Vraag een ondernemer met een winkel, webshop of groothandel waar zijn geld zit, en het antwoord hangt meestal aan de muur van het magazijn: in de voorraad. Toch wordt die voorraad in veel bedrijven nog bestuurd op onderbuik en ervaring — de inkoper die 'voelt' dat de bodywarmers weer gaan lopen, de spreadsheet die eens per week wordt bijgewerkt, het vaste bestelmoment bij de vaste leverancier. Dat gaat vaak lang goed, tot het een keer niet goed gaat: een bestseller die drie weken uitverkocht staat terwijl de concurrent wél kan leveren, of een pallet seizoensartikelen die in maart alsnog met korting de deur uit moet. In dit artikel kijken we nuchter naar wat AI hier wél en niet voor je kan doen.
Voorraad: de grootste pot geld waar het minst naar omgekeken wordt
Voorraadproblemen komen in twee smaken, en ze doen allebei pijn. Te veel voorraad betekent dat je kapitaal vastligt in dozen: geld dat je niet kunt gebruiken voor marketing, personeel of een betere inkoopdeal, terwijl de artikelen zelf ruimte kosten, verouderen en soms letterlijk over de datum raken. Te weinig voorraad is minstens zo duur, maar onzichtbaarder: de klant die misgrijpt, koopt meestal niet volgende week alsnog bij jou — die koopt vandaag ergens anders. Die misgelopen omzet staat in geen enkel rapport, want wat niet verkocht is, wordt nergens geregistreerd.
Het lastige is dat beide problemen dezelfde oorzaak hebben: je weet niet goed genoeg wat je de komende weken gaat verkopen. En dat is geen kwestie van beter je best doen. Een assortiment van duizend artikelen, elk met een eigen seizoenspatroon, eigen levertijden en een eigen gevoeligheid voor weer, feestdagen en acties — dat past simpelweg niet in één hoofd of één spreadsheet. Het is precies het soort probleem waar rekenkracht meer waard is dan ervaring.
De duurste voorraadfouten staan in geen enkel rapport: de klant die misgreep, koopt vandaag ergens anders — en dat zie je nergens terug.
Wat AI anders doet dan je onderbuik en je spreadsheet
Klassiek voorraadbeheer werkt met vaste regels: bestel bij als de voorraad onder X komt, houd van alles Y weken aan. Die regels zijn gebaseerd op het gemiddelde verleden — en juist dat gemiddelde is het probleem, want de vraag is zelden gemiddeld. AI-vraagvoorspelling kijkt per artikel naar het werkelijke verkooppatroon en neemt daar van alles in mee: seizoen, trend, feestdagen, acties, en bij sommige oplossingen zelfs het weerbericht. Het resultaat is geen glazen bol, maar een voorspelling per artikel per week die structureel dichter bij de werkelijkheid zit dan een vaste regel.
Hoeveel dichterbij? Onderzoek van McKinsey becijferde dat AI-gedreven vraagvoorspelling voorspelfouten met 20 tot 50 procent kan verlagen, en het aantal situaties waarin een product niet leverbaar is met tot wel 65 procent. Dat zijn cijfers uit grotere organisaties, dus neem ze als ordegrootte, niet als garantie — maar de richting is duidelijk: minder misgrijpen én minder overschot tegelijk. Opvallend genoeg loopt juist de sector die er het meest aan zou hebben achter: uit Nederlands onderzoek van begin 2026 onder handels- en logistiekbedrijven bleek dat zo'n 60 procent wel interesse heeft in AI, maar dat slechts ongeveer één op de tien het actief gebruikt. Wie nu begint, loopt dus niet achter de massa aan — die ligt er juist op voor.
Wat kun je er concreet mee?
Voorraadbeheer met AI klinkt al snel als een magazijn vol robots, maar de winst zit voor MKB-bedrijven in veel alledaagsere dingen:
- Bestelvoorstellen in plaats van bestelrondes: de AI zet elke week per leverancier een conceptbestelling klaar op basis van de verwachte vraag, actuele voorraad en levertijd — de inkoper controleert en drukt op akkoord, in plaats van alles zelf uit te zoeken.
- Dode voorraad vroeg signaleren: artikelen die stilvallen, komen bovenaan een lijstje zodra het patroon breekt — niet pas bij de jaarlijkse inventarisatie, als de enige uitweg nog de uitverkoopbak is.
- Seizoens- en actiepieken vooruit zien: de voorspelling rekent feestdagen en geplande acties mee, zodat je de inkoop drie weken vóór de piek regelt in plaats van erachteraan te bellen.
Belangrijk daarbij: de AI beslist niet, hij bereidt voor. Een bestelvoorstel is pas een bestelling als iemand ernaar gekeken heeft. Juist bij inkoop — waar elke fout direct geld kost — wil je een mens aan de knop houden, zeker in het begin. Het verschil met vroeger is dat die mens niet meer zelf duizend artikelen hoeft door te ploegen, maar alleen nog de uitzonderingen beoordeelt die het systeem aandraagt.
De feestdagen als testcase
Er is een reden om hier juist nu over na te denken: de drukste weken van het jaar staan voor de deur. Sinterklaas en kerst zijn voor veel winkels en webshops goed voor een flink deel van de jaaromzet, en het zijn precies de weken waarin voorraadfouten het hardst aankomen. Uitverkocht staan in week 49 is omzet die nooit meer terugkomt; te ruim inkopen betekent dat januari in het teken staat van kortingen op spullen die je in november tegen volle prijs had kunnen verkopen.
Je hoeft voor deze piek geen compleet systeem neer te zetten om al iets aan AI te hebben. Een eenvoudige eerste stap: laat een AI-analyse los op je verkoopdata van de afgelopen twee à drie jaar, specifiek voor het vierde kwartaal. Welke artikelen piekten vorig jaar, wanneer precies, en waar stond je uitverkocht of bleef je mee zitten? Dat is een afgebakende klus op data die je al hebt — en de uitkomst is een inkooplijst voor de komende weken waar je direct wat aan hebt. Veel bedrijven ontdekken bij die eerste analyse meteen hoe scheef hun beeld was: de helft van de 'hardlopers' bleek vooral zichtbaar, niet winstgevend.
Een bestelvoorstel is pas een bestelling als iemand ernaar gekeken heeft. De AI ploegt de duizend artikelen door; de inkoper beoordeelt de uitzonderingen.
Zo begin je — zonder ERP-project
De grootste misvatting is dat je hiervoor eerst een nieuw kassasysteem of ERP-pakket nodig hebt. In de praktijk begint vrijwel elk traject met de data die er al is: verkoopregels uit je kassa of webshop, voorraadstanden en inkooporders. Die zijn vrijwel altijd te exporteren of via een koppeling uit te lezen, ook uit de gangbare Nederlandse pakketten. De volgorde die wij aanhouden: eerst één analyse om te zien waar het geld weglekt — nee-verkoop, dode voorraad, te vroege of te late bestellingen. Dan één terugkerend proces automatiseren, meestal het wekelijkse bestelvoorstel voor de belangrijkste leverancier of productgroep. En pas als dat loopt en vertrouwd is, uitbreiden naar de rest van het assortiment.
Wat kost dat? Een eerste afgebakend traject — bijvoorbeeld de analyse van je verkoopdata plus een wekelijks bestelvoorstel voor je belangrijkste productgroep — begint bij ons vanaf zo'n €1.500. Een volledige oplossing die met je voorraadsysteem meedraait, voorspelt, signaleert en bestelvoorstellen klaarzet, is een traject vanaf €5.000, plus enkele tientjes per maand aan lopende kosten. Zet dat af tegen wat er nu op de plank ligt: bij veel bedrijven is een paar procent minder overschot of een paar gemiste verkopen minder per week al genoeg om het verschil te maken.
Benieuwd of jouw voorraad er klaar voor is? Doe de gratis AI-check — die laat in een paar minuten zien waar AI in jouw bedrijf het snelst waarde oplevert. Of plan een vrijblijvend gesprek; dan kijken we samen naar je verkoopdata en of er vóór de feestdagen nog iets te winnen valt.