11 augustus 2026 · 7 min lezen · Sjaak ter Veld

AI in de groothandel: van mailstroom naar order

Een bestelmail van een vaste klant bevat twaalf artikelnummers, een deellevering, een afwijkend afleveradres en de opmerking dat het dringend is. Uw binnendienst verwerkt hem handmatig. Dat kan anders.

Maandagochtend. De inbox staat op 47 ongelezen berichten. De helft zijn bestellingen. Een kwart zijn vragen over levertijden. De rest is een mix van klachten, annuleringen en factuurvragen. Uw binnendienst werkt ze één voor één door, kijkt telkens in het ERP, typt over, en controleert of de klant nog krediet heeft. Rond half elf zijn ze bij bericht 23.

Dit is het dagelijkse ritme in veel groothandelsbedrijven. Het werk is niet moeilijk. Het is repetitief, foutgevoelig en tijdrovend. Precies het soort werk waar een AI-agent voor gebouwd is.

De groothandel is een perfecte omgeving voor agents

Groothandel draait op volume, snelheid en nauwkeurigheid. Bestellingen komen via mail, portaal, EDI, soms nog per fax. Elk kanaal heeft zijn eigen formaat. Klanten willen snel bevestiging. Fouten in een order kosten meer dan alleen de correctietijd: er gaat een chauffeur voor niets rijden, een klant loopt leeg in zijn magazijn, of u verstuurt een tweede zending op eigen kosten.

De informatie die nodig is voor een correcte order ligt al in uw systemen. Artikelnummers, prijsafspraken, staffels, kredietlimieten, voorraadposities. Niemand hoeft dat te bedenken. Het gaat er alleen om dat die informatie snel en foutloos bij elkaar wordt gebracht. Dat is precies wat een agent doet.

Welk werk kost uw binnendienst elke dag uren, terwijl alle benodigde informatie al in uw ERP staat? Als het antwoord "bestellingen verwerken" is, bent u klaar om te beginnen.

Orderverwerking: het meest voor de hand liggende startpunt

Een bestelmail lezen, de artikelen opzoeken, controleren of ze op voorraad zijn, de klantprijs toepassen, de kredietstatus checken en de order invoeren: dat zijn vijf tot zeven stappen die een medewerker elke keer opnieuw zet. Soms voor een order van 200 euro, soms voor een order van 20.000 euro. De handelingen zijn identiek.

Bij orderverwerking automatiseren leest een agent de bestelmail of PDF uit, koppelt de artikelen aan uw artikelbestand, voert de voorraad- en kredietcheck uit en zet de order als concept klaar in uw ERP. Uw medewerker controleert, past aan waar nodig, en bevestigt. De agent doet het opzoekwerk. De mens beoordeelt.

Het resultaat is niet dat uw medewerker niets meer doet. Het is dat hij of zij vijf minuten werk heeft in plaats van twintig. En dat die vijf minuten gaan over de uitzonderingen: de klant die iets vraagt dat niet op voorraad is, de order die net boven de kredietlimiet zit, de afwijkende wens.

Mailafhandeling is méér dan bestellingen alleen

Naast bestellingen stromen er dagelijks vragen binnen. Waar is mijn order? Klopt deze factuur? Kan ik dit artikel retourneren? Wat is de levertijd van dit product? Elke vraag kost tijd om op te zoeken en te beantwoorden, ook al weet u het antwoord in dertig seconden als u het trackingssysteem of het ERP erbij pakt.

Een agent kan die opzoekvraag overnemen. Hij zoekt de orderstatus op, trekt de factuur erbij, controleert de retourvoorwaarden. Dan zet hij een conceptantwoord klaar, inclusief de relevante informatie. Uw medewerker leest het na en verstuurt. Niet de agent, uw medewerker. Dat is de kern van hoe klantenservice automatiseren in de praktijk werkt: het opzoekwerk is gedaan, de mens beslist over verzending.

Wat verandert er dan? De doorlooptijd van een vraag daalt. Uw medewerker hoeft niet meer te schakelen tussen vier systemen om een statusupdate te geven. En de kwaliteit van het antwoord wordt consistenter, omdat de informatie altijd uit dezelfde bron komt.

Goede inkoop begint bij het signaal dat iemand nu mist

Inkoop in de groothandel is vaak reactief. Een artikel raakt op. Iemand ziet het. Er gaat een mail naar de leverancier. Die levertijd valt tegen. De klant wacht. Dat patroon herhaalt zich, zeker bij brede assortimenten met honderden of duizenden SKU's.

Een agent die de voorraadposities bewaakt, signaleert het tekort eerder. Hij kijkt naar de huidige voorraad, de openstaande orders en het historische verkooppatroon. Op basis daarvan stelt hij een inkoopvoorstel op, gebundeld per leverancier. Dat voorstel gaat niet automatisch weg. Uw inkoper bekijkt het, past het aan waar de agent de context mist, en zet de order door.

Bij inkoop automatiseren gaat het niet om het wegnemen van het inkoopbesluit. Het gaat om het wegnemen van het opzoekwerk dat aan dat besluit voorafgaat. Het besluit blijft bij uw inkoper. De berekening niet meer.

Marges verdampen stilletjes als u niet kijkt

Inkoopprijzen bewegen. Wisselkoersen, grondstoffen, energietarieven: leveranciers verhogen hun prijzen regelmatig, soms met een klein percentage, soms met een brief in de bijlage van een factuur. Uw verkoopprijzen bewegen niet automatisch mee. Dat verschil stapelt.

Stel dat u een assortiment van 800 artikelen heeft. Zelf bijhouden welke artikelen qua inkoopprijs zijn gestegen terwijl de verkoopprijs gelijk is gebleven, dat is uren werk. Werk dat vaak niet gedaan wordt, omdat er geen tijd voor is. Het gevolg is dat u artikelen verkoopt onder de marge die u verwacht.

Een agent die inkoopprijzen vergelijkt met verkoopprijzen en u per artikel een onderbouwd voorstel geeft, lost precies dat probleem op. U kiest zelf wat u doorvoert en wat niet. Maar u heeft tenminste het overzicht. Hoe dat concreet werkt, staat uitgewerkt op de pagina over prijs- en margebewaking.

Begin niet met alles tegelijk, begin met het smalste proces

De verleiding is groot om breed te beginnen. Alles automatiseren, alle kanalen, alle klanten. Dat is de snelste manier om een implementatie te laten stranden. Niet omdat het technisch niet kan, maar omdat u de menselijke kant onderschat.

Wat werkt: begin met één type order van één klantgroep. Of begin met inkomende mails over één onderwerp, zoals leverstatussen. Laat de agent die stroom een maand lang afhandelen, kijk waar hij het goed doet en waar hij corrigeerd moet worden, en pas het beleid aan. Daarna kunt u uitbreiden.

Over welk proces als eerste geschikt is voor automatisering, en hoe u dat bepaalt zonder de plank mis te slaan, vindt u een praktisch kader in het artikel over welk proces geschikt is voor een agent. De vuistregel daarin is eenvoudig: kies het saaiste, meest voorspelbare proces. Dat is ook het snelste om goed te krijgen.

Wat u maandag kunt doen

Pak de inbox van uw binnendienst erbij en tel hoeveel van de berichten van gisteren een standaard handeling vereisten: een order invoeren, een voorraad opzoeken, een levertijd doorgeven. Dat is uw startpunt. Schrijf op welke informatie daarvoor telkens nodig is, en in welke systemen die staat.

Die twee lijsten, het terugkerende handeling en de informatiebronnen, zijn wat u nodig heeft voor een eerste gesprek over wat een agent in uw situatie realistisch kan doen. Niet een belofte vooraf over hoeveel u bespaart. Wel een helder beeld van waar de uren naartoe gaan en of die uren automatiseerbaar zijn.

De vraag is niet of uw mailstroom automatiseerbaar is. De vraag is met welk deel u begint.

#MKB#proces#efficiency#integraties#strategie
Veelgestelde vragen

Over dit onderwerp

Kan een AI-agent omgaan met bestellingen in verschillende formaten, zoals mail, PDF en EDI?

Ja. Een agent kan tekst uit mails lezen, PDF's uitlezen en EDI-bestanden verwerken. Per kanaal is een aparte verwerkingsstap nodig, maar dat hoeft geen afzonderlijk project te zijn. Begin met het kanaal dat het meeste volume heeft, en breid daarna uit naar de overige formaten.

Verstuurt de agent automatisch orderbevestigingen naar klanten?

Nee. Een agent zet de bevestiging klaar als concept, inclusief de juiste informatie uit uw ERP. Uw medewerker controleert en verstuurt. Uitgaande communicatie naar klanten gaat altijd langs een menselijke beoordeling. Dat is geen beperking, maar een bewuste keuze die voorkomt dat fouten ongemerkt naar buiten gaan.

Hoe zit het met de opslag van klant- en ordergegevens die de agent verwerkt?

Opslag en verwerking vinden plaats in Frankfurt. Taalmodelcalls lopen via Anthropic in de Verenigde Staten. Dit is opgenomen in de sub-verwerkerslijst met een transfer impact assessment. Er is geen constructie waarbij alle data uitsluitend binnen de EU blijft.

Is een AI-agent ook zinvol voor kleinere groothandels met een beperkt assortiment?

Dat hangt af van het volume. De vuistregel is: als een handeling vaker dan twee keer per week voorkomt en de regels ervan te beschrijven zijn, is automatisering zinvol. Een smal assortiment is geen belemmering. Een laag transactievolume kan dat wel zijn, afhankelijk van hoe arbeidsintensief de handeling is.