organisaties — zeker in het midden- en kleinbedrijf — blijft de vraag praktisch: waar begin je?
Niet met een brede AI-transformatie. Niet met een groot platform. Niet met een agent die alles kan. De juiste startvraag is eenvoudiger:
“Welke repeterende medewerkerstaak met pijn kan AI veilig voorbereiden?”
Vanuit die vraag heeft Act2Vision een werkende agent gebouwd gericht op Value Added Logistics (VAL) / Value Added Services (VAS): een VAS Readiness Agent. Een kleine, concrete Python-agent die VAS-orders in een fulfilment center controleert voordat ze naar de vloer gaan. Als experiment om AI te demonstreren en een voorbeeld als eerste stap naar betere procesbeheersing. In Agentic AI, Agents bouwen is, gericht op het midden- en kleinbedrijf de bouw van de VAS Readiness Agent beschreven.
De keuze van een voorbeeld project. Waarom VAS/VAL een geschikt startpunt is
In fulfilment centers lijken pick, pack en ship vaak de kern. Maar veel verstoring ontstaat juist in het voorbereidende werk rondom VAL/VAS: labelen, ompakken, inserts toevoegen, klantspecifieke instructies, kwaliteitscriteria en materiaalbeschikbaarheid.
Hier ontstaan bekende pijnpunten, waar de vloer het probleem pas bij start ontdekt, na vrijgave van de order:
- Instructies zijn onvolledig;
- Klantafspraken staan verspreid over mail, Excel of pdf;
- Labelposities zijn niet duidelijk;
- Inserts of verpakkingsmaterialen zijn niet bevestigd;
- Kwaliteitscriteria ontbreken;
Het resultaat is wachttijd, rework, ad-hoc overleg, lijnverstoring en afhankelijkheid van ervaren medewerkers. Niet omdat mensen hun werk niet goed doen, maar omdat het systeem onvoldoende controle vóór uitvoering afdwingt.
Dat is precies waar Operational Excellence begint: niet harder werken en hero’s, maar het proces beter beheersen.
De gekozen agent: VAS Readiness Agent
De VAS Readiness Agent agent heeft een scherpe scope gekregen. De agent controleert alleen VAS-orders voor:
- labelen;
- ompakken;
- inserts toevoegen.
De agent beoordeelt of ordergegevens, instructies, materialen en kwaliteitscriteria compleet zijn. Bij ontbrekende of tegenstrijdige informatie krijgt de order status Niet vrijgeven en wordt een escalatievoorstel gemaakt.
De agent voert dus geen fysieke handelingen uit. Hij wijzigt geen WMS-data. Hij geeft geen order definitief vrij. Hij bereidt het besluit voor.
Dat is belangrijk. Een eerste AI-agent moet niet meteen autonoom zijn. Hij moet betrouwbaar, uitlegbaar en controleerbaar zijn.
Wat de agent doet
De eerste versie is gebouwd in Python en werkt met een eenvoudig orders.csv bestand. Per order controleert de agent onder andere:
- Is het ordernummer aanwezig?
- Is de klant bekend?
- Is de SKU aanwezig?
- Is het aantal ingevuld en geldig?
- Valt het VAS-type binnen scope?
- Is er een werkinstructie?
- Zijn materialen beschikbaar?
- Zijn QC-criteria aanwezig?
- Is bij labelen het labelbestand en de labelpositie aanwezig?
- Is bij ompakken de verpakkingsspecificatie aanwezig?
- Is bij inserts het type en de versie bekend?
- Ontbreekt een voorbeeldfoto?
Daarna geeft de agent per order een status:
Groen — order lijkt compleet en is gereed voor menselijke vrijgave.
Oranje — order is grotendeels compleet, maar menselijke controle is nodig.
Rood — kerninformatie ontbreekt of de order valt buiten scope; niet vrijgeven.
De output wordt vastgelegd in twee .csv bestanden. Daarmee ontstaat niet alleen een advies per order, maar ook een eerste audit trail.
Waarom bewust gestart is zonder complexe AI
Een eerste Agent gebruikt geen groot taalmodel. Dat is een bewuste keuze. In het experiment VAS-readiness zijn harde procesregels geformuleerd. Een labelpositie is aanwezig of niet. Een QC-criterium is ingevuld of niet. Een VAS-type valt binnen scope of niet. Daarvoor is geen generatieve AI nodig. Een rule-based Python-checker is transparanter, veiliger en makkelijker te testen.
“De beslislogica moet eerst helder zijn. Anders automatiseer je onduidelijkheid”.
AI wordt nog interessanter in de volgende fase: het lezen van klantmails, pdf-instructies, oude werkinstructies of ongestructureerde klantafspraken. Dan kan een taalmodel helpen om informatie te interpreteren en om te zetten naar gestructureerde velden.
Van losse taak naar procesbeheersing
De waarde van deze agent zit niet alleen in de technische werking. De waarde zit vooral in wat hij zichtbaar maakt.
“De Agent als procesinstrument”.
Als veel orders rood worden in ons experiment, is dat geen agent-probleem. Dan is de voorbereiding structureel onvoldoende. Als veel orders oranje worden door ontbrekende foto’s, is de visuele instructiestandaard niet scherp genoeg. Als materiaalbeschikbaarheid vaak ontbreekt, ligt het probleem mogelijk in planning, voorraadbeheer of klantvoorbereiding.
De agent wordt daarmee een procesinstrument. Hij maakt variatie zichtbaar vóórdat die de vloer bereikt. Dat sluit direct aan op Operational Excellence: prestaties ontstaan niet uit individuele inspanning, maar uit duidelijke standaarden, feedbackloops, eigenaarschap en feitelijke sturing. In de Act2Vision OpEx-serie wordt Operational Excellence ook benaderd als capability: het vermogen om het systeem te begrijpen, te sturen en te verbeteren — niet als losse tool of tijdelijk verbeterprogramma.
KPI’s voor de eerste pilot
Een eerste agent hoeft niet direct geld te besparen op papier. De intentie is om MKB bekend te maken met Agents, kennis opbouwen, leren. En natuurlijk in het experiment: de VAS Readiness Agent moet aantonen dat hij betere voorbereiding afdwingt.
Voor onze pilot zijn eenvoudige KPI’s gekozen en voldoende:
- Aantal beoordeelde VAS-orders;
- Percentage groen, oranje en rood;
- Aantal gevonden issues vóór vloerstart;
- Aantal ad-hoc vragen vanuit de vloer;
- Aantal lijnstops door ontbrekende informatie of materialen;
- Aantal rework-cases;
- Correctheid van het agentadvies;
- Voorbereidingstijd per order.
Dit zijn geen dashboards om naar te kijken. Het zijn stuurvariabelen. KPI’s worden pas waardevol als definities, eigenaarschap, ritme en acties duidelijk zijn. Deze principes komen terug in de Act2Vision-benadering van benchmarking: KPI’s moeten leiden tot besluiten, niet alleen tot rapportage (lees ook: Business Control Leading, Lagging en Execution Indicators.
Wat dit betekent voor het MKB
Voor het MKB is dit een realistische route naar agentic AI. Niet beginnen met een enterprise control tower. Niet beginnen met een duur platform. Niet beginnen met “AI moet onze operatie verbeteren”. Begin met één proces waar pijn zit. Maak de regels expliciet. Laat de agent voorbereiden. Laat de mens beslissen. Meet het effect.
De Agentic AI, Agents bouwen laat zien dat een eerste agent klein kan zijn:
- één proces;
- één CSV-bestand;
- één Python-script;
- één outputrapport;
- één menselijke goedkeuringsstap.
Dat maakt AI tastbaar. Medewerkers zien wat de agent doet. Managers zien welke informatie structureel ontbreekt. Operations ziet welke orders nog niet klaar zijn voor uitvoering. Een experiment moet inspireren, stimuleren en kan een begin zijn voor transformatie.
De technologie is hier niet het doel. De technologie dwingt procesduidelijkheid af. Als de eerste Agent werkt, kunnen logische volgende stappen zijn:
- De regels uit de Python-code halen en beheren in een apart rules.yaml bestand.
- Een gecontroleerde kennisbasis toevoegen met klantinstructies, labeltemplates, verpakkingsspecificaties en QC-regels.
- Een LLM toevoegen om klantmails en pdf-instructies te lezen en samen te vatten.
- De output koppelen aan Teams, SharePoint, Excel, WMS of een ticketingtool.
- De pilot meten over vier tot zes weken.
- De agent uitbreiden naar andere VAS-types zoals kitting, bundling of retourverwerking.
Belangrijk blijft: eerst stabiliseren, dan automatiseren. Ook in layout, routing en fulfilment geldt dat automatisering op een slecht systeem vooral slechte flow sneller maakt. De Act2Vision-benadering benadrukt daarom: optimaliseer eerst routing, standaarden en besturing; voeg daarna pas technologie toe.
Key takeaways
- Een experiment met Agentic AI is een eerste stap in Operational Excellence, Transformatie en ontwikkeling van de organisatie.
- Een AI-agent wordt pas waardevol als hij een concreet procesprobleem oplost. Een repeterende medewerkerstaak die AI veilig kan voorbereiden (in het experiment is VAS/VAL-readiness een sterk startpunt omdat veel fouten ontstaan vóór uitvoering.
- Agentic AI begint niet met autonomie, maar met procesduidelijkheid.
- De agent levert niet alleen output, maar maakt procesgaps zichtbaar.
- Menselijke goedkeuring blijft essentieel in de eerste fase.
- De eerste agent hoeft geen complexe AI te gebruiken; rule-based Python is vaak de juiste eerste stap.
… en de praktische handleiding van het experiment: Agentic AI, Agents bouwen
Operational Excellence
Building process clarity today for the value chain of tomorrow.
Maarten van Oost
Maarten van Oost@act2vision.nl | +31 (0) 686 698 026 | Amsterdam, Netherlands, EEA
Act2Vision – Amsterdam, Netherlands
- Artikel Series: Business Control – Assessment System
- Blog series: Operational Excellence
- Blog series: Supply Chain Digital Twins – Assessment System
- Blog series: Carbon Capture and Storage
