interfood
AI-agents die precies vertellen wat urgent is in het exportproces
De resultaten
01
Het fundament: de logistieke Control Tower
Om te begrijpen waarom we deze AI oplossing in 40 uur konden bouwen, moeten we een stap terug. Bij Interfood vertrekken dagelijks zuivelzendingen over de hele wereld, met een logistieke puzzel van douane-eisen en strakke deadlines.
Om dit in goede banen te leiden, bouwden we eerder al Control Tower in OutSystems (O11). Dit was een omvangrijk project waarin we onder andere het datamodel en een strakke procesarchitectuur voor de levenscyclus van zendingen bouwden.
Control Tower bracht al het werk samen op één plek, van planning tot klantcommunicatie. Dat vormde de onmisbare basis. Zonder Control Tower zou deze AI-agent simpelweg niet kunnen bestaan.
02
Het probleem
Control Tower geeft een fantastisch overzicht, maar Interfood liep tegen een limiet aan in de prioritering. De lijst met zendingen werd simpelweg gesorteerd op leverdatum. Dat bleek te simplistisch. Een leverdatum negeert namelijk de procesfase van een zending en vertelt je niet of een coördinator op dit moment daadwerkelijk actie kan ondernemen.
De logistiek coördinator moest daarom dagelijks de lijst handmatig scannen. Hierbij was telkens menselijke inschatting nodig om te bepalen in welke fase een zending zat en of er iets gedaan kon worden. Dit handmatige uitzoekwerk kostte al snel 15 minuten per zending.
03
De AI-oplossing: Rule-based prioritering
We lieten de statische datums los en bouwden via de OutSystems Agent Workbench een rule-based prioriteringsmodel. Een AI-agent kijkt continu naar een dynamische mix van factoren:
Openstaande acties: Wat moet er precies gebeuren?
Status & Processtap: In welke fase bevindt de zending zich?
Date-based baselines & offsets: De agent kijkt naar basisdatums (zoals de verkoopdatum of het moment dat er een mail naar de klant ging) en past daar een weging (offset) op toe per actietype om de daadwerkelijke urgentie te berekenen.
Vraagt iets nu om aandacht? Dan komt het direct bovenaan in de lijst.
Slim design: Twee agenten in een 'chaining' constructie
Een complexe uitdaging was dat een zending vaak meerdere openstaande acties tegelijk heeft. Bijvoorbeeld: er moet een certificaat worden toegevoegd en de juiste bestickering moet nog geregeld worden. Elk van die acties heeft een compleet eigen urgentieprofiel. Welke bepaalt dan de plek op de lijst?
Dit losten we op met een two-agent approach (Agent Chaining):
Agent 1: Berekent de exacte prioriteitsscore per afzonderlijke openstaande actie.
Agent 2: Ontdubbelt en behoudt alleen de allerbelangrijkste, meest urgente actie per zending. Dat is de actie die de coördinator te zien krijgt.
De AI herordent, de mens behoudt de regie
Cruciaal voor de adoptie op de werkvloer: de agent neemt geen beslissingen en automatiseert geen operationele taken. Het kiezen van transporteurs, het afsluiten van taken of het versturen van e-mails blijft bij de coördinator.
De agent evalueert continu en herordent de werklijst. Het is geen autonome beslisser, maar een intelligente laag die garandeert dat de menselijke focus altijd op de juiste zending ligt.
Waarom we kozen voor de Agent Workbench
De keuze voor de OutSystems Agent Workbench was bepalend voor de korte ontwikkeltijd van 40 uur. Het stelde ons team in staat om de businesslogica (de prioriteringsregels) uit te schrijven in natuurlijke taal, in plaats van te moeten worstelen met complexe technische AI-infrastructuur. Bovendien ondersteunde het out-of-the-box de chaining van twee agenten, wat voor deze case onmisbaar was.
Het maakt de oplossing ook schaalbaar en future-proof. Als er over een half jaar nieuwe acties aan het exportproces worden toegevoegd, kunnen we de prioriteringsregels eenvoudig uitbreiden zonder de architectuur van de AI te hoeven verbouwen.
04
Conclusie: AI als logische verlenging van je kernsysteem
De AI-agent draait in de dagelijkse operatie van Interfood en maakt definitief een einde aan onnodig handmatig zoeken. De belangrijkste les uit deze case? AI implementeren hoeft geen ingewikkeld, losstaand experiment te zijn. Als je kernsysteem (zoals Control Tower) een stevig fundament heeft en de processen kloppen, kun je al in 40 uur een AI-gedreven laag toevoegen die de manier van werken direct transformeert.
