AI voor zero‑emissiezones en stedelijke logistiek
De regels rond milieuzones en zero‑emissiezones veranderen snel en verschillen per gemeente. Voor logistiek makelaars en hun klanten is het steeds lastiger om overzicht te houden: wat mag waar, met welke voertuigen, en welke ontheffingen zijn mogelijk? In het traject heeft DIKW samen met Connekt en logistiek makelaars een domein‑specifieke AI‑assistent ontwikkeld die precies op deze vragen is gericht.
Deze case laat zien hoe data‑gedreven logistiek, AI‑assistenten en duidelijke beleidsinformatie elkaar kunnen versterken. Het is een klantcase over slimme logistiek, maar vooral over de combinatie van AI‑infrastructuur, content‑kwaliteit en praktische toepasbaarheid voor logistiek makelaars.
Klantvraag: duidelijkheid in een versnipperd beleidslandschap
Logistiek makelaars krijgen dagelijks vragen van ondernemers over toegang tot binnensteden, nieuwe zero‑emissiezones, uitzonderingen en overgangsregelingen. De onderliggende beleidsinformatie is verspreid over landelijke portals, gemeentelijke websites en PDF‑documenten, waarbij formuleringen en details per gemeente verschillen.
De concrete vraag: kan een AI‑assistent helpen om deze informatie sneller te vinden, beter te interpreteren en in begrijpelijke taal aan ondernemers uit te leggen? En kan zo’n assistent tegelijkertijd bron‑gebaseerd blijven en transparant zijn over de herkomst van elk advies?
Doelstelling: een domein‑specifieke AI assistent
De doelstelling was helder: ontwikkel een AI assistent die logistiek makelaars ondersteunt bij het inventariseren en analyseren van landelijke en lokale beleidsregels voor milieuzones en zero‑emissiezones, inclusief de mogelijkheden voor ontheffing.
Belangrijke randvoorwaarden waren:
- bronverwijzing bij elk feitelijk antwoord;
- consistentie in uitleg per gemeente;
- aandacht voor data‑governance en reproduceerbaarheid van adviezen;
- een gebruikerservaring die aansluit bij de werkpraktijk van logistiek makelaars.
Aanpak: vier sprints naar een werkende demo AI assistent
Het traject is opgezet in vier sprints, van kwartiermaken in de cloud tot testen met echte praktijkvragen.
In grote lijnen:
- Sprint 1: opzetten van de technische basis, cloud‑omgeving en eerste kennisbank.
- Sprint 2: vullen van de kennisbank met landelijke en lokale bronnen en bouwen van kern‑tools.
- Sprint 3: ontwerpen van prompt‑structuren, chatbotlogica en frontend.
- Sprint 4: testen, valideren en demonstreren richting de betrokken logistiek makelaars.
Deze iteratieve aanpak maakte het mogelijk om snel inzichten uit tests te verwerken in de technische en inhoudelijke keuzes.
Kennisbank en tools: de basis onder de AI assistent
Een cruciaal onderdeel van de AI assistent is de kennisbank. Daarin zijn onder meer landelijke informatieportals over milieuzones en zero‑emissiezones, gemeentelijke webpagina’s en een uitgebreide lijst van aangeleverde URL’s samengebracht.
Om deze informatie bruikbaar te maken:
- is een webscraper ontwikkeld die tot drie links diep documenten kon volgen, wat resulteerde in meer dan 500 documenten in de kennisbank;
- zijn tools gebouwd voor RDW‑kentekenchecks en emissieklasse‑bepaling, zodat voertuiggegevens direct gekoppeld konden worden aan de juiste regels;
- is een antwoordstructuur ontworpen met vaste onderdelen: milieuzone, zero‑emissiezone, lokaal beleid en een duidelijke conclusie met advies.
Hiermee kon de AI assistent zowel beleidsinformatie als voertuigdata combineren in één assistent.
Prompt‑design en AI‑architectuur
Naast data‑infrastructuur is veel aandacht besteed aan de AI‑kant van de oplossing. Er zijn meerdere generaties prompts ontwikkeld, met duidelijke rolbeschrijvingen (“top‑expert milieuzones en ZE‑zones”) en strakke instructies voor bronverwijzing en antwoordopbouw.
De architectuur bestond uit:
- een stap om de gebruikersvraag om te zetten in gerichte zoekopdrachten in de kennisbank en kenteken‑tools(de zogenaamde RAG pijplijn);
- een stap met ‘tool calls’ naar, onder andere, de kenteken check van het RDW.
- een vervolgstap waarin gevonden tekstfragmenten en voertuiggegevens werden samengevoegd tot één helder, gestructureerd antwoord;
- een frontend die logistiek makelaars in staat stelde om eenvoudig concrete praktijkvragen te stellen.
Deze aanpak liet zien hoe je met AI‑assistenten niet alleen “chatten”, maar ook echte beslislogica en sector‑specifieke kennis kunt ondersteunen.
Testen: echte vragen uit de praktijk
Voor de validatie zijn samen met logistiek makelaars realistische testcases opgesteld: vragen over oude dieselbestelbussen, marktvoertuigen, aanpassingen voor gehandicapten, overgang naar elektrische voertuigen en de impact van netcongestie op zero‑emissiebeleid.
Deze testcases dienden doelen als:
- beoordelen of de Ai asistent alle relevante regels per gemeente kon vinden en correct toepassen;
- controleren of de uitleg begrijpelijk is voor ondernemers en adviseurs;
- blootleggen waar beleidsinformatie conflicteert of ambigu is.
De uitkomsten gaven een eerlijk beeld van de sterktes en zwaktes van de assistent in een echte logistieke context.
Leerpunten: contentkwaliteit belangrijker dan techniek
Een belangrijk resultaat van het traject is het inzicht dat de applicatie technisch goed functioneert, maar dat de kwaliteit van de broncontent uiteindelijk de doorslag geeft.
Omdat beleidsinformatie op verschillende websites net anders geformuleerd is, en soms niet volledig of niet eenduidig, ontstaan situaties waarin zelfs een goed ontworpen AI‑assistent toch tot dubbelzinnige of onjuiste antwoorden kan komen. Dit maakt duidelijk dat:
- gecontroleerde, door experts geschreven documenten per gemeente noodzakelijk zijn;
- goede data‑governance en domeinmodellering minstens zo belangrijk zijn als het gekozen AI‑model;
- sector‑specifieke AI in logistiek vooral draait om betrouwbare content, niet alleen om slimme algoritmes.
Vervolgonderzoek: ‘curated content’ per gemeente
In het vervolgtraject is gekeken naar een alternatieve route: het zelf aanleggen van één helder beleidsdocument per gemeente volgens een vast template, opgesteld onder inhoudelijke regie van experts.
Zo’n template‑document zou bevatten:
- een overzicht van milieuzones en zero‑emissiezones met ingangsdata;
- expliciete beschrijving van uitzonderingen en ontheffingsmogelijkheden;
- duidelijke koppeling met voertuigcategorieën en emissieklassen.
Deze benadering verlegt de focus van “alles scrapen wat er is” naar “een compacte, gecontroleerde bron per gemeente”, wat direct bijdraagt aan betrouwbare AI‑ondersteuning voor logistiek makelaars.
Evaluatie van moderne AI‑modellen zoals Gemini
Parallel aan het nadenken over “curated content” is opnieuw gekeken naar de mogelijkheden van moderne foundation models, waaronder Google Gemini. Daarbij zijn dezelfde testcases gebruikt als bij de evaluatie van de gespecialiseerde Ai assistent, om de kwaliteit van antwoorden en het begrip van complexe logistieke vragen te vergelijken.
De uitkomst: de prestaties van deze generieke modellen zijn de afgelopen periode duidelijk verbeterd – nog niet perfect, maar wel zodanig sterk dat veel van de oorspronkelijke technische ambitie van een gespecialiseerde chatbot nu ook met standaard AI‑tools haalbaar is. Taken als documentanalyse, samenvatten, structureren van antwoorden en werken met grote hoeveelheden context zijn in hoge mate “gecommoditiseerd” door deze modellen.
Nieuwe richting: AI‑vaardigheden voor logistiek makelaars
Door de combinatie van leerpunten gedurende dit traject en de voortschrijdende mogelijkheden van generieke AI‑modellen is de focus verschoven. In plaats van primair te investeren in een nieuwe versie van een eigen, dedicated chatbot, komt nu een andere vraag centraal te staan: hoe zorg je dat logistiek makelaars zelf AI‑vaardig worden?
De logische volgende stap is een gerichte AI‑gebruikersopleiding voor logistiek makelaars, waarin zij leren:
- betere vragen te stellen aan AI‑assistenten en foundation models;
- beleidsinformatie kritisch te lezen en AI‑antwoorden te toetsen aan bronmateriaal;
- hun adviesprocessen rondom milieuzones en zero‑emissiezones te versnellen met behulp van AI, zonder de menselijke nuance en verantwoordelijkheid te verliezen.
Deze Ai assistent voor Logistiek Makelaars wordt daarmee niet alleen gezien als technische proof‑of‑concept, maar vooral als leertraject dat de weg vrijmaakt voor praktische AI‑training in de logistiek.
AI adoptie door experimenteren werkt.
Wil je weten hoe jouw organisatie moderne AI‑assistenten, beleidsdata en logistieke praktijkvragen kan combineren tot echte meerwaarde voor klanten en collega’s? DIKW helpt bij het ontwerpen van sector‑specifieke AI‑oplossingen én bij het vergroten van AI‑vaardigheden in jouw team.
Neem contact op met DIKW voor een verkennend gesprek over AI in logistiek, zero‑emissiezones en data‑gedreven besluitvorming.
