Hoe Cargonaut machine learning liet landen in de luchtvrachtketen

Over Cargonaut

Cargonaut is het digitale knooppunt tussen afhandelaars, expediteurs, transporteurs en douane. Het platform verwerkt jaarlijks zo’n 120 miljoen berichten en ondersteunt complexe processen die nooit van één partij zijn, maar altijd van de hele logistieke community.

Dat maakt innovatie fundamenteel anders, vertelt Richard van Det, Product Owner Cargo Services bij Schiphol. “Een nieuwe oplossing werkt pas als iedereen hem gebruikt.” Daar zit meteen de grootste uitdaging. Wat voor de ene partij winst oplevert, vraagt vaak een investering van de ander. Zonder gezamenlijk belang gebeurt er niets.

Een handmatig proces dat vastliep in papier

Het ‘nominatieproces’, het toewijzen van inkomende luchtvracht aan de ontvangende logistiek dienstverlener, is daar een raak voorbeeld van. Tot 2016 was dat proces nog volledig handmatig georganiseerd. Stapels papieren vrachtbrieven, lokale Excel-lijsten en kennis in hoofden bepaalden wie wat mocht ophalen.

Het resultaat was voorspelbaar. Fouten, vertragingen en onnodige verkeersbewegingen op het terrein. Chauffeurs reden rond om te checken of er iets voor hen lag, zendingen werden soms verkeerd toegewezen en moesten terug de keten in. 

Cargonaut had de ambitie om dit proces niet alleen te automatiseren, maar om het ook fundamenteel slimmer te maken. Van Det: “Als een vliegtuig twaalf uur onderweg is, waarom zou je dan wachten tot hij geland is om te nomineren?” 

Automatiseren is één ding, acceptatie iets anders

De jaren erna werd gewerkt aan een machine learning-model dat zendingdata koppelt aan stationsverklaringen: een document waarin een bedrijf vastlegt welke agent/expediteur namens hem een zending mag ophalen. Op basis van naam, adres en postcode bepaalt het systeem automatisch welke agent verantwoordelijk is. Voor de ontwikkeling van deze applicatie werkte Cargonaut samen met Incentro. De oplossing werd gebouwd en in de jaren daarna stap voor stap doorontwikkeld en beheerd.

“Technisch werkte het hartstikke goed,” zegt Richard. De eerste versie haalde al 75 tot 80 procent automatische nominaties met minder fouten dan voorheen. Maar de acceptatie bleef achter. Expediteurs wilden vasthouden aan hun papieren processen. Afhandelaars vertrouwden het systeem niet volledig. En daar kwam nog een klassiek probleem bij. Iedereen zag de voordelen, maar de vraag wie moest investeren en wie moest betalen voor gebruik van de dienst, hield partijen lang tegen.

Datakwaliteit als sleutel tot adoptie

De echte doorbraak kwam niet uit het model zelf, maar uit het werk eromheen. Cargonaut investeerde jarenlang in het verbeteren van datakwaliteit en het actief begeleiden van gebruikers. “Grote partijen werden geanalyseerd op fouten. Soms bleek een oud adres in Shanghai de oorzaak van duizenden mislukte matches. Eén telefoontje kon het verschil maken. Als je de grootste vervuilers aanpakt en laat zien waar het fout gaat, dan zie je resultaat.” 

Daarnaast werd structureel in gebruiksgemak geïnvesteerd. Door frictie weg te nemen, groeide het gebruik vanzelf. “Een simpele mailfunctie maakte het voor afhandelaars makkelijk om ontbrekende informatie op te vragen.” Werkgroepen zorgden voor continue feedback en verbetering. Stap voor stap veranderde de houding in de keten. Waar eerst scepsis zat, ontstond langzaam vertrouwen en uiteindelijk afhankelijkheid. “Deze applicatie is zó belangrijk voor ons geworden.”

Van nice-to-have naar must-have

Vandaag de dag wordt tussen de 84 en 94 procent van de zendingen automatisch genomineerd, constateert Richard. Vrijwel alle partijen zijn aangesloten op het systeem waardoor ook weer nieuwe toepassingen mogelijk zijn, zoals Secure Import. Deze applicatie zorgt ervoor dat alleen de juiste partij een zending kan ophalen waardoor fraude en diefstal worden voorkomen. Doordat andere processen afhankelijk werden van nominatie, ontstond een natuurlijke noodzaak om het systeem nog intensiever te gebruiken. Niet door het af te dwingen, maar door het onmisbaar te maken.

Geen LLM, maar ML

Opvallend is dat Cargonaut bewust niet koos voor de nieuwste AI-trend. Large language models werden overwogen, maar bleken minder geschikt voor deze use case. Het probleem draait om gestructureerde data en precieze matching. Daarin is een goed getraind machine learning-model simpelweg effectiever en efficiënter. Niet elke AI-behoefte, vraagt om generatieve of agentic AI. Soms zit de echte waarde juist in gerichte, bewezen techniek.

Les voor wie ook met AI gaat werken

Het project bij Cargonaut gaat vooral over de adoptie van nieuwe technieken. Over het balanceren van belangen, het verbeteren van datakwaliteit en het opbouwen van vertrouwen over meerdere jaren. “Als je vertrouwen kunt kweken, dan is dat eigenlijk de enige manier om mensen mee te krijgen. Anders gaan ze het domweg niet gebruiken.” 

Zijn les voor organisaties die met AI aan de slag willen, luidt dan ook: "Technologie is zelden het grootste probleem. De echte uitdaging begint daarna."