AI in de groothandel: waar zit het geld?

De Nederlandse groothandel telt bijna 66.000 bedrijven, en van die groep hebben er ruim 1.575 vijftig of meer mensen in dienst. Van die groep, bedrijven in de bredere handelssector met 50 tot 250 medewerkers, gebruikt 47 procent AI. Dat is bijna evenveel als in de rest van de economie, en toch is er nauwelijks content die specifiek over de groothandel gaat.

Dat is vreemd, want geen sector heeft de data al zo compleet klaarliggen. Een groothandel draait op een ERP-systeem waar elke inkoop, elke verkoop, elke voorraadmutatie en elke marge al in staat, vaak al jaren. Het argument hier is daarom niet nieuwe systemen. Het is beter gebruik maken van wat er al staat.

Waarom de groothandel een andere sector is dan de logistiek

We schreven eerder over AI in de logistiek, en de verleiding is groot om deze twee op één hoop te gooien. Dat is een vergissing. Een transportbedrijf verdient aan kilometers en uren. Een groothandel verdient aan marge op een product dat door iemand anders wordt gemaakt en dat je zelf niet verandert.

Dat verschil bepaalt waar de winst zit. Bij transport gaat het om beladingsgraad en planning. Bij groothandel gaat het om drie dingen die allemaal met geld te maken hebben voordat er een vrachtwagen aan te pas komt: wat je inkoopt, wat je ervoor vraagt, en wat er in het magazijn blijft liggen.

Een artikel van het schap pakken. Voorraad is de grootste en meest onderschatte plek waar het geld zit.

De drie plekken waar het geld zit

Voorraad. Dit is de grootste en de meest onderschatte. Een groothandel met een breed assortiment heeft bijna altijd artikelen die te veel liggen en artikelen die te vaak nee moeten verkopen. Een voorspelling op basis van je eigen verkoopgeschiedenis, per artikel en per seizoen, is geen exotische toepassing. Het is statistiek op data die je al hebt, en het scheelt in de praktijk kapitaal dat vastzit in verkeerde voorraad en omzet die je misloopt door een leeg schap.

Inkoop en prijsonderhandeling. Wie inkoopt bij tientallen leveranciers heeft zelden overzicht van welke leverancier bij welk artikel echt de beste prijs geeft, omdat dat overzicht per hand moet worden bijgehouden en dus meestal niet gebeurt. Een systeem dat inkoopprijzen naast elkaar zet, inclusief kortingsstaffels en levertijden, is een van de weinige toepassingen die zich in maanden terugverdient in plaats van kwartalen.

Offertes en marge. Een verkoper die een offerte samenstelt, kiest vaak een marge op gevoel, en dat gevoel is niet overal hetzelfde. Een overzicht van welke marge bij welk soort klant en welk soort order gebruikelijk is, voorkomt zowel het weggeven van marge als het mislopen van een order door een te hoge prijs.

De rekensom die je zelf kunt maken

Neem je eigen voorraadwaarde. Stel een groothandel met twee miljoen euro aan voorraad, waarvan een deel structureel te langzaam draait. Branchecijfers over hoeveel procent van een gemiddelde voorraad "dood" is, verschillen te veel om hier een landelijk getal te noemen, dus reken met je eigen omloopsnelheid per artikelgroep.

Wat wel overal geldt: elke procent verbetering in omloopsnelheid van je voorraad is direct vrijgemaakt werkkapitaal, geen extra omzet die nog verkocht moet worden. Bij twee miljoen euro voorraad is een procent 20.000 euro dat niet langer in een schap ligt. Dat is de reden waarom voorraadvoorspelling in deze sector vaker de eerste toepassing is dan in de meeste andere.

Een magazijn vol voorraad. Elke procent betere omloopsnelheid is vrijgemaakt kapitaal, geen omzet die nog verkocht moet worden.

Wat je al hebt liggen

Vrijwel elke groothandel van deze omvang heeft drie bronnen die zelden aan elkaar zijn geknoopt.

In het ERP staat elke inkoop- en verkooptransactie, meestal al vijf jaar of langer. In de webshop of het orderportaal staat wat klanten zoeken en niet vinden, wat vaak waardevoller is dan wat ze wel kopen. En bij de buitendienst en binnendienst zit kennis die nergens staat: welke klant vroeg vorige maand naar iets dat je niet op voorraad had, welke leverancier levert altijd twee dagen te laat.

Die derde bron is het lastigste om te digitaliseren en het waardevolst om te benutten. Een wekelijks kwartiertje waarin de binnendienst vastlegt wat klanten misten, is goedkoper dan elk AI-systeem en levert vaak het eerste signaal op waar een voorspelling op kan worden gebouwd.

Vier toepassingen, op volgorde van haalbaarheid

Begin bovenaan. Voorraadvoorspelling is de toepassing waarvan de uitkomst het makkelijkst te controleren is: je weet binnen een maand of de voorspelling klopte, omdat de werkelijke verkoop het bewijst.

Vier vragen aan elke leverancier van een voorraadsysteem

Er is inmiddels een flink aanbod van kant-en-klare voorraadvoorspellers, en niet allemaal zijn ze even geschikt voor een groothandel met een breed en wisselend assortiment. Vier vragen filteren het grootste deel.

Werkt het op seizoensartikelen even goed als op vaste omzetartikelen? Veel standaardmodellen zijn getraind op stabiele vraag en presteren slecht op een assortiment met pieken, zoals tuinartikelen in het voorjaar of decoratie rond de feestdagen.

Kan het per artikelgroep een andere gevoeligheid gebruiken? Een groothandel heeft zelden één patroon. Bouwmaterialen bewegen anders dan kantoorbenodigdheden, en een systeem dat één model op alles loslaat, mist beide.

Wat gebeurt er als een leverancier uitvalt? Vraag expliciet of het systeem een alternatief voorstelt of alleen een tekort meldt. Het verschil bepaalt of je een waarschuwing krijgt of een oplossing.

Kunnen wij de voorspelling zelf overrulen, en blijft die overrule zichtbaar? Een inkoper die weet dat een grote klant volgende maand een piekbestelling doet, moet dat kunnen invoeren zonder het model te laten "corrigeren". Een systeem dat die overrule negeert of verbergt, is op termijn onbetrouwbaar omdat niemand meer weet welke voorspelling van het model komt en welke van een mens.

Wie dit in de praktijk oppakt

In de meeste groothandels van deze omvang is er geen aparte data-afdeling en hoeft die er ook niet te komen. Wat wel nodig is: iemand uit inkoop die de artikelgroepen kent en bereid is een paar uur per week te besteden aan het beoordelen van voorspellingen tegen wat er werkelijk gebeurt.

Die rol is vergelijkbaar met wat we beschreven in ons stuk over capaciteit opbouwen zonder eigen AI-team: niet een nieuwe functie, maar een bestaande rol met een paar uur extra en toegang tot iemand die kan uitleggen waarom een voorspelling misging. In een groothandel is dat bijna altijd iemand uit de inkoop, omdat die persoon toch al wekelijks naar de voorraad kijkt.

Waar het misgaat

Het model leert een verkeerd seizoen. Een groothandel met sterke seizoenspatronen, denk aan tuinartikelen of feestartikelen, heeft minimaal twee volledige jaarcycli aan data nodig om het patroon te herkennen. Minder dan dat en het model leert vooral het ene jaar dat toevallig beschikbaar was.

Voorraad wordt geoptimaliseerd zonder naar de klant te kijken. Een model dat alleen naar omloopsnelheid kijkt, adviseert soms om een artikel uit te faseren dat voor één grote klant onmisbaar is. Omzet en relatie tellen niet vanzelf mee in een voorraadmodel, dus dat oordeel blijft mensenwerk.

Inkoop wordt volledig geautomatiseerd. Een systeem dat zelfstandig bestellingen plaatst op basis van een voorspelling is aantrekkelijk en riskant tegelijk. Laat een mens de eerste maanden elke automatische bestelling zien voordat hij wordt geplaatst, precies het principe van human on the loop.

Wat de webshop vertelt dat het ERP niet weet

Er is één databron die groothandels stelselmatig onderbenutten, en dat is niet het ERP maar de webshop of het B2B-orderportaal. Het ERP registreert wat er is verkocht. De webshop registreert ook wat er is gezocht en niet gevonden, wat in een winkelwagen belandde en daaruit weer verdween, en hoe lang iemand op een productpagina bleef voordat hij afhaakte.

Dat is een ander soort signaal dan verkoopgeschiedenis, en het komt eerder. Een artikel dat drie maanden lang wordt gezocht voordat het uitverkocht raakt, geeft een waarschuwing die je verkoopcijfers nog niet laten zien, want die tellen pas als er daadwerkelijk iets is verkocht. Voor een groothandel met een webshop is dit vaak de goedkoopste uitbreiding op een voorraadvoorspelling: geen nieuw systeem, alleen een databron die al draait en nog niet wordt gebruikt.

De AI Act raakt de groothandel nauwelijks

Dit is goed nieuws en het is de moeite waard om het expliciet te zeggen, want in andere sectorstukken op deze site staat vaak een waarschuwing. Voorraadvoorspelling, inkoopvergelijking en marge-advies zijn geen van drieën hoog-risicotoepassingen onder de AI Act. Ze vallen in de categorie waar geen bijzondere verplichting geldt, zolang je geen persoonsgegevens van klanten of medewerkers gebruikt om er individuele beoordelingen mee te maken.

Waar het wel gaat spelen is als een groothandel zelf personeel gaat werven en daar AI bij inzet, of als een klantenbeoordelingssysteem individuele koopgedrag gaat gebruiken om kredietbeslissingen te nemen. Dat laatste raakt aan financiële dienstverlening en kent een eigen kader. Voor de drie toepassingen in dit stuk geldt vooral artikel 4: zorg dat de mensen die met het systeem werken weten wat het doet en wat niet.

Wat een eerste kwartaal eruitziet

Kies één artikelgroep, niet het hele assortiment. Vraag inkoop welke groep het meest voorspelbaar zou moeten zijn en het minst is, meestal een categorie met veel artikelen en een duidelijk seizoenspatroon. Bouw daar een voorspelling op de bestaande verkoopdata, laat hem naast de huidige manier van bestellen draaien, en meet na twee maanden het verschil in omloopsnelheid.

Pas daarna, met een team dat weet waar zo'n model op vastloopt, ga je naar inkoopprijzen of marge-advies. Die twee vragen meer overleg met mensen buiten het systeem, en dat werkt beter als de eerste toepassing al vertrouwen heeft opgebouwd.

Over deze pagina

Het aantal bedrijven en de verdeling naar grootteklasse komen uit de open data van het CBS, tabel 81589NED, stand derde kwartaal 2026. Het percentage AI-gebruik komt uit tabel 86119NED over 2025 en betreft de bredere handelssector, niet uitsluitend de groothandel; een aparte uitsplitsing voor groothandel bestaat niet in de CBS-data. Dit is de stand van 14 augustus 2026.