Achter de tech
Wat betekent AI voor asset tracking? Ik geloof dat AI precies is wat asset tracking nodig had om eindelijk door te breken. Plots duiken patronen op die niemand heeft geprogrammeerd, krijg je antwoorden binnen enkele seconden zonder developer, en worden applicaties op maat van jouw proces in enkele dagen gebouwd. Maar alles staat of valt met één ding: betrouwbare velddata. Dat is de enige data in het AI-tijdperk die je niet kunt kopen of scrapen. Je kunt ze alleen vastleggen, met trackers op de assets zelf. Mijn overtuiging: AI heeft asset tracking nodig, en asset tracking heeft AI nodig. Bedrijven die de twee combineren, bouwen een concurrentievoordeel op. Deze post legt uit waarom; de rest van de reeks toont hoe.
TABLE OF CONTENT
Eén vraag krijg ik tegenwoordig vaker dan welke andere ook: wat betekent AI eigenlijk voor asset tracking?
Die vraag komt van klanten die al honderden of duizenden assets met ons volgen, en van bedrijven die overwegen om te starten. Bij beide zit meestal dezelfde veronderstelling: niemand weet echt wat AI concreet oplevert voor asset tracking. Sommigen gaan nog verder en zeggen dat het niets oplevert, en dat het er alleen bij wordt geplakt omdat elk bedrijf vandaag een AI-verhaal nodig heeft.
Mijn antwoord komt uit wat we in de praktijk hebben geleerd: AI is geen leuk extraatje bovenop asset tracking. Het is een motor die het volgen van niet-aangedreven assets waardevoller maakt dan ooit. Niet een beetje, maar structureel. Ik neem je even mee.
AI en asset tracking zijn van elkaar afhankelijk, en beide richtingen tellen:
De eerste richting begint bij waar al de rest op steunt: data. AI en asset tracking zijn geen concurrerende bronnen van intelligentie; ze werken op twee verschillende niveaus. Slimme trackers voelen en interpreteren het gedrag van elke individuele asset, op het toestel zelf. AI redeneert over de massa’s data die die trackers vastleggen. Het is de combinatie van de twee die het verschil maakt. Een brein zonder zintuigen is niet intelligent over de wereld rondom zich: het is gewoon welbespraakt in het donker.
Onderzoekers van de Nanyang Technological University toonden aan dat grote taalmodellen die je aanvult met echte, goed voorbereide IoT-sensordata (IoT-LLM) bijna vijftig procent beter redeneren over taken in de echte wereld. Waarneming is de basis van redeneren, voor mensen én voor machines. En waarneming is meer dan een ruwe datastroom. Data wordt pas waarneming als ze voorbereid binnenkomt.
Dit wil ik elke operationele leider meegeven: velddata is uniek. De locatiegeschiedenis van jouw pool van herbruikbare verpakkingen, de verblijftijden op de sites van jouw klanten, de schokken op jouw mallen voor de luchtvaart, de rotatiecycli van jouw trailers: niets daarvan bestaat ergens anders ter wereld. Velddata kun je niet kopen. Alleen vastleggen.
Daardoor is trackerdata een van de weinige echt eigen data-assets die een industrieel bedrijf bezit. Iedereen heeft toegang tot dezelfde AI-modellen. Niemand heeft jouw data. Het verschil zit niet in het model; het zit in de data die je het geeft.
En de kwaliteit van die data telt enorm. De Agentic AI readiness index 2026 van Fivetran maakt het nog scherper: 85 procent van de bedrijven heeft niet de datafundering die nodig is voor agentic AI, en een agent die op slechte data draait, wordt niet beter na verloop van tijd; hij neemt gewoon sneller verkeerde beslissingen.
Vertaal dat naar fysieke operaties en de conclusie ligt voor de hand. Als je assets niet uitgerust zijn met sensoren, heeft je AI niets betrouwbaars om over te redeneren. Realtime zichtbaarheid is niet de oude wereld die AI vervangt. Het is de grondwaarheid die AI nodig heeft. De tracker op een stalen bok op een terrein doet iets wat geen enkel model in geen enkel datacenter kan: de werkelijkheid observeren.
Sensolus AI, drie keer genomineerd
Sensolus AI maakt kans op de Digital Supply Chain Award 2026. Het is onze derde nominatie voor een innovatieprijs dit jaar, na de Tech for Industry Show en SITL.
Lees meer over de nominatie →
Nu de andere richting. Waarom heeft asset tracking AI nodig? Onze sector levert toch al jaren waarde zonder: geofence-alerts, gebruiksrapporten, dashboards met verblijftijden.
Die waarde is echt. Toch heb ik in al die jaren dat ik deze systemen bouw altijd het gevoel gehad dat de data die we verzamelen meer waarde bevat dan we eruit halen. Machine learning maakt die kloof al jaren kleiner, maar elke klantvraag werd een maatwerkproject: een model om te bouwen, specialisten om in te schakelen. Deze AI-golf is de doorbraak omdat dat maatwerkproject verdwijnt: je stelt je vraag in gewone taal, en je krijgt je antwoord.
Analistenbureau IoT Analytics verwoordt de volgende stap goed in hun stuk over de evolutie van enterprise asset tracking: intelligentie in asset tracking verschuift van statische dashboards en reactieve monitoring naar dynamische, AI-gedreven systemen die voorspellend inzicht geven, en die verschuiving maakt van asset tracking een strategische troef in plaats van een tool voor zichtbaarheid.
Vanuit mijn stoel als CTO zie ik die verschuiving gebeuren via vier concrete veranderingen in wat onze klanten kunnen doen.
Verschuiving één: patronen die niemand heeft geprogrammeerd, worden ontdekt. Klassieke analytics beantwoordt de vragen die we voorzagen toen we het dashboard bouwden. AI beantwoordt vragen die niemand stelde. Het kan miljoenen locatiepunten en sensormetingen doorzoeken en de afwijkingen en verbanden blootleggen waar nooit een regelengine voor werd ingesteld. Denk aan de klantsite die stilletjes een zwart gat werd voor je verpakkingspool, of de transportroute waar de doorlooptijden week na week oplopen. Een bottleneck in wording.
Verschuiving twee: antwoorden hebben geen developer meer nodig. Het grootste deel van de softwaregeschiedenis betekende een nieuwe vraag een nieuw feature-ticket. “Welke trailers stonden vorig kwartaal meer dan vijf dagen stil op sites van derden?” Dat was vroeger een aanvraag, een item op de backlog en wachten op de volgende release. En je kunt niet op voorhand weten welke vragen je operatie ooit zal stellen; nu maakt dat niet meer uit. Met trackingplatformen die rechtstreeks gekoppeld zijn aan AI-assistenten stelt een operations manager gewoon de vraag in gewone taal en krijgt hij binnen enkele seconden het antwoord, live uit de trackingdata. Geen SQL, geen BI-specialist, geen wachttijd. Ik zie dat nu elke dag gebeuren. Een team koppelde zijn trackingdata aan een AI-assistent, denk aan Claude of ChatGPT, en vroeg om de laatste rit van één industriële container te analyseren. Twintig seconden later: de route gereconstrueerd, twee overtochten met de ferry herkend, en een onverwachte stilstand van vijf dagen in de aankomsthaven gemeld. Niemand had ooit ferrydetectie geprogrammeerd, en niemand had dat rapport gebouwd.
Verschuiving drie: applicaties op maat in dagen, niet in maanden. Elk bedrijf heeft specifieke processen die geen enkel generiek platform volledig afdekt; een horizontaal platform is een doos Lego: krachtig en flexibel, maar op maat van niemand. Dus wil elk operationeel team uiteindelijk dat de laatste stukjes voor hem gebouwd worden: een scherm voor het terreinteam, of een escalatielogica die past bij hoe hun bedrijf werkt. Al tien jaar jaagt onze sector op die laatste kilometer, maar economisch klopte het nooit. Maatwerk was te traag en te duur voor alles behalve de grootste uitrols. Bouwen met hulp van AI heeft die kost ingestort. Waar een projectteam vroeger maanden over deed, duurt nu dagen. Hoe precies dat die kloof van tien jaar dicht, vertel ik later in deze reeks, want dat verdient een eigen post.
Verschuiving vier: applicaties worden gebouwd door de mensen die je operatie het best kennen. Decennialang betekende een applicatie op maat een ontwikkelteam. Vandaag zie ik in ons eigen bedrijf het omgekeerde: agents worden gebouwd en afgesteld door customer success en technical sales, de mensen die bij klanten zitten en hun processen uit eerste hand kennen. Dat lost een probleem op dat ouder is dan AI. In elk analyticsproject dat ik heb gezien, was het moeilijkste nooit het model; het was de domeinkennis erin krijgen. Als de domeinexpert zelf bouwt, verdwijnt die vertaalstap. De voorwaarde is tooling die bouwen veilig maakt, en dat is precies wat platformen uit het AI-tijdperk bieden. Vroeger liepen sales en marketing op vrijdag naar engineering voor een voorproefje van wat eraan kwam. Nu loopt engineering naar customer success om te zien wat zij deze week hebben gebouwd.
Zet de vier verschuivingen samen en de relatie tussen jou en je assetdata verandert. In het oude model open je een dashboard, vertaal je de generieke inzichten naar je eigen processen en klik je rond tot je vindt wat je nodig hebt. Elke stap hangt af van een mens die eraan denkt om te kijken, en die weet waarnaar hij moet kijken. Het nieuwe model draait dat om. Inzichten vinden jou. Het systeem merkt de afwijking op en brengt ze onder je aandacht. En steeds vaker gebeuren acties voor jou: de bijbestelling wordt opgesteld, de vervoerder wordt verwittigd, de afwijking wordt met het bewijs al verzameld doorgestuurd naar de juiste persoon, en jij houdt toezicht in plaats van uit te voeren. Dit is geen theorie. Een van onze klanten in de automotive kreeg telkens motoren binnen die tijdens het transport beschadigd waren, zonder te weten waar of door wie. Vandaag volgt een agent de schokdata van de trackers op hun transportbokken, vindt hij de plekken waar ruw wordt gehanteerd, legt hij de transportdocumenten ernaast, wijst hij de vervoerder aan die het meest waarschijnlijk verantwoordelijk is, en maakt hij de taak aan om die te contacteren voordat er meer schade is.
Waar eindigt dit? Ik verwacht dat binnen enkele jaren een generiek dashboard openen de uitzondering wordt in plaats van de standaard interface. Geen twee asset tracking-applicaties zullen er hetzelfde uitzien, want elk wordt gevormd door de processen en de terminologie van het bedrijf dat ze bedient. Onderliggend steunen ze allemaal op hetzelfde platform, en daar komt hun kracht vandaan: beproefde bouwstenen voor tracking, gevalideerde data, en beveiliging die één keer geregeld wordt en die elke applicatie erbovenop overneemt.
Dus, wat betekent AI eigenlijk voor asset tracking? Het zal je meer tonen dan je dashboards ooit hebben gedaan, en we staan nog maar aan het begin. Het AI-tijdperk is de allersterkste reden om trackers uit te rollen: elke tracker die je vandaag plaatst, is niet zomaar een toestel voor zichtbaarheid; het is een punt waar je data verzamelt voor elke AI-toepassing die je het komende decennium zult draaien. De bedrijven die hun vloot nu uitrusten, bouwen de eigen datavoorsprong waarop hun toekomstige agents zullen draaien. Dus ja, ik geloof dat AI asset tracking belangrijker maakt. Bedrijven die asset tracking combineren met AI, bouwen een concurrentievoordeel op. Bedrijven die geen van beide doen, riskeren ingehaald te worden door wie het wel doet.
In de volgende posts laat ik zien hoe dit precies in de praktijk werkt: van de datafundering onder alles, via directe antwoorden en applicaties bouwen met hulp van AI, tot AI-agents die aan de slag zijn in echte logistieke en productieomgevingen. En ik toon hoe een volledige AI-suite bovenop die fundering eruitziet.
En alles begint met één vraag: waar komt AI-klare velddata vandaan?
Daar pikken we de volgende keer de draad weer op.
Wij zijn experts: vraag ons alles, van batterijen in trackers tot voorraadrapporten en het traject van bedrijfsmiddelen.
Vraag demo aanIn de loop der jaren zijn onze inzichten uitgekristalliseerd tot vier pijlers. Het zijn geen theoretische concepten; ze zijn het resultaat van problemen in de praktijk, iteraties en harde lessen.
Ontdek hoe we complexiteit hebben weggenomen en een platform hebben gecreëerd dat operators zelfstandig onder de knie krijgen – zonder trainingen of intensieve begeleiding door de leverancier.
De orderboeken in de luchtvaartsector zitten vol, maar de toeleveringsketen die de productie mogelijk moet maken, tast nog steeds in het duister. Ontdek waarom het gebrek aan transparantie voorbij Tier 1 de echte knelpuntfactor is en hoe asset-tracking hierin uitkomst biedt.