AI-agent verwerkt inkomende orders bij technische groothandel

De groothandel levert bevestigingsmaterialen, gereedschap en verbruiksartikelen aan installateurs, aannemers en industriële klanten. Ongeveer 60 procent van de orders komt binnen via de webshop en het klantenportaal, maar de overige 40 procent, zo'n 180 tot 250 orders per dag, komt per e-mail: als pdf uit het inkoopsysteem van de klant, als platte tekst in het bericht zelf, als Excel-bijlage of als foto van een handgeschreven bestellijst uit de bus van een monteur. Vier medewerkers van de binnendienst waren dagelijks samen ruim twaalf uur bezig met het overtypen van die orders in het ERP.

Het probleem was niet alleen tijd. Klanten gebruiken eigen artikelnummers, oude omschrijvingen of alleen een merknaam en maat, waardoor de binnendienst per regel moest zoeken in het artikelbestand van 38.000 artikelen. Overtypfouten leidden tot verkeerde leveringen en creditnota's. Orders die na drie uur 's middags binnenkwamen haalden de verzending van die dag vaak niet meer. Een eerder ingezet OCR-pakket werkte alleen op pdf's van twee grote klanten en strandde op alle andere formaten. De directie wilde geen nieuwe mensen aannemen voor werk dat, zoals ze het zelf zeiden, geen mens leuk vindt.

We zijn begonnen met twee dagen meekijken op de binnendienst en een proef op 400 geanonimiseerde orders uit de afgelopen maanden. Die proef leverde een eerlijk startpunt op: 82 procent van de orderregels werd direct goed herkend, met handgeschreven lijsten als duidelijke uitschieter naar beneden. Op basis daarvan hebben we een vaste prijs afgesproken voor de bouw in drie fasen.

• Een AI-agent in Python die de gedeelde ordermailbox in Microsoft 365 leest, per bericht bepaalt of het een order is en de bijlagen, tekst of foto's omzet naar gestructureerde orderregels met klant, artikel, aantal en gewenste leverdatum.
• Documentverwerking voor pdf's, Excel-bestanden en foto's, met een aparte route voor handgeschreven lijsten waarbij de agent altijd om controle vraagt.
• Een matchingslaag die klantspecifieke artikelnummers, oude omschrijvingen en merk-maat-combinaties via vectorzoeken in pgvector koppelt aan het artikelbestand, met een zekerheidsscore per regel en een leerlijst van eerder bevestigde koppelingen per klant.
• Een API-koppeling met het ERP die de order als concept aanmaakt, voorraad en klantprijzen ophaalt en na goedkeuring de order definitief boekt.
• Een controlescherm voor de binnendienst dat per order het origineel naast de herkende regels toont, twijfelregels rood markeert met de reden, en met één klik goedkeurt of corrigeert. Correcties worden opgeslagen als klantspecifieke koppelingen, zodat dezelfde twijfel niet twee keer voorkomt.
• Harde regels in gewone code: nieuwe klanten, orders boven €7.500, onbekende artikelen en afwijkende leveradressen gaan altijd naar een medewerker, ongeacht de zekerheid van het model.

Het taalmodel wordt benaderd via Azure OpenAI in een EU-regio, met een verwisselbare laag ertussen; persoonsgegevens worden voor verzending geanonimiseerd en de gespreksdata wordt niet gebruikt voor training. Alles draait in Docker op een server in Nederland, met een logboek per stap dat vastlegt wat de agent heeft gelezen en besloten.

Het traject duurde twaalf weken, inclusief vier weken begeleid proefdraaien, voor een vaste prijs van €34.000 excl. btw. Na de eerste maand live werd 70 procent van de e-mailorders zonder enige handmatige invoer als conceptorder in het ERP gezet; de binnendienst hoeft ze alleen nog goed te keuren, wat gemiddeld twintig seconden per order kost. Van de overige 30 procent wordt het merendeel deels herkend en hoeven medewerkers alleen de gemarkeerde regels aan te vullen. Het volledig handmatig invoeren is beperkt tot handgeschreven lijsten en orders van nieuwe klanten. De dagelijkse invoertijd daalde van ruim twaalf naar ongeveer drie uur. Het aantal verkeerde leveringen door overtypfouten is met ruim de helft afgenomen, en orders die voor vier uur binnenkomen halen nu vrijwel altijd de verzending van dezelfde dag. De modelkosten liggen op ongeveer €180 per maand. De groothandel is eigenaar van de broncode en de instructies aan het model; wij verzorgen hosting, monitoring en kwaliteitsbewaking voor een vast maandbedrag. De volgende stap, het automatisch beantwoorden van vragen over levertijd en orderstatus via dezelfde mailbox, staat gepland voor het najaar.