AI Toepassingen

AI voor de technische groothandel: waar te beginnen

Productdata opschonen, mailaanvragen matchen, slim zoeken en vervangers voorstellen: wat AI oplevert in de technische groothandel, met tabel en voorwaarden.

AI WorkTalent Redactie · 16 augustus 2026 · 11 min leestijd

Een technische groothandel draait op een assortiment van duizenden tot honderdduizenden artikelen, aanvragen die per mail en telefoon binnenkomen, en een verkoopbinnendienst die de hele dag schakelt tussen zoeken, matchen en offreren. Dat is precies het soort werk waar AI kan helpen — maar alleen in de goede volgorde. Begin je bij een chatbot terwijl je artikeldata rommelig is, dan automatiseer je vooral de verwarring. Begin je bij je productdata, dan wordt alles daarna makkelijker: zoeken, matchen, vervangen, offreren. Hieronder de toepassingen die specifiek spelen bij een handelsonderneming — assortiment, aanvragen, offertes en verkoopbinnendienst — met een praktijkvoorbeeld, een tabel en de volgorde waarin het loont om te beginnen.

Productdata als fundament: waar de meeste winst zit

Vrijwel elke technische groothandel herkent dit: dezelfde bevestigingsbout, klep of kabel staat in het systeem met drie net iets andere omschrijvingen, omdat elke leverancier zijn eigen naamgeving en spelling aanhoudt. Specificaties ontbreken, zijn onvolledig, of staan alleen in een PDF-specificatieblad (datasheet) dat niemand heeft overgetypt. Artikelen zijn dubbel ingevoerd onder een ander nummer omdat niemand zag dat het om hetzelfde product ging. Voor een ervaren medewerker die de weg kent, is dat vervelend maar werkbaar. Voor elke AI-toepassing die je daarna wilt bouwen, is het een blokkade. Een systeem dat moet zoeken, matchen of vervangen, presteert nooit beter dan de data waarop het leunt.

Dit is ook precies waar AI het meeste oplevert. Een taalmodel kan drie dingen die met de hand veel tijd kosten:

• omschrijvingen van verschillende leveranciers naast elkaar leggen en herkennen dat het om hetzelfde artikel gaat;
• ontbrekende specificaties aanvullen op basis van een datasheet of een vergelijkbaar artikel;
• dubbele artikelen signaleren in een assortiment van tienduizenden regels.

Dat is precies het soort herhalend vergelijkingswerk waar AI goed in is. Eén voorwaarde: een mens controleert de samenvoegingen en aanvullingen die er echt toe doen, voordat ze het systeem in gaan.

De technische groothandel hoeft dit niet vanaf nul te doen. Er bestaan al drie standaarden die precies dit probleem aanpakken:

• ETIM is de internationale classificatiestandaard voor technische productdata, beheerd door ETIM International. ETIM deelt producten in vaste klassen in, met vooraf vastgelegde kenmerken. Een artikel van fabrikant A is daardoor op dezelfde manier beschreven als een vergelijkbaar artikel van fabrikant B. De actuele versie van het model is ETIM 10.0; de Nederlandse vertaling wordt beheerd door Ketenstandaard Bouw en Techniek.
• 2BA is de Nederlandse datapool die productdata van fabrikanten centraal beschikbaar maakt voor groothandels en installateurs. Je hoeft dan niet elke leverancier apart te benaderen voor actuele specificaties, en voegt zelf alleen je commerciële gegevens toe: prijs, verpakkingseenheid, voorraad. Tot de oprichting van 2BA werd in februari 2004 besloten door branchepartijen.
• GS1 beheert de GTIN-standaard, waarmee elk artikel een unieke, blijvende identificatie krijgt — in de praktijk vaak nog EAN-code of artikelcode genoemd. Zo blijft een product overal in de keten hetzelfde heten. Zie GS1 Nederland.

AI-toepassingen voor opschonen en matchen werken het best als ze deze standaarden als uitgangspunt nemen. Verzin dus geen eigen indeling naast wat de sector al gebruikt. Een bijkomend voordeel: sluit je aan op ETIM en 2BA, dan is de kwaliteit van je data ook zonder AI meteen beter, en kun je later makkelijker van leverancier of software wisselen.

Aanvragen per mail omzetten naar een orderregel

Een groot deel van de aanvragen komt niet netjes binnen via de webshop, maar als vrije tekst in een e-mail. Drie vormen die elke binnendienst herkent:

• "Graag 20 stuks van die koppeling die we vorige maand ook besteld hebben."
• Een foto van een versleten of afgebroken onderdeel, waarvan de klant het artikelnummer niet meer weet.
• Een lijstje in een Excel- of PDF-bijlage, met eigen omschrijvingen die niet overeenkomen met jouw artikelnamen.

Dat handmatig uitzoeken en overtypen kost veel tijd. Het is bovendien foutgevoelig, want het leunt op de kennis van die ene medewerker die toevallig weet welk artikel wordt bedoeld.

AI kan deze aanvragen, foto's en bijlagen herkennen en koppelen aan artikelen in je database. Een taalmodel leest de tekst en de bijlage, beeldherkenning vergelijkt een foto met vergelijkbare producten. Het resultaat is een concept-orderregel in plaats van een onbeantwoorde e-mail. Dat werkt alleen betrouwbaar als de onderliggende artikeldata op orde is. Zonder eenduidige omschrijvingen en kenmerken heeft het systeem niets om de aanvraag tegen te matchen. Precies daarom komt dit ná het opschonen van je productdata, niet ervoor.

Om dezelfde reden bevestigt een mens de match voordat de order de deur uitgaat. Een AI die waarschijnlijke artikelen voorstelt, is een uitstekend hulpmiddel voor de binnendienst. Maar een verkeerd gekoppeld artikel dat zonder controle wordt uitgeleverd, kost meer aan retour, aanpassing en een ontevreden klant dan de automatisering ooit bespaarde. De winst zit in het wegnemen van het overtypen en zoeken, niet van de laatste controle.

Zoeken in de webshop: op wat de klant nodig heeft

Klanten van een technische groothandel zoeken zelden op jouw artikelnummer. Ze zoeken op wat ze nodig hebben: "afsluiter voor buitengebruik, RVS, 1 inch" in plaats van een fabrieksnummer. Of ze gebruiken een synoniem dat in hun eigen branche gangbaar is, maar net anders klinkt dan hoe jij het artikel hebt benoemd. Een zoekfunctie die alleen op exacte tekst in het artikelnummer of de titel zoekt, laat die klant met niets achter. Die belt dan alsnog, of haakt af naar een concurrent.

AI-gestuurde zoekfunctionaliteit kan zoeken op betekenis en toepassing in plaats van op exacte tekst: synoniemen herkennen, functionele omschrijvingen koppelen aan de juiste productklasse, en ook omgaan met een tikfout of een afwijkende schrijfwijze. Ook hier geldt dezelfde voorwaarde als bij de aanvragen per mail: dit werkt pas goed als de onderliggende kenmerken en classificatie van je artikelen kloppen. Een zoekfunctie kan geen verband leggen tussen "afsluiter" en een artikel dat in je systeem alleen een fabrieksnaam heeft en geen kenmerken.

Vervangende artikelen voorstellen bij niet-leverbaar

Een artikel is uitverkocht, uitgefaseerd door de fabrikant, of tijdelijk niet leverbaar — en de klant heeft het nu nodig. AI kan op basis van de vastgelegde kenmerken en relaties tussen artikelen een functioneel vergelijkbaar alternatief voorstellen: zelfde afmeting, materiaal en toepassing, ook al is het een ander merk of een opvolgend model. Dat scheelt de binnendienst het handmatig doorzoeken van het assortiment op zoek naar "iets wat hierop lijkt".

Ook deze toepassing staat of valt met de productdata eronder: alleen als kenmerken, classificatie en eventuele opvolgrelaties tussen artikelen zijn vastgelegd, heeft een systeem iets om op te matchen. En ook hier blijft de eindbeoordeling mensenwerk. Een alternatief dat op papier dezelfde specificaties heeft, is niet voor elke toepassing bij elke klant een geschikte vervanger. Een installateur die een onderdeel voor een specifieke machine bestelt, weet soms dingen over de toepassing die in geen enkele database staan. De binnendienst beoordeelt het voorstel, niet het systeem.

Offertes en prijsafspraken: waarom dit mensenwerk blijft

Veel technische groothandels werken met klantspecifieke prijsafspraken: staffelkortingen, jaarafspraken, uitzonderingen voor grote afnemers. AI kan hier ondersteunend werk doen: een offerte-concept samenstellen op basis van eerdere offertes aan dezelfde klant en de geldende staffel toepassen. Wijkt een gevraagde prijs af van wat er met die klant is afgesproken, dan signaleert het systeem dat. Dat scheelt de verkoper het uitzoekwerk en het overtypen van standaardregels.

De prijs zelf blijft mensenwerk. Prijsbepaling is waar de klantrelatie, de onderhandelingsruimte, de marge op dat moment en de concurrentiepositie samenkomen — factoren die vaak niet (volledig) in een systeem staan en die een verkoper of accountmanager tegen elkaar afweegt. AI kan wel een signaal geven: "deze offerte zit onder de gebruikelijke marge voor dit artikel". De beslissing om daarvan af te wijken, bijvoorbeeld om een grote order binnen te halen, hoort bij de mens die de klant kent. Hoe je het offerteproces zelf sneller maakt zonder die beslissing uit handen te geven, staat in sneller offreren met AI.

Voorraad en inkoop: signaleren, niet beslissen

AI kan patronen in verkoop- en voorraaddata herkennen die een mens over het hoofd ziet. Denk aan een artikel dat sneller uitverkocht raakt dan gebruikelijk, een seizoenspatroon dat vraagt om eerder bij te bestellen, of een leverancier die de laatste maanden structureel langzamer levert. Dat signaleren gebeurt continu, op een schaal die je bij duizenden artikelen met de hand niet bijhoudt.

De inkoopbeslissing zelf blijft bij de inkoper. Hoeveel je bijbestelt, bij welke leverancier en tegen welke voorwaarden, is een afweging die verder gaat dan de data die een systeem ziet. Soms houd je een leverancier bewust in de lucht ondanks een hogere prijs, of probeer je juist een nieuwe uit. AI levert het signaal, de inkoper weegt het af.

Een voorbeeld uit de praktijk

Geen echte klant, maar een bedacht voorbeeld waarin je je eigen situatie kunt herkennen. Neem een technische groothandel in bevestigingsmaterialen en installatieonderdelen. Dagelijks komen er tientallen aanvragen per e-mail binnen, vaak met een foto van een oud of afgebroken onderdeel of een bestellijst in een Excel-bestand.

Het bedrijf schoont eerst zijn artikeldatabase op: het voegt dubbele artikelen samen, vult ontbrekende specificaties aan op basis van fabrikantendata en maakt de omschrijvingen van verschillende leveranciers consistent. Pas daarna richt het een systeem in dat inkomende aanvragen leest, de foto's en bijlagen vergelijkt met het assortiment, en een concept-orderregel klaarzet. Een medewerker van de binnendienst beoordeelt de voorgestelde match, corrigeert waar nodig en bevestigt de order pas dan.

Wat dat per aanvraag oplevert, verschilt sterk per groothandel. Meet daarom eerst een week lang hoe lang het uitzoeken en overtypen per aanvraag nu duurt. Was dit bedrijf met het systeem begonnen vóórdat de artikeldata op orde was, dan had het vooral verkeerde matches en extra correctiewerk opgeleverd. De volgorde maakt hier het verschil tussen een systeem dat werkt en een systeem dat niemand vertrouwt.

Wat het oplevert, en onder welke voorwaarde

Een overzicht van de toepassingen hierboven, wat ze een technische groothandel opleveren, en de voorwaarde waaraan moet zijn voldaan voordat ze echt renderen:

AI in de technische groothandel: begin bij data, niet bij een chatbot

De rode draad door alle toepassingen hierboven is dezelfde: ze werken pas goed als de productdata eronder klopt. Neem een chatbot die klantvragen beantwoordt uit een rommelige artikeldatabase, een zoekfunctie die "slim" moet zoeken in inconsistente omschrijvingen, en een systeem dat vervangers voorstelt zonder vastgelegde kenmerken. Stuk voor stuk maken ze de onderliggende rommel zichtbaarder in plaats van dat ze hem oplossen. Daarom doet de volgorde er in deze sector meer toe dan in veel andere. Hoe groter het assortiment en hoe meer leveranciers, hoe eerder een gebrek aan structuur een AI-toepassing laat struikelen.

Begin daarom bij het opschonen en structureren van je artikeldata — bij voorkeur aansluitend op bestaande standaarden zoals ETIM, 2BA en GS1 in plaats van een eigen indeling te verzinnen. Kies daarna één toepassing die veel tijd kost, zoals het verwerken van e-mailaanvragen of het zoeken in de webshop, en bewijs de waarde daarvan voordat je uitbreidt. Dat sluit aan bij het stappenplan voor AI in het mkb: klein beginnen beperkt niet alleen het risico, maar dwingt ook tot de juiste volgorde. Reken vooraf door wat het opschonen en de gekozen toepassing moeten opleveren met de ROI van AI berekenen, en betrek daarin ook de tijd die het opschonen zelf kost.

De meeste van deze toepassingen vragen een koppeling tussen je webshop, je artikeldatabase, je mailbox en mogelijk je ERP-systeem (de software waarin voorraad, inkoop en facturatie samenkomen), zodat een aanvraag of een zoekopdracht automatisch de juiste systemen raakt. Workflow-automatisering zoals n8n wordt hier vaak voor ingezet; zie wat n8n-automatisering kan betekenen.

Voor een technische groothandel is productdata geen saai administratief zijspoor, maar het fundament waarop elke andere AI-toepassing rust. Begin daar, bewijs de waarde met één concrete toepassing, en bouw pas daarna verder. Twijfel je hoe je dit aanpakt of uitbesteedt, lees dan de gids voor het inhuren van een AI-expert. Op AI WorkTalent plaats je een opdracht en ontvang je voorstellen van specialisten. Contract en betaling lopen via het platform, en het budget komt pas vrij als de oplevering is goedgekeurd.