AI binnen horeca-inkoop gaat een deel van het handmatige werk overnemen. En dat is wat mij betreft vooral een goede ontwikkeling.
Facturen uitlezen, honderden artikelregels verwerken, prijzen categoriseren en afwijkingen signaleren: daar hoeven we steeds minder tijd aan kwijt te zijn.
Maar stel dat AI je morgen vertelt:
“De inkoopprijs van deze productcategorie is de afgelopen zes maanden met 8% gestegen.”
Dan weet je iets interessants.
Maar nog niet waarom de prijs is gestegen. Niet welke producten verantwoordelijk zijn voor het verschil. Niet of de stijging verklaarbaar is. En vooral: niet wat je eraan moet doen.
AI kan steeds beter aangeven waar je moet kijken. De echte inkoopvraag begint daarna: wat betekent het en welke actie levert iets op?
Wat kan AI binnen horeca-inkoop al automatiseren?
Binnen horecabedrijven komt steeds meer inkoopinformatie digitaal beschikbaar.
Bestellingen lopen via bestelplatformen, facturen worden digitaal verwerkt en recepturen kunnen worden gekoppeld aan actuele inkoopprijzen. Daardoor wordt het steeds eenvoudiger om grote hoeveelheden data automatisch te analyseren.
Welke systemen hiervoor beschikbaar zijn, lees je in mijn overzicht van horecasoftware die koppelt met je groothandel.
AI en software kunnen bijvoorbeeld helpen met:
> facturen uitlezen en verwerken
> artikelen automatisch categoriseren
> prijswijzigingen signaleren
> afgesproken prijzen controleren
> inkoopvolumes per categorie analyseren
> afwijkingen tussen periodes vinden
> inkoopprijzen koppelen aan recepturen en foodcost.
Vooral bij grote hoeveelheden data levert dat veel op.
Want waarom zou iemand iedere maand honderden regels handmatig controleren als software kan aangeven welke tien regels aandacht verdienen?
Van honderden regels naar de afwijkingen die geld kosten
Daar wordt automatisering voor mij echt interessant.
Stel dat een horecabedrijf jaarlijks €600.000 aan food en non-food inkoopt. Binnen één productcategorie stijgen verschillende prijzen.
Een systeem kan die stijging automatisch signaleren.
Maar niet iedere afwijking is even belangrijk.
Een prijsstijging van 15% op een artikel waarvan je jaarlijks €500 koopt, kost €75 extra.
Een prijsverschil van 4% binnen een categorie waarin je jaarlijks €100.000 inkoopt, gaat daarentegen om €4.000.
De grootste procentuele afwijking is dus niet automatisch de belangrijkste afwijking.
Je wilt vooral weten waar prijsverschil en volume samen financieel relevant worden.
En juist daar kan de combinatie van automatisering en inkoopkennis sterk worden: software zoekt de afwijkingen, waarna je alleen nog onderzoekt wat daadwerkelijk aandacht verdient.
Een prijsafwijking vinden is nog geen inkoopbeslissing
Stel dat software signaleert dat een product 12% duurder is geworden.
Wat doe je vervolgens?
Misschien is de grondstofprijs sterk gestegen. Misschien is een prijsafspraak afgelopen. Misschien is de verpakking veranderd. Of misschien is er inmiddels een vergelijkbaar product of een andere leverancier waarmee scherper kan worden ingekocht.
Juist daarom is het belangrijk om prijsafspraken structureel te controleren en afwijkingen niet pas maanden later te ontdekken.
Tegelijkertijd zou ik nooit uitsluitend op het percentage sturen.
Je wilt onder andere weten:
> hoeveel je jaarlijks van het product afneemt
> waardoor het verschil is ontstaan
> welke afspraken met de leverancier gelden
> welke alternatieven beschikbaar zijn
> wat een verandering betekent voor kwaliteit en operatie
> en hoeveel de mogelijke verbetering uiteindelijk op jaarbasis oplevert.
Pas daarna kun je bepalen of je moet onderhandelen, een alternatief moet testen, een andere leverancier moet onderzoeken of simpelweg niets moet doen.
AI heeft data. Maar heeft het ook de juiste context?
Dat is een belangrijk verschil.
Stel dat je €10,50 per kilo betaalt voor een bepaald vleesproduct.
Is dat een goede prijs?
€10,50 zegt op zichzelf vrijwel niets.
Welke specificatie koop je? Welke kwaliteit? Hoeveel kilo neem je jaarlijks af? Welke verpakking gebruik je? Welke leverancier levert het? Welke bonus of andere condities zijn afgesproken? En welke vergelijkbare producten zijn elders beschikbaar?
Om een prijs echt te beoordelen heb je dus meer nodig dan alleen de factuurregel.
Je hebt context én relevante vergelijkingsinformatie nodig.
En zelfs als een alternatief goedkoper is, betekent dat niet automatisch dat overstappen verstandig is.
Kwaliteit, leverbetrouwbaarheid, logistiek, assortiment, service en commerciële afspraken kunnen allemaal onderdeel zijn van de uiteindelijke keuze.
Daar zit voor mij het verschil tussen data analyseren en inkopen.
De technologie helpt je sneller bij de juiste vraag uit te komen. Inkoopkennis bepaalt vervolgens wat je met het antwoord doet.
Wat betekent dit voor de horecaondernemer?
Voor horecaondernemers zie ik vooral kansen.
Naarmate deze technologie zich verder ontwikkelt, zal er steeds minder tijd nodig zijn voor het handmatig verzamelen en controleren van informatie.
In plaats daarvan kan software continu meekijken.
Software kan dan veel gerichter signaleren:
> Waar stijgen prijzen?
> Waar wijken afspraken af?
> Welke categorie groeit opvallend hard?
> Waar verandert de foodcost?
> Welke afwijkingen hebben financieel de meeste impact?
Dat maakt het mogelijk om veel gerichter met inkoop bezig te zijn.
Niet één keer per jaar wanneer de leverancier langskomt voor een nieuw gesprek, maar op het moment dat de data daar aanleiding toe geeft.
Betekent AI dat inkoopadvies verdwijnt?
Een deel van het traditionele werk zal zeker veranderen.
Handmatig facturen overtypen, Excel-bestanden samenvoegen en honderden regels één voor één controleren levert steeds minder toegevoegde waarde als technologie dat sneller kan.
Dat vind ik juist positief.
Want uiteindelijk zit de waarde van inkoop niet in het verzamelen van zoveel mogelijk cijfers.
De interessante vragen komen daarna.
Welke afwijking is belangrijk genoeg om actie op te ondernemen?
Hoe verhouden prijzen en condities zich tot andere mogelijkheden?
Waar zit onderhandelingsruimte?
Welke leverancier past bij de organisatie?
Wanneer zet je een categorie opnieuw in de markt?
En wanneer kun je beter niets veranderen?
Daarvoor heb je naast data ook kennis nodig van producten, leveranciers, condities en de foodservicemarkt.
De toekomst van horeca-inkoop: minder controleren, beter beslissen
Ik verwacht daarom niet dat AI horeca-inkoop simpelweg gaat overnemen.
Ik verwacht vooral dat het voorwerk steeds verder verdwijnt.
Software controleert continu. AI analyseert grote hoeveelheden informatie. Afwijkingen komen automatisch naar boven.
Daardoor blijft meer tijd over voor het gedeelte waar inkoop daadwerkelijk waarde toevoegt:
de juiste beslissing nemen.
Onderhandelen. Een alternatief testen. Een categorie opnieuw bekijken. Een leverancier vergelijken. Een afspraak aanpassen.
Of bewust besluiten dat er helemaal niets hoeft te veranderen.
De vraag wordt daarom steeds minder:
“Hoe controleer ik al mijn inkoop?”
En steeds meer:
“Waar moet ik naar kijken en wat moet ik ermee doen?”
Veelgestelde vragen over AI en horeca-inkoop
Kan AI inkoopfacturen controleren?
Ja. AI en software kunnen facturen uitlezen, artikelen herkennen, prijzen vergelijken en afwijkingen signaleren. De kwaliteit van de analyse hangt wel af van de beschikbare data en de manier waarop artikelen en afspraken zijn vastgelegd.
Welke onderdelen van horeca-inkoop kun je automatiseren?
Vooral repeterende en datagedreven werkzaamheden lenen zich voor automatisering. Denk aan factuurverwerking, categorisering, prijsmonitoring, analyse van inkoopvolumes en het signaleren van afwijkingen.
Kan AI bepalen of een inkoopprijs goed is?
Niet op basis van alleen een losse prijs. Productspecificatie, kwaliteit, volume, verpakking, condities en relevante vergelijkingsinformatie zijn nodig om een prijs goed te kunnen beoordelen.
Gaat AI een inkoper of inkoopadviseur vervangen?
AI kan een steeds groter deel van het analyse- en controlewerk automatiseren. Beslissingen over leveranciers, assortiment, onderhandelingen, alternatieven en implementatie vragen daarnaast om commerciële context en inkoopkennis.
Benieuwd waar er ruimte zit in jouw inkoop?
AI en software kunnen steeds beter aangeven waar afwijkingen zitten. Maar uiteindelijk draait het om de vraag welke afwijkingen voor jouw organisatie daadwerkelijk relevant zijn.
Wil je weten waar er mogelijk ruimte zit in jouw huidige inkoop?
Stuur mij één recente inkoopfactuur.
Ik controleer vrijblijvend een selectie van je inkoopprijzen en kijk waar opvallende verschillen of mogelijke besparingskansen zichtbaar zijn.
Je krijgt binnen 48 uur een onafhankelijke eerste beoordeling van je inkoop en waar mogelijk ruimte zit.
✓ Vrijblijvende eerste controle
✓ Persoonlijke terugkoppeling binnen 48 uur
✓ Je factuur wordt vertrouwelijk behandeld
✓ Geen verplicht vervolgtraject
Jurrien Koelewijn is onafhankelijk inkoopadviseur en oprichter van Spectofood. Hij ondersteunt horeca, catering en maaltijdproducenten bij het analyseren van inkoopdata, beoordelen van leveranciers en prijsafspraken en het verbeteren van inkoop en marge.