AI-agents voor ondernemingen staan voor een bekend probleem: de kloof tussen een gepolijste eerste demo en de factuur die volgt op een daadwerkelijk succesvolle implementatie. DeepFabric bracht drie maanden door met het overbruggen van die kloof samen met Kenco, waarbij zes agents werden overgezet naar live operaties op het gebied van commercie, operations, transport en klantenservice. Bij de Noord-Amerikaanse logistieke dienstverlener (3PL) zijn nu twintig agents voor de toeleveringsketen gepland voor de komende twaalf maanden.

De implementatieperiode van drie maanden steekt gunstig af tegen een bredere trend waarin veel AI-projecten nooit van de grond komen. Recent Gartner-onderzoek voorspelt dat meer dan 40 procent van de agentic-AI-projecten tegen het einde van 2027 wordt geannuleerd, als gevolg van oplopende kosten, onduidelijke bedrijfswaarde en onvoldoende risicobeheersing. Agents die de overgang van pilot naar productie overleven, blijven eerder uitzondering dan regel.

Het partnerschap begon met een inkomend telefoongesprek. Pal Narayanan, Chief Digital and Information Officer van Kenco, benaderde DeepFabric nadat hij het werk van het platform met andere partijen in de logistieke sector had gevolgd.

"Hij kende het soort werk dat we deden met andere 3PL's en andere toeleveringsketenteams, en hij kende de filosofie waarmee we werkten en hoe we het platform hadden gebouwd," aldus Kalyan Kommineni, oprichter en CEO van DeepFabric, in een interview met FreightWaves. "Hij had het gevoel dat we goed pasten bij de manier waarop Kenco naar AI kijkt en hoe Kenco nieuwe technologie inzet in hun omgevingen."

Beginnen met een bescheiden proof of concept

Succesvolle implementaties van AI-agents beginnen met bescheiden maar beheersbare startpunten: klein beginnen en snel bewegen.

"Ons doel is om een agent zo snel mogelijk met een minimum aan risico's in productie te nemen," zei Kommineni. "Voordat we er zelfs maar over nadenken om iemand als klant aan te nemen, tekenen we de NDA, nemen we hun data en laten we zien hoe de agent met hun data werkt. Dat geeft hun een gevoel van hoe hij in productie draait."

De fase van de proof of concept bestaat om te ontdekken wat er misgaat voordat een agent een live klantaccount aanraakt — een belangrijke waarborg, gezien de risico's van het bèta-testen van AI-agents in live operaties in plaats van in een gesloten, afzonderlijke digitale tweeling. Die aanpak beperkt mogelijke verstoring terwijl de agents worden verfijnd.

"Nu zal ik zeggen dat agents de hele tijd falen, maar wij zorgen ervoor dat dat in een niet-productieomgeving gebeurt," zei Kommineni.

Kenco heeft geen van die mislukkingen geabsorbeerd op weg naar productie. Alle zes agents gingen live zonder de service naar ook maar één klant te verstoren, aldus Chief Operating Officer David Caines.

Waarom het automatiseren van auditwerk een enorme winst was

De eigen structuur van de 3PL creëerde de kans. Kenco exploiteert 141 distributiecentra en 43 miljoen vierkante voet magazijnruimte verspreid over 33 Amerikaanse staten en Canada. Elke overdracht in dat netwerk is een document dat iemand moet controleren. Die documentenlast is een langdurig kenmerk van het 3PL-bedrijf, waarbij aanbieders tussen verladers en vervoersders zitten en het afstemmingswerk op zich nemen dat elke kant van de transactie genereert.

"Er is veel werk — handarbeid — bij audit," zei Kommineni. "Nogmaals, dit is geen goed werk. Dit is iets dat operators niet willen doen en dat ze liever naar een AI-agent zouden doorschuiven. Daarom zijn we heel goed geworden in het hele auditgedeelte. En audit is niet één ding. Er zijn verschillende soorten audits met verschillende partijen."

Bij een 3PL betekent dit dat het magazijn de vervoerder valideert, de vervoerder de klant en de klant het magazijn — elk een afzonderlijke afstemming met eigen papierwerk.

"Elke verbinding tussen deze schakels is een kans op mislukking, en we doen alles wat nodig is om ervoor te zorgen dat deze agents niet in productie falen," zei Kommineni.

De vracht-auditor is een van de drie meest ingezette agents van DeepFabric, naast de proposal manager en de inventory manager. Het bedrijf rapporteert een reductie van 45 procent op auditkosten en responstijden op request-for-proposals die met tot wel 30 procent zijn verkort.

De lat leggen voor agents in de toeleveringsketen

Bij benchmarking vinden de meeste kopers geen gemakkelijk antwoord, en de vraag wat te meten komt vóór de vraag wat te automatiseren. Kommineni ziet het als een vraag naar effectiviteit boven efficiëntie.

"Als 3PL, als bedrijf, of als team binnen een bedrijf: wat probeer je hier te bereiken?" zei hij. "Probeer je meer werk te doen met dezelfde mensen, of probeer je soms zelfs meer mensen toe te voegen om dan veel meer werk te doen? En soms is het: 'Hé, probeer je de arbeidsuren te verminderen?' Klanten hanteren dus verschillende invalshoeken. Daarvan hangen de KPI's af."

De meting verandert per agent: de proposal manager wordt beoordeeld op hoeveel meer biedingen een team nastreeft zonder extra personeel, terwijl een audit-agent wordt beoordeeld op handmatige uren per 100 facturen.

"KPI's zijn afhankelijk van de agent, maar we helpen onze klanten begrijpen wat de KPI's vóór de agent zijn, wat de baseline is, zetten de agent in, begrijpen wat het is nadat de agent is ingezet, en meten vervolgens de resultaten," zei Kommineni.

Zonder die baseline vóór de agent kan niets effectief worden gemeten.

Ergens in het midden bij modellen

Kopers moeten ook bepalen op welk model ze willen bouwen. Komminenies antwoord komt neer op een gebalanceerde aanpak.

"Er zijn hier twee tegenstellingen. Enerzijds: 'Er is één model dat alles kan.' Anderzijds: 'Weet je, twintig verschillende gepersonaliseerde modellen die ik ga inzetten in mijn omgeving voor mijn use cases.' Het antwoord ligt waarschijnlijk altijd ergens in het midden," zei hij.

DeepFabric routeert elke use case naar het model dat het beste past op capaciteit en prijs, en het bedrijf draagt de risico's die daarbij horen.

"Wij nemen het risico om dat alles te beheren. Wij nemen het risico van de token-economie. Wij nemen ook het risico van de uitvoering, zodat onze klanten niet hoeven na te denken over hetgene dat elke dag verandert," zei Kommineni.

Kenco maakt zelf onderscheid tussen de twee categorieën AI-investeringen die het financiert: agentic AI, dat taken uitvoert binnen vastgestelde kaders, en generatieve AI, dat content produceert en inzichten vindt. DeepFabric vormt de agentic laag, terwijl de teams van Kenco de goedkeuringsbevoegdheid over de output van agents behouden via inspectie- en overridepaden die in het platform zijn ingebouwd.

Kommineni herleidt de uitvoeringsgerichte instelling tot wat zijn team in een eerdere functie niet kon leveren. Als voormalig consultant zei hij dat uitvoering altijd een uitdaging was, ondanks het feit dat klanten een plan kregen.

"Maar met DeepFabric hebben we dat ter harte genomen als het om uitvoering gaat. We helpen je daadwerkelijk uit te voeren wat we als consultants zouden hebben voorgesteld, zodat je niet hoeft na te denken over: 'Hoe ga ik deze agents in productie uitvoeren,'" zei hij.

Voor de bredere markt is de uitrol een test van of agentic AI meetbaar productieterrain kan vasthouden in de logistiek — de resultaten op basis van baselines die Kenco en DeepFabric beschrijven, zullen zich al dan niet aandienen naarmate de geplande twintig agents de komende twaalf maanden worden uitgerold.

Het bericht DeepFabric lands Kenco as It scales supply chain agents verscheen eerst op FreightWaves.