truck8.ai

AI voor offertes en orderinvoer: zo pak je het aan

Van inkomende aanvraag tot order in je ERP of TMS: waar AI tijd wint, waar een mens tekent en hoe je begint zonder het oude proces te automatiseren.

7 min leestijdTom Mekenkamp

Van aanvraag tot order: waar de tijd in zit

Elk bedrijf dat aan andere bedrijven verkoopt, doorloopt dezelfde zes stappen: vastleggen, kwalificeren, specificeren, prijs en offerte, onderhandelen en akkoord, order en overdracht. Samen met Dagmar Ritterbex van The Lean Kitchen heb ik die keten uitgewerkt in de case Lead to Order.

Vraag hoe lang die keten duurt en het antwoord is weken, soms maanden. Vraag hoeveel daarvan echt werk is en het antwoord is uren of dagen. De rest is wachten: in een inbox, op een overleg, op een akkoord, op iemand die overtypt wat een ander al had getypt. In het fictieve voorbeeld uit de case duurt één ziekenhuistender 24 werkdagen. Drie daarvan zijn werk.

Dat verschil is waar AI het meest belooft. Het is ook waar AI de meeste schade kan doen als je het verkeerd aanpakt. De meeste bedrijven beginnen bij twee stappen: de offerte, die bovenaan mijn lijst met AI use-cases voor het MKB staat, en de orderinvoer.

Wat AI doet met een inkomende aanvraag

Een aanvraag komt binnen per mail, via een webformulier, als pdf-bijlage of als aantekening van een telefoongesprek. Een AI-agent leest die aanvraag en zet hem om in gestructureerde gegevens: wie is de klant, wat wil hij, hoeveel, wanneer, waarheen en onder welke voorwaarden.

In transport ziet dat er bijvoorbeeld zo uit. Een verlader mailt een opdracht met laad- en losadres, tijdvensters, het aantal pallets en een referentie. De agent haalt die gegevens eruit, zoekt de klant op in je systeem, controleert of de adressen bekend zijn en of de opdracht compleet is, en zet een conceptorder klaar in het TMS. Ontbreekt er iets, dan stuurt hij de vraag terug naar de klant in plaats van te gokken.

Dat is overtypwerk dat nu vaak bij planners of customer service ligt, en het is precies waar een taalmodel goed in is: rommelige tekst lezen en er velden van maken. Hoe een agent veilig in je eigen systemen werkt, met rechten per gebruiker en een logboek, lees je in AI op je eigen bedrijfsdata.

Offertes maken met AI: de agent stelt op, een mens beslist

Bij de offerte verandert de rol van AI. Het lezen, opzoeken en opstellen kan de agent doen: de juiste artikelen of tarieven erbij zoeken, eerdere offertes voor dezelfde klant raadplegen, de offertetekst schrijven en controleren of alles klopt met de aanvraag. Dat scheelt het meest bij offertes die op elkaar lijken, en dat zijn er bij de meeste bedrijven veel.

De prijs is een ander verhaal. In de case laten we zien wat er gebeurt als een agent de prijs alleen bepaalt: hij optimaliseert op de kans om te winnen en prijst onder de kostprijs. Bij een tender zit je daar vervolgens jaren aan vast. Daarom tekent in de case altijd iemand met naam voor de definitieve prijs.

Wat wel helpt, is margeregels één keer vastleggen. In de case is dat de oplossing bij de prijsstap: finance stelt de regels één keer vast en ziet daarna alleen nog de uitzonderingen. Een agent past die regels toe en legt alleen de offertes voor die erbuiten vallen. De beslissing blijft bij een mens, zonder dat elke offerte op een vergaderslot wacht.

Orderinvoer automatiseren met AI in je ERP of TMS

Geeft de klant akkoord, dan moet de order in het systeem. In veel bedrijven betekent dat: offerte openen, ERP openen, overtypen. Daar ontstaan de fouten die je later terugziet als verkeerde leveringen en creditnota's. De case noemt bij deze laatste stap precies die twee verspillingen: overtypen en fouten.

Orderinvoer is de stap die het best op regels kan lopen. De gegevens zijn al gestructureerd en geaccordeerd, dus de agent hoeft niets te beslissen. Hij zet de order in het ERP of TMS, koppelt hem aan de offerte en meldt het als iets niet past. Mensen doen de uitzonderingen. Bij het koppelen van een orderagent aan een ERP merk ik steeds hetzelfde: de meeste tijd gaat niet in de techniek zitten, maar in afspreken wat als uitzondering telt.

Let op dat woord, uitzonderingen. De case laat ook zien wat er gebeurt als een agent een uitzondering zelf oplost: om een leverdatum te halen, verstuurt hij een partij met drie maanden houdbaarheid terwijl de klant twaalf maanden eist. Niemand heeft die afwijking goedgekeurd. Een orderagent mag de standaard afhandelen. Een afwijking van de standaard is een beslissing.

De valkuil: het oude proces sneller maken

De verleiding is groot om op elke stap een agent te zetten en verder niets te veranderen. In de case hebben we precies dat doorgerekend. De tender is dezelfde ochtend gevonden en de briefing staat binnen een uur klaar. Maar hij wacht nog steeds op het go/no-go-overleg, op het donderdagslot van finance en op drie akkoorden na elkaar. 24 werkdagen worden er 18. Dezelfde verspilling, alleen sneller.

Haal je eerst de verspilling eruit, nog zonder AI, dan worden die 24 dagen er 9. De tenderdesk checkt de portalen dagelijks, go/no-go gaat naar de ochtend-stand-up, margeregels worden één keer vastgesteld en één akkoordpakket gaat tegelijk naar alle beslissers. Pas daarna komen de agents, en dan worden 9 dagen er 5.

De cijfers zijn illustratief, maar de volgorde is het punt. Agents op een opgeruimd proces leveren veel meer op dan agents op het oude.

Waar de mens in de lus blijft

De regel uit de case: automatiseer wat terug kan, teken wat niet terug kan. Elke stap krijgt drie vragen.

  • Kan het besluit worden teruggedraaid?
  • Bindt het het bedrijf?
  • Vraagt het om oordeel?

Wat een besluit nodig heeft

Een aanvraag vastleggen bindt niemand ergens aan, dus dat loopt op regels. Een prijs, een leverdatum of een toezegging aan een klant bindt het bedrijf wel. Daar tekent een mens.

Waar een mens tekent, heeft dat besluit drie dingen nodig: een eigenaar met naam (geen afdeling, en nooit de agent), het bewijs waarop het besluit rust, en een spoor dat je maanden later nog kunt controleren. Wat de agent las, wat hij voorstelde en wie tekende, blijft bij het besluit staan in plaats van in iemands inbox.

Kan het sneller als niemand beslist? Ja. In de case is de tender dan in minder dan een werkdag klaar, met vijf toezeggingen die niemand heeft ondertekend. Een paar dagen sneller is dat niet waard.

Starten met AI in sales en logistiek: een stappenplan

Begin niet met een tool. Begin met één flow, van de eerste aanvraag tot de order in het systeem, en meet die van begin tot eind.

  • Kies één flow en één eigenaar. Bijvoorbeeld transportopdrachten van vaste klanten, of offertes voor standaardproducten. Eén persoon is eigenaar van de hele flow, over sales en operatie heen.
  • Zet doorlooptijd naast werktijd. Hoe lang duurt het van aanvraag tot order, en hoeveel uur werk zit daarin? Dat verschil laat zien waar je moet zoeken.
  • Haal de verspilling eruit. Schrap akkoordlagen die niets toevoegen, spreek één bron van waarheid af voor de klantvraag en stop met overtypen tussen systemen.
  • Voeg agents toe, met beslismomenten. Laat agents lezen, opstellen en controleren. Bepaal met de drie vragen per stap waar een mens tekent.
  • Meet opnieuw, en breid pas daarna uit.

De hele flow, niet één stap

Dit noem ik een modellijn: één waardestroom die je helemaal opnieuw ontwerpt, met een eigenaar, een team, een mandaat en een heldere afspraak over wanneer het klaar is. Niet één stap automatiseren, maar de hele stroom. Werkt de modellijn, dan heb je een patroon voor de volgende flow. Welke flow de eerste modellijn wordt, is een besluit voor de directie. In de directie-workshop nemen we dat besluit samen. Het bredere stappenplan staat in AI implementeren in je bedrijf.

Valkuilen bij AI in offertes en orderinvoer

Vier dingen zie ik steeds terugkomen.

  • Rommelige stamdata. Een agent die een klant niet kan vinden omdat hij drie keer in je ERP staat, met drie verschillende adressen, kiest de verkeerde of loopt vast. Ruim klant-, artikel- en tariefgegevens op voordat je automatiseert. Dat werk betaalt zich ook zonder AI terug.
  • Uitzonderingen die niemand heeft opgeschreven. Elke planner weet dat de ene klant altijd een dag eerder wil laden en de andere nooit op vrijdag. Zolang dat alleen in hoofden zit, weet de agent het niet. Schrijf de uitzonderingen op, of laat de agent ze herkennen en doorzetten naar een mens.
  • Geen eigenaar over de grens van sales en operatie. Sales maakt de offerte, operatie voert de order uit, en de fouten ontstaan bij de overdracht. Is niemand eigenaar van de hele flow, dan optimaliseert elke afdeling zijn eigen stuk en blijft het wachten ertussen bestaan.
  • Te vroeg de mens eruit halen. Begin met een akkoordstap op elke actie die naar buiten gaat. Haal die alleen weg bij stappen die op regels lopen en terug te draaien zijn.

Belangrijkste inzichten

  • Het grootste deel van de tijd tussen aanvraag en order is wachten, geen werk. Daar zit de winst.
  • AI leest aanvragen uit mail, formulieren en pdf's, stelt offertes op en zet orders klaar in je ERP of TMS.
  • Een mens tekent voor alles wat het bedrijf bindt: de prijs, de leverdatum en elke afwijking van de standaard.
  • Agents op het oude proces maken dezelfde verspilling sneller. Haal eerst de verspilling eruit, voeg dan agents toe.
  • Begin met één flow en één eigenaar, meet doorlooptijd naast werktijd en ontwerp de hele stroom opnieuw.
TM

Geschreven door

Tom Mekenkamp

AI-consultant & oprichter van truck8.ai

15+ jaar transformaties geleid bij o.a. AB-InBev en Royal BAM. Nu bouwt hij AI-producten en helpt hij het MKB met AI.

Je eigen flow van aanvraag tot order onder handen nemen?

Ik breng je flow van aanvraag tot order in kaart, haal de verspilling eruit en bouw de agents, met beslismomenten waar een mens tekent.

Bekijk AI-implementatie