AI en RFID: van weten wat er ligt naar weten wat je nodig hebt

RFID vertelt je wat er ligt. AI vertelt je wat je ermee moet. Met RFID tel je een hele kast, stelling of doos in een paar seconden, zonder elk artikel apart te scannen. AI gebruikt die actuele telling om te voorspellen wat je nodig hebt, een bestelvoorstel klaar te zetten en te zien wanneer er iets niet klopt. Samen zorgen ze voor een voorraad die vanzelf op peil blijft.

In dit artikel lees je waarom AI zonder goede data weinig doet, wat RFID precies vastlegt, hoe een ruwe lezing bruikbare informatie wordt, welke vormen van AI er zijn en wat je er in het magazijn mee kunt. Met een rekenvoorbeeld, een voorbeeld uit de praktijk en een stappenplan om klein te beginnen.

AI is zo goed als de data die je erin stopt

Iedereen wil AI inzetten voor slimmer voorraadbeheer. Maar een voorspelling op basis van een voorraad die niet klopt, is een gok met een mooi grafiekje erbij.

Bij veel bedrijven klopt de voorraad in het systeem niet met wat er echt ligt. Er wordt met de hand geteld, een keer per maand of per kwartaal. Uitgiftes worden vergeten te boeken. Iets wordt op de verkeerde plek teruggelegd. Een retour staat nog in de ontvangst, maar is in het systeem al terug op voorraad. Tegen de tijd dat de fout ontdekt wordt, is de voorspelling al gemaakt.

Goede data voor AI heeft vier eigenschappen:

• Actueel. De telling van vanochtend zegt meer dan die van vorige maand.
• Volledig. Elk artikel en elke locatie telt mee, ook de kast achterin.
• Juist. Wat het systeem zegt, ligt er ook echt.
• Consistent. Hetzelfde artikel heet overal hetzelfde en wordt op dezelfde manier geteld.

Dat is de reden dat machine learning in voorraadbeheer vaak tegenvalt: niet omdat de techniek niet werkt, maar omdat de data achterloopt of niet klopt. Wie AI wil inzetten, moet dus eerst zorgen dat de registratie op orde is. Daar komt RFID in beeld.

Wat RFID vastlegt: actuele data zonder handwerk

Met RFID krijgt elk artikel, elke doos of elk asset een label met een chip en een antenne. Een RFID-reader leest dat label via radiogolven, zonder zichtcontact en zonder dat iemand het label hoeft te zoeken. Een handheld reader leest in één beweging alles wat binnen bereik is. Een RFID-portaal bij de dockdeur leest alles wat erdoorheen gaat, en een RFID-tunnel leest de inhoud van een gesloten doos op een band.

Elk label heeft een eigen nummer, meestal een EPC. Daardoor weet je niet alleen dat er tien dozen handschoenen liggen, maar ook welke tien. Dat verschil met een barcode, die alleen het soort artikel aangeeft, is voor AI belangrijk: je kunt elk stuk volgen.

Het grote voordeel: deze data ontstaat als bijproduct van het werk dat toch al gebeurt. Een medewerker loopt langs de kast, een pallet gaat door de deur, een doos rolt over de band. Niemand hoeft iets te typen.

Van ruwe lezing naar bruikbare data

Een reader levert geen voorraad, maar een stroom lezingen: label X is om 10:02:14 gezien door antenne 3. Dezelfde doos wordt in één doorgang tientallen keren gelezen. Soms ziet een poort een label dat er alleen langs stond. Voordat AI er iets mee kan, moet die stroom worden opgeschoond.

Dat gebeurt in een paar stappen:

1. Filteren. Dubbele lezingen eruit, en lezingen die te zwak zijn of op de verkeerde plek binnenkomen ook.
2. Vertalen. Elk labelnummer wordt gekoppeld aan een artikel, een batch of een asset.
3. Betekenis geven. Een label dat eerst bij de ontvangst en daarna bij de stelling is gezien, is ingeslagen. Een label dat door de uitgaande poort gaat, is verzonden.
4. Doorboeken. De beweging gaat naar het ERP, zodat de voorraad op één plek klopt.

Die tussenlaag heet RFID-middleware. Een standaard om de gebeurtenissen vast te leggen is EPCIS: voor elke beweging staat erin wat, waar, wanneer en waarom. Precies die vier vragen zijn de bouwstenen voor AI.

Software zoals STOCKflow, ons eigen RFID-platform, doet dit werk: dubbele lezingen eruit, elk label aan een artikel, en de beweging via een API-koppeling naar je ERP. Het resultaat is een voorraad die klopt, op elk moment, zonder dat iemand hoeft te tellen of over te typen. Dat is de basis die AI nodig heeft.

Welke vormen van AI er zijn

“AI” is een verzamelnaam. Voor voorraadbeheer zijn vier vormen interessant, elk voor een ander soort werk.

Machine learning: voorspellen en bijstellen

Machine learning leert patronen uit historische data. Het ziet dat het verbruik van een artikel in december stijgt, dat een klant elke derde week grote aantallen afneemt of dat een leverancier vaak later levert dan beloofd. Daarmee voorspelt het wat je de komende weken nodig hebt. Voor bestelvoorstellen en minimum- en maximumwaarden is dit de belangrijkste vorm.

Taalmodellen: vragen stellen in gewone taal

Een LLM, het type model achter ChatGPT, begrijpt en schrijft gewone taal. Gekoppeld aan je voorraaddata kun je vragen stellen zonder rapport te bouwen: “Welke artikelen liggen al drie maanden stil?” Met RAG zoekt het model eerst de juiste gegevens op in je eigen systemen en baseert het antwoord daarop, in plaats van te gokken.

AI-agents: taken uitvoeren

Een AI-agent gaat een stap verder: het voert zelf taken uit. Bijvoorbeeld een bestelvoorstel klaarzetten in je ERP, een leverancier een herinnering sturen of een melding maken als een telling afwijkt. Als meerdere van die stappen achter elkaar zelfstandig gebeuren, heet dat ook wel agentic AI.

Generatieve AI: teksten en samenvattingen

Generatieve AI maakt nieuwe content, zoals een samenvatting van de afwijkingen van deze week of een uitleg bij een bestelvoorstel. Handig, maar voor voorraadbeheer meestal een aanvulling op de andere drie.

Wat AI doet met RFID-data

Als je actueel weet wat er ligt en wat er verbruikt wordt, kan AI het denkwerk overnemen dat nu bij je inkoper of magazijnmedewerker ligt.

Vraag voorspellen

Hoeveel heb je volgende maand nodig? Bij vraagvoorspelling (demand forecasting) kijkt AI naar het verbruik uit het verleden, seizoenen, lopende projecten en trends. Met RFID is dat verbruik precies bekend, per artikel en per locatie, in plaats van een schatting op basis van inkooporders.

Bestelvoorstellen klaarzetten

AI kijkt naar het verbruik, de levertijd en de huidige voorraad, en zet klaar wat er besteld moet worden. Een medewerker hoeft het alleen nog te controleren en door te zetten. Bij elk voorstel hoort een korte uitleg, zoals “verbruik de afgelopen vier weken 30% hoger dan normaal”, zodat de medewerker ziet waarom.

Minimum- en maximumvoorraad bijstellen

Vaste minimum- en maximumwaarden kloppen zelden lang. Het verbruik verandert per seizoen, per klant of per project. AI stelt op basis van het werkelijke verbruik nieuwe waarden voor, zodat je niet te veel op de plank hebt liggen en niet misgrijpt. Hoe dat rekenwerk eruitziet, zie je in het voorbeeld hieronder.

Afwijkingen zien voordat ze een probleem worden

Verdwijnt er structureel meer dan er geboekt wordt? Ligt een artikel al maanden stil? Gaat een asset steeds naar dezelfde verkeerde plek? AI herkent zulke patronen in de lezingen en laat je weten waar je moet kijken. Zo vind je krimp, verkeerde boekingen en dode voorraad, zonder dat iemand elke week een rapport hoeft door te spitten.

Slimmer inrichten

Omdat elke beweging een tijd en een plek heeft, ziet AI welke artikelen het vaakst worden gepakt en welke bijna nooit. Dat helpt bij een ABC-indeling: snellopers dichtbij de uitgifte, langzaamlopers achterin. Ook zie je welke artikelen vaak samen worden gepakt, zodat je ze naast elkaar kunt leggen.

Onderhoud plannen op werkelijk gebruik

Bij gereedschap, apparatuur en verhuurmateriaal legt RFID vast hoe vaak iets uitgegeven en teruggebracht is. Dat is precies de data die je nodig hebt voor predictive maintenance: onderhoud op het moment dat het nodig is, in plaats van op een vaste datum. Een boormachine die elke dag mee gaat, is eerder aan de beurt dan een die in de kast blijft liggen.

Vragen stellen in gewone taal

“Hoeveel handschoenen maat M hebben we nog in de behandelkamers?” of “Waar is de boormachine van project Zuid?” Met een taalmodel gekoppeld aan je RFID-data stel je die vraag gewoon, in plaats van een rapport te zoeken.

Rekenvoorbeeld: van telling naar bestelvoorstel

Hoe komt een minimum en maximum tot stand? Een veelgebruikte manier gaat uit van het bestelpunt: het moment waarop je moet bestellen om niet zonder te vallen.

Bestelpunt = gemiddeld verbruik per dag × levertijd in dagen + veiligheidsvoorraad

Een voorbeeld met fictieve cijfers. Van een artikel gaan gemiddeld 12 stuks per dag op. De leverancier levert binnen 5 werkdagen. Omdat het verbruik schommelt, houd je een veiligheidsvoorraad aan van 3 dagen verbruik: 36 stuks.

• Bestelpunt: 12 × 5 + 36 = 96 stuks. Dat wordt het minimum.
• Je bestelt per twee weken (10 werkdagen): 12 × 10 = 120 stuks.
• Maximum: bestelpunt plus bestelhoeveelheid, 96 + 120 = 216 stuks.

Telt de RFID-handheld vanochtend 88 stuks, dan ligt de voorraad onder het minimum. Het bestelvoorstel wordt 216 − 88 = 128 stuks.

Tot zover is het gewone rekenwerk. Het verschil met AI zit in de invoer. AI berekent het gemiddelde verbruik niet over het hele jaar, maar ziet dat het in de komende weken hoger ligt. Het ziet dat de levertijd van deze leverancier in de praktijk eerder 7 dagen is dan 5. En het stelt de veiligheidsvoorraad bij op hoe sterk het verbruik echt schommelt. Zo past het minimum zich vanzelf aan, in plaats van één keer per jaar met de hand.

In de praktijk: Basiq Flow

Basiq Flow is het voorraadsysteem dat we bouwden voor Basiq Dental, een groothandel voor de dentale markt. Tandartspraktijken gebruiken het om hun voorraad bij te houden, en het draait inmiddels bij meer dan 300 praktijken.

Let op: Basiq Flow is iets heel anders dan STOCKflow. Basiq Flow is het product van Basiq Dental, gemaakt voor tandartspraktijken die hun voorraad bijhouden en bij Basiq Dental bestellen. STOCKflow is ons eigen RFID-platform voor voorraad en assets bij andere bedrijven. Het zijn twee losse systemen, elk met een eigen doel.

Zo werkt het:

1. Scannen. Een medewerker loopt met een RFID-handheld langs de kasten en haalt de trekker over. Alle gelabelde producten in de buurt worden in één keer geteld.
2. Voorstellen. Na de scan krijgt de praktijk een bestelvoorstel: de producten die onder het minimum zijn gekomen, met het aantal dat nodig is om weer op het maximum te komen. AI doet daarbij voorstellen voor de minimum- en maximumvoorraad per product, op basis van het verbruik van die praktijk.
3. Bestellen. Het bestelvoorstel gaat met één klik naar de winkelwagen van de Basiq Dental-webshop. Een medewerker controleert en bestelt.

De praktijk houdt dus altijd zelf de beslissing, maar het tellen, rekenen en uitzoeken gebeurt vanzelf. Een tandartsassistent is geen inkoper, en hoeft dat met Basiq Flow ook niet te zijn.

Een digitale kopie van je magazijn

Combineer je RFID-data van alle leespunten, dan ontstaat er een actueel beeld van je magazijn of terrein: wat ligt waar, wat beweegt er, wat staat er stil. Dat heet ook wel een digital twin.

Op zo’n digitale kopie kan AI simuleren wat er gebeurt voordat je het in het echt doet. Wat als je de snellopers dichter bij de uitgifte legt? Wat als een leverancier twee weken uitvalt? Wat als de drukke periode dit jaar eerder begint? Je ziet het effect op looproutes, voorraad en levertijd, zonder iets te verschuiven.

Dat klinkt groot, maar het begint klein: met één proces dat goed geregistreerd wordt. Elke poort, tunnel of handheld die je toevoegt, maakt het beeld vollediger.

Wat AI niet moet doen

AI kan veel, maar niet alles hoort bij AI te liggen.

• Beslissen zonder controle. Een AI-agent die zelf bestellingen plaatst, klinkt efficiënt. Maar één verkeerde aanname, zoals een tijdelijke piek die als trend wordt gezien, en je magazijn ligt vol. Laat een mens het laatste woord houden, zeker in het begin. Dat heet human in the loop.
• Gaten in de registratie verbergen. Als een kast nooit wordt gescand, kan AI daar niets over zeggen. Een voorspelling die er strak uitziet, kan toch op een halve telling gebaseerd zijn.
• Uitzonderingen voorspellen. Een eenmalige grote order of een terugroepactie zit niet in de historie. Daar blijft menselijk inzicht nodig.

Zo begin je met AI en RFID

1. Kies één proces waar tellen, zoeken of bijbestellen nu veel tijd of fouten kost. Hoe concreter, hoe beter: “de kasten met verbruiksartikelen op de afdeling” in plaats van “het magazijn”.
2. Zorg dat de data klopt. Test eerst of RFID werkt met jouw producten en in jouw omgeving. Metaal en vloeistof kunnen het lezen lastiger maken, en daar zijn speciale labels voor. Dat test je in een proof of concept van een dag.
3. Koppel aan je ERP, zodat de voorraad op één plek klopt en niemand dubbel boekt.
4. Bouw historie op. Laat RFID een paar maanden draaien voordat je op de voorspellingen gaat sturen. Voor seizoensinvloeden heb je een jaar nodig.
5. Zet AI in voor één taak, zoals het bestelvoorstel of het signaleren van afwijkingen.
6. Laat een mens beslissen, tot je weet dat de voorstellen kloppen.
7. Meet en breid uit. Hoeveel tijd scheelt het, hoe vaak klopt het voorstel, hoe vaak grijp je mis? Pas dan neem je het volgende proces.

Wil je weten wat zo’n traject kost en oplevert, lees dan wat er in een RFID-businesscase thuishoort.

Waar je op let

• Geen AI op slechte data. Eerst de registratie op orde, dan pas voorspellen.
• Houd het uitlegbaar. Een medewerker moet kunnen zien waarom AI iets voorstelt, anders wordt het voorstel genegeerd.
• Alleen de data die nodig is. Naar een AI-model gaan alleen de gegevens die voor de taak nodig zijn, en je software draait bij voorkeur op servers in Europa.
• De AI Act. Voor voorraadbeheer gelden meestal geen zware eisen, omdat het geen hoog-risicotoepassing is. Lees meer over de AI Act.
• AI-geletterdheid. Medewerkers die met AI werken, moeten weten wat het systeem doet en waar ze op moeten letten. Sinds februari 2025 is dat verplicht. Lees wat AI-geletterdheid inhoudt.

Veelgestelde vragen

Wat is het verschil tussen RFID en AI?

RFID is een techniek om objecten automatisch te herkennen en te tellen met radiogolven, zonder ze een voor een te scannen. AI is software die patronen herkent en voorspellingen of voorstellen doet. RFID levert dus de data, AI maakt er een beslissing of voorstel van.

Heb ik RFID nodig om AI in mijn voorraadbeheer te gebruiken?

Nee, maar het helpt enorm. AI is zo goed als de data waarmee het werkt. Als je voorraad met de hand wordt geteld en geboekt, zitten er fouten en vertraging in. Met RFID weet je actueel en zonder handwerk wat er is, en dat maakt de voorspellingen van AI betrouwbaarder.

Beslist AI dan zelf wat er besteld wordt?

Dat bepaal je zelf. In de praktijk doet AI een voorstel en keurt een medewerker het goed, zoals bij Basiq Flow, waar het bestelvoorstel met één klik naar de winkelwagen gaat. Pas als je weet dat de voorstellen kloppen, kun je kiezen voor meer automatisch.

Hoeveel historie heeft AI nodig voor een goede voorspelling?

Voor artikelen met een vast verbruik is een paar maanden aan betrouwbare tellingen vaak genoeg om minimum- en maximumwaarden bij te stellen. Voor seizoensinvloeden heb je minstens een jaar nodig. Begin daarom zo vroeg mogelijk met goed registreren, ook als je AI pas later inzet.

Welke vorm van AI past bij voorraadbeheer?

Voor voorspellen en bijstellen is machine learning het meest geschikt. Voor vragen stellen in gewone taal gebruik je een taalmodel (LLM). Een AI-agent kan taken uitvoeren, zoals een bestelling klaarzetten in je ERP. De meeste bedrijven beginnen met machine learning voor het bestelvoorstel.

Mag ik AI zomaar inzetten onder de AI Act?

Voor voorraadbeheer gelden meestal geen zware eisen, omdat het geen hoog-risicotoepassing is. Wel moeten medewerkers die met AI werken voldoende weten wat het systeem doet en waar ze op moeten letten. Dat heet AI-geletterdheid en is sinds februari 2025 verplicht.

Waar begin ik met AI en RFID?

Begin met één proces waar tellen, zoeken of bijbestellen nu veel tijd kost. Zorg eerst dat de RFID-data betrouwbaar is, koppel die aan je ERP, en zet daarna AI in voor één taak, zoals het bestelvoorstel. Meet wat het oplevert voordat je uitbreidt.

Volgende stap

Wil je weten of RFID werkt voor jouw voorraad? Doe de RFID-check: 12 klikvragen en je krijgt direct een RFID-profiel en advies over de opstelling die past. Wil je weten wat AI met je bestaande data kan, lees dan meer over AI-automatisering voor je bedrijf.