Nieuwe mogelijkheden met AI in de transport en logistiek

De sector transport en logistiek kampt met een aantal grote uitdagingen. Zo zetten de hoge brandstofprijzen als gevolg van de crisis in het Midden-Oosten de marges verder onder druk. En hoewel dit de businesscase voor emissievrij transport alleen maar versterkt, maken dezelfde lagere marges de daarvoor benodigde verduurzamingsinvesteringen juist moeilijker.

Daarnaast is er al langere tijd sprake van personeelsschaarste. Zij wordt gezien als een van de grootste belemmeringen voor groei. De sector kent veel openstaande vacatures voor vrachtwagenchauffeurs, transportplanners en laders en lossers. Deze drie beroepsgroepen staan momenteel in de top 10 van beroepen in Nederland met de meeste vacatures. De vacaturegraad neemt de laatste jaren weliswaar af, maar is historisch gezien nog altijd hoog (zie figuur 1). Tegelijkertijd neemt de productiviteit in de sector niet tot nauwelijks toe (zie figuur 2). In combinatie met de gestegen lonen zorgt dat voor hogere loonkosten per eenheid product, zoals omschreven in een eerdere studie. Dat zet de internationale concurrentiepositie van de sector onder druk, aangezien de loonkosten per eenheid product in Nederland harder zijn opgelopen dan gemiddeld in de eurozone tussen 2015 en 2023.

Met efficiëntere processen en een betere capaciteitsplanning kunnen bedrijven in de sector omgaan met de krappe arbeidsmarkt. AI kan uitkomst bieden door taken te automatiseren en efficiënter te werken, met als gevolg een hogere productiviteit. De arbeidskrapte speelt met name bij uitvoerend personeel (bijvoorbeeld chauffeurs en logistiek personeel), waar AI beperkt kan worden toegepast. Maar AI kan wél van toegevoegde waarde zijn bij de ondersteunende functies zoals administratie en planning. En door het verbeteren van de planning en beladingsgraden kan met minder mensen hetzelfde werk worden gedaan. Ook kan AI bijdragen aan kwaliteitsverbetering van de dienstverlening. Er zijn verschillende soorten AI-technologieën, met verschillende toepassingen. We maken onderscheid tussen de onderstaande drie categorieën (figuur 3).

AI-systemen bestaan al decennia, en de afgelopen jaren zijn er al AI-systemen geïntroduceerd in de transportsector, bijvoorbeeld in software om de route te optimaliseren of de vraag naar producten en diensten te voorspellen. Dit noemen we Predictive AI. De afgelopen jaren zijn AI-modellen dusdanig ontwikkeld dat zij in staat zijn om ook tekst en beeld te genereren, en sinds de introductie van ChatGPT in 2022 neemt de ontwikkeling hiervan razendsnel toe. Dit is de tweede categorie: Generative AI (GenAI). Omdat een GenAI-systeem zelf output kan genereren en met mensen (of andere AI-systemen) kan communiceren, is dit toe te passen op een groot aantal taken. Denk bijvoorbeeld aan automatische documentatie of spraakassistenten. Tot slot definiëren we een derde categorie: AI in de fysieke wereld. Dit zijn AI-systemen die samenwerken met een object, zoals voertuigen, vaartuigen of robots. Deze laatste categorie is voor de transportsector zeer relevant, maar in dit artikel gaan we daar niet verder op in omdat de toepassing hiervan over het algemeen nog iets verder weg ligt.

Om in kaart te brengen in hoeverre GenAI relevant kan zijn voor de transportsector maken we gebruik van een methode waarmee het mogelijk is om voor afzonderlijke taken in te schatten in welke mate deze zijn te automatiseren met GenAI. Daarna aggregeren we naar beroepen. Voor dit artikel gebruiken we inzichten van de International Labour Organisation (ILO; Gmyrek et al. (2025)) en combineren we die met CBS-data over alle beroepen in de transportsector. Daarmee hebben we op beroeps- én sectorniveau een inschatting van het potentieel van GenAI, die we in de volgende vier categorieën indelen.

1. ‘Hoog potentieel’, bijvoorbeeld facturen maken.
2. ‘Potentieel’, bijvoorbeeld scheepsvervoer regelen en contracteren.
3. ‘Laag potentieel’, bijvoorbeeld nieuwe machines en apparatuur controleren en testen om te kijken of ze voldoen aan de regels en eisen.
4. ‘Niet mogelijk’, bijvoorbeeld in- en uitladen van vrachtwagens.

De grens tussen twee categorieën is bepaald op basis van de wetenschappelijke literatuur, en is in lijn met de aanpak in onze eerdere studie naar de impact van GenAI op de arbeidsmarkt. We hanteren namelijk dezelfde ondergrens voor de hoogste categorie. De andere grenswaarden zijn bepaald na het raadplegen van experts. De methode is verder uitgelegd in de onderzoeksverantwoording onderaan dit artikel.

Uit onze analyse (figuur 4) blijkt dat in totaal 38% van de taken in de sector in de categorieën ‘Hoog potentieel’ of ‘Potentieel’ vallen. Met AI kan dit deel van de taken dus worden geautomatiseerd of ondersteund. Daarmee is de transport en logistiek vanuit dat perspectief een gemiddelde sector. Dit betekent overigens niet dat er al kant-en-klare AI-systemen voor al deze taken beschikbaar zijn. De scores zijn gebaseerd op het potentieel van GenAI-technologie wanneer deze verder wordt ontwikkeld en geïmplementeerd door bedrijven.

We kunnen vervolgens ook inzichtelijk maken om wat voor type taken dit gaat. Met behulp van AI hebben we al deze taken ingedeeld in bedrijfsfuncties en uitgesplitst in figuur 5. Dat hebben we gedaan voor alle taken in de sector (weergegeven in de bovenste balk) en voor alle taken die (hoog) AI-potentieel hebben (weergegeven in de onderste balk). Het grootste deel van die laatste groep valt onder ‘logistiek’ met 11% (van alle taken), gevolgd door ‘productie- en serviceprocessen’ (5%) en ICT (4%). Voor de ICT betekent dit dat vrijwel alle taken in de categorie (hoog) AI-potentieel vallen.

Onder ‘logistiek’ en ‘productie- en serviceprocessen’ vallen met name processen die specifiek zijn voor de transportsector, waarvoor momenteel al steeds vaker predictive AI-systemen worden toegepast. Zo kan AI helpen bij het optimaliseren van de planning en de route. GenAI brengt deze systemen een stap verder: met een gekoppelde spraak-assistent kan een chauffeur tijdens het rijden communiceren met een dynamisch plansysteem, of vragen stellen over de werkinstructie op de plaats van bestemming (Bahroun et al., 2026). In de scheepvaart kan dit betekenen dat GenAI alternatieve vaarroutes voorstelt op basis van actuele informatie, zoals waterstand, drukte op de rivier, wachttijden bij sluizen, dieptes, het weer en beschikbaarheid in havens. Bij elke optie legt het systeem uit wat de voor‑ en nadelen zijn.

Hetzelfde geldt voor het optimaliseren van de vracht. Software met predictive AI kan al optimaliseren hoe vracht het meest efficiënt kan worden ingeladen. GenAI kan vervolgens de laad- en loshoeveelheden én het vervoersdocument automatisch aanpassen terwijl het transport al onderweg is.

Predictive AI is van grote waarde voor het nauwkeurig voorspellen van de vraag (forecasting), en helpt daarmee bij voorraadbeheer en personeelsplanning. GenAI kan hierbij meerdere scenario’s genereren en een document opstellen waarin een beslissingsvoorstel wordt uitgewerkt. Ook kan het moment van onderhoud worden voorspeld, wat zorgt voor een hogere inzetbaarheid van materiaal.

Door meer systemen aan elkaar te koppelen kan de grootste efficiëntie worden behaald. Dit kan bijvoorbeeld door middel van Agentic AI, waarbij AI-systemen zonder tussenkomst van de mens met elkaar communiceren en acties kunnen uitvoeren. Een supply-chainonderzoeker laat met een model zien dat dit kan leiden tot 28% minder kosten en 30% minder uitstoot. Het agentic AI-model krijgt de opdracht om een supply chain volledig zelf aan te sturen, waaronder het nemen van alle beslissingen over inkoop, opslag en transport valt. De efficiëntie-winst wordt gehaald doordat het AI-model in staat is om continu te verbeteren en autonoom beslissingen door te voeren.

Naast toepassingen die specifiek zijn voor transport en logistiek is GenAI ook bij uitstek geschikt voor het uitvoeren van generieke, ondersteunende taken. Zo kan GenAI helpen wet- en regelgeving te analyseren, non-compliant-processen te identificeren en vervolgens verbeteringen voor te stellen. Contracten met tegenpartijen kunnen worden geanalyseerd voor een verbeterde boekhouding en risicoanalyse, en rapportages over de uitstoot in de keten kunnen met GenAI worden gebruikt als input voor de eigen rapportage. Tot slot kan GenAI worden ingezet bij gepersonaliseerde marketing en bij 24/7 klantenservice met AI-assistenten.

Hoewel GenAI-systemen relatief nieuw zijn, bestaan predictive AI-systemen al langer. Op basis van een CBS-enquête weten we dat slechts 29% van alle grote bedrijven (met meer dan 250 werknemers) aangeeft AI te gebruiken voor logistiek. Bedrijven specifiek in de sector transport en logistiek lopen uiteraard voor in het gebruik daarvan, maar lopen wat overige functies betreft redelijk in lijn met de rest van Nederland.

Nederlandse bedrijven in de transport en logistiek scoren hoger dan het EU-gemiddelde voor wat betreft de inzet van AI, maar er zijn ook landen waar méér bedrijven AI gebruiken (zie figuur 7). Dit is het geval in België, Luxemburg, Denemarken, Noorwegen en Litouwen.

(Gen)AI kan uitkomst bieden in tijden van personeelsschaarste. Op basis van beschikbare inzichten van het UWV en het ROA hebben we per beroepsgroep inzicht in zowel de huidige krapte als de verwachte krapte tot 2030. Het UWV publiceert voor alle beroepsgroepen een huidige krapte-indicator: een score tussen 0 en 16, waarbij 16 héél krap is. Daarnaast publiceert het ROA een verwachting voor de toekomst, op basis van de verwachte arbeidsvraag én het arbeidsaanbod. Daarbij houdt het ook rekening met de instroom van afgestudeerden en de trend in arbeidsproductiviteitsontwikkeling. In de bijlage van dit artikel staat meer informatie over de gebruikte data.

In figuur 8 laten we met de blauwe stippen de tien beroepen binnen de transport en logistiek zien met het hoogste aantal werknemers. De lichtgrijze stippen zijn alle andere beroepen in de Nederlandse economie. De figuur laat zien dat veel beroepen in de categorie krap en zeer krap vallen, en dat vrijwel alle beroepen naar verwachting tot 2030 niet minder krap worden.

Voor deze beroepen is in figuur 9 zichtbaar gemaakt in hoeverre AI een rol kan spelen in het takenpakket van deze beroepen. De beroepen zijn gerangschikt op grootte van die beroepsgroep binnen de sector (het aantal werkenden in de sector staat achter het beroep). Uit de figuur valt op te maken dat AI (hoog) potentieel heeft voor met name het takenpakket van transportplanners en logistiek medewerkers, administratief medewerkers en receptionisten en telefonisten. Daarbij moet wel worden gezegd dat we hierbij géén rekening hebben kunnen houden met de tijd van de taken, omdat we daar geen inzicht in hebben. Bijvoorbeeld: voor 17% van alle taken van een vrachtwagenchauffeur heeft AI ‘hoog potentieel’, maar het zou kunnen dat de vrachtwagenchauffeur hier slechts 5% van al zijn tijd mee bezig is.

AI kan uitkomst bieden bij de krapte onder transportplanners (waaronder ook bevrachters en expediteurs vallen). Dit zijn beroepen die het UWV aanmerkt als ‘zeer krap’. Ook is AI relevant voor een groot deel van het takenpakket van administratief medewerkers en receptionisten en telefonisten, waar ook enige krapte is. Daarnaast kan AI in potentie een deel van het takenpakket van managers overnemen.

Hoewel deze werkzaamheden van een andere aard zijn dan die van bijvoorbeeld de vrachtwagenchauffeurs, schippers en laders en lossers – waar de grootste krapte heerst – kan door betere planning en beladingsgraden met minder mensen hetzelfde werk worden gedaan. Ook zou de vrijgekomen beschikbaarheid in sommige gevallen kunnen worden ingezet om indirect de krapte op te vangen. Door de inzet van AI komt mogelijk personeel vrij uit minder krappe beroepen die via om- of bijscholing vervolgens kunnen gaan werken in de krapteberoepen.

AI kan veel impact in de transport en logistiek hebben qua kostenverlaging, het ondervangen van personeelsschaarste én het verbeteren van de dienstverlening. Wout van den Heuvel, coördinator team digitalisering bij Transport en Logistiek Nederland (TLN), ziet kansen voor bedrijven en de sector. “Sinds de introductie van GenAI zijn AI-toepassingen veel bereikbaarder en betaalbaarder geworden. Waar bedrijven een aantal jaren geleden voor de ontwikkeling van IT-systemen en software volledig afhankelijk waren van een IT-leverancier en meestal behoorlijk moesten investeren, kun je nu met AI veel sneller en gemakkelijker zelf oplossingen ontwikkelen.”

Om het potentieel van AI maximaal te benutten, gelden de volgende randvoorwaarden:

1. Een goede data-infrastructuur. Bedrijven die hun data goed organiseren zien daar al langer de voordelen van: zij hebben meer inzicht in kosten, prestaties en klantvraag, en zijn daardoor in staat betere service te leveren en hogere prijzen te vragen. Deze bedrijven zullen ook de meeste vruchten plukken bij de implementatie van AI, aangezien daarvoor betrouwbare data nodig zijn. Digitale toepassingen (waaronder AI) maken bedrijven echter kwetsbaar voor cyberincidenten, waardoor ook het belang van digitale weerbaarheid toeneemt.
   
   
2. Een duidelijk plan voor integratie van AI in bestaande systemen. AI geeft de meeste voordelen wanneer systemen aan elkaar zijn gekoppeld, zoals de software voor planning, voorraadbeheer en transport. Door deze koppeling kunnen agentic AI-systemen gehele processen ondersteunen. Maar deze volledige integratie is wellicht voor kleinere bedrijven niet de moeite waard, en zorgt bovendien óók voor risico’s. Een integraal AI-plan dat omschrijft welke keuzes een bedrijf maakt rondom inkoop van AI-toepassingen, koppeling tussen systemen en prioritering kan hen helpen bij een succesvolle implementatie.
   
   
3. Training en experimenteerruimte voor medewerkers. De inzet van AI vraagt om investeringen in technologie, maar ook om investeringen in kennis binnen de organisatie. Nieuwe competenties en functies zijn daarbij doorgaans nodig, want bedrijven behalen alleen productiviteitswinsten als zij de toepassingen ook daadwerkelijk gebruiken. De kans daarop is hoger als medewerkers training krijgen om met AI om te gaan én de tijd om dit onder de knie te krijgen. Dat verlaagt ook de risico’s, want bij ongecontroleerd gebruik verliest een bedrijf grip op processen en organisatie.

Met dank aan: Wout van den Heuvel (Transport en Logistiek Nederland).

Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., & Troszyński, M. (2025). Generative AI and jobs: A refined global index of occupational exposure (No. 140). ILO Working Paper.

Zied Bahroun, Afef Saihi, Rami As’ad, Moayad Tanash, A systematic analysis of generative artificial intelligence for supply chain transformation, Supply Chain Analytics, Volume 13.

Aylak, B. L. (2025). SustAI-SCM: Intelligent Supply Chain Process Automation with Agentic AI for Sustainability and Cost Efficiency. Sustainability, 17(6).

Bakens, J., Dijksman, S., Fouarge, D., van Guilik, N., Höfelmann, L., Meijer, R., Pestel, N. (2025). De arbeidsmarkt naar opleiding en beroep tot 2030. ROA Report No.008.

1. Categorisering van taken naar automatiseringspotentieel

Het automatiseringspotentieel van GenAI baseren we op de gepubliceerde data van Gmyrek et al. (2025), zoals we ook doen bij onze eerdere studie over de (mogelijke) effecten van AI op de arbeidsmarkt. Zij schatten het automatiseringspotentieel van GenAI op taakniveau binnen het International Standard Classification of Occupations (ISCO)-raamwerk. Hiervoor gebruiken ze een mix van survey-input, expertkennis en GenAI-input. Dit levert per taak een score op tussen de nul en de een. Deze scores zetten we om naar de Nederlandse Beroepsclassificatie zoals gebruikt door het CBS.

Vervolgens kiezen we voor een indeling in vier categorieën: hoog potentieel, potentieel, laag potentieel en geen potentieel. De taakscores liggen tussen de 0 en 0,7625. Om taken in te delen in die vier categorieën moeten we daarbij een keuze maken voor de grenswaarden, en dat doen we als volgt:

Deze grenswaarden zijn gekozen op basis van de verdelingscurve van de scores, waarbij een grote piek te zien is in de scores onder de 0,2, wat impliceert dat zich daar een cluster van gelijkwaardige taken bevindt (als het gaat om AI-automatisering). Ook bij grenswaarde 0,375 is een knik te zien in de verdeling.

2. Clustering van taken naar type taak

Op basis van Gmyrek et al. hebben we een database met alle beroepen en daarbij behorende taken. Deze taken zijn gekoppeld aan een beroep. Deze taken kunnen we indelen in onderstaande bedrijfsfuncties:

Door deze indeling te maken, krijgen we een beeld in welke bedrijfsfuncties het potentieel van AI het grootst is. Bovenstaande bedrijfsfuncties hebben we overgenomen van Eurostat en het CBS. Zij gebruiken deze om te onderzoeken waar bedrijven AI voor gebruiken. De indeling van alle 3.265 taken in de economie in de bovenstaande categorieën hebben we gedaan met hulp van Microsoft Copilot (GenAI). Daarbij hebben we meerdere iteraties uitgevoerd totdat de indeling van taken naar bedrijfsfuncties overeenkwam met onze eigen beoordeling.

3. Toekomstige krapte-indicator

Het Researchcentrum voor Onderwijs en Arbeidsmarkt (ROA) publiceert periodiek over de verwachte toekomstige krapte in een beroepsgroep. Daarbij houdt het rekening met meerdere factoren aan de vraag- en aanbodzijde op de arbeidsmarkt, zoals de uitbreidingsvraag per sector en de instroom van schoolverlaters. Voor een volledige weergave van het model dat zij gebruiken, verwijzen we naar figuur 1.1. in Bakens et al. (2025). De ontwikkeling van de krapte op de arbeidsmarkt duiden zij via de Indicator Toekomstige Knelpunten naar Beroep (ITKB). De meest recente dataset geeft een score voor (bijna) alle beroepsgroepen, en deze ligt tussen 0,748 (de krapte is ‘zeer groot’) en 0,921 (‘geen’ krapte). Deze getallen liggen dicht bij elkaar, en zijn daarnaast intuïtief ‘omgekeerd’, aangezien een hoge krapte juist een laag cijfer heeft. Daarom passen we een transformatie toe, waarbij we de inverse toepassen en de cijfers normaliseren. De gebruikte formule is y = 1 – ((ITKB – 0,74) / 0,2)). Op basis van de getransformeerde scores maken we twee nieuwe categorieën: ‘Krapte neemt toe’ (scores > 0,5) en ‘Krapte neemt af’ (scores < 0,5). Die relateren als volgt met de ROA-indeling: