L’Oréal heeft zes maanden lang in vier distributiecentra gemeten wat AI-agents van Manhattan Associates opleveren. Gemiddeld gaat het om ruim 1400 uur tijdwinst per distributiecentrum per jaar. Doorgetrokken naar het hele netwerk van 40 locaties komt de cosmeticaproducent uit op bijna 60.000 uur.
L’Oréal deelde de resultaten tijdens de jaarlijkse conferentie van Manhattan Associates in Milaan. Het bedrijf draait op het warehousemanagementsysteem (WMS) van Manhattan en was een van de eerste klanten die experimenteerde met de agentic AI-oplossing die de leverancier een jaar geleden introduceerde. Die bestaat uit standaard agents en een platform om zelf agents te bouwen. Dat platform, Manhattan Agent Foundry, is gebouwd met technologie van Google en wordt aangevuld met een marketplace voor agents van Manhattan en klanten.
De start ging snel. In zeven weken implementeerde L’Oréal zeven agents in zeven distributiecentra. Maar na twee maanden gooide het bedrijf het roer om. “Voor een definitieve ingebruikname, wilden we eerst meten welke waarde ze daadwerkelijk opleveren”, zegt Antoine Prat, wereldwijd verantwoordelijk voor fulfilment bij L’Oréal.
Zes maanden meten in vier landen
Daarvoor koos L’Oréal distributiecentra in Mexico, Frankrijk, Polen en Thailand. Per agent werden KPI’s en nullijnen vastgesteld, waarna de prestaties wekelijks in kaart werden gebracht.
Twee agents richten zich op wave planning, waarbij het WMS orders vrijgeeft voor orderpicking. De pre-wave agent voorspelt welke fouten kunnen optreden, bijvoorbeeld wanneer voorraad administratief beschikbaar is maar nog niet op de picklocatie ligt. De wave coordinator agent pakt problemen aan die toch ontstaan. In een van de best presterende distributiecentra daalde het aantal gedeselecteerde orders in drie maanden met 80 procent, terwijl de productiviteit van orderpickers steeg met 14 procent.
De replenishment monitor bundelt informatie voor het aanvullen van pickvoorraden en bespaart gemiddeld drie uur per dag per distributiecentrum. De cycle count booking cockpit adviseert of een afwijkende voorraadtelling moet worden geaccepteerd, afgewezen of herteld. Bij locaties met een hoge voorraadnauwkeurigheid levert die agent echter weinig op, terwijl op één locatie de tijd tussen telling en verwerking in het WMS met 70 procent afnam.
Lees ook: Wat is een AI-agent en wat heb je eraan als bedrijf?
Van inzicht naar autonoom handelen
Opgeteld komt L’Oréal uit op ruim 1400 uur per distributiecentrum per jaar en met 40 van zulke distributiecentra op bijna 60.000 uur. Łukasz Kierzkowski, verantwoordelijk voor het WMS in een van de betrokken dc’s, noemt dat een ruwe schatting. “En dat we 60.000 uur per jaar besparen, betekent niet automatisch dat we ook op kosten besparen.”
In de praktijk vertaalt zo’n tijdsbesparing zich namelijk zelden direct in minder personeel. De winst zit vooral in het voorkomen van ad-hoc herstelwerkzaamheden, het wegwerken van bottlenecks en minder piekbelasting voor supervisors. Medewerkers verliezen minder tijd aan het handmatig rechttrekken van vastgelopen orders en kunnen zich focussen op uitzonderingen waar menselijk ingrijpen wel noodzakelijk blijft.
Daarmee markeert de stap van L’Oréal een fundamentele verschuiving van generatieve AI naar agentic AI. Waar traditionele generatieve AI vooral helpt bij het samenvatten van data of het schrijven van teksten, gaat een AI-agent een stap verder door proactief te handelen. In plaats van passief wachten tot een planner een dashboard opent, grijpt de agent zelfstandig in op het WMS om verstoringen op de vloer voor te blijven.
Die overgang naar actiegerichte software verloopt in de markt echter traag. Gartner rekent agentic AI tot de belangrijkste supply chain-trends van 2026. Toch zetten veel organisaties AI nog altijd voornamelijk in voor inzichten achteraf en niet voor autonome besluitvorming. Gebrek aan gespecialiseerde vaardigheden, onzekerheid over de werkelijke ROI en matige datakwaliteit vormen in de praktijk nog forse barrières.
Adoptie vraagt begeleiding
Ook over de invoering leerde L’Oréal het nodige. Alleen een link met uitleg rondsturen bleek onvoldoende. Sommige medewerkers durfden bijvoorbeeld niet te vragen waarom een agent anders werkte dan verwacht. In de tweede fase richtte het bedrijf zich daarom op proceseigenaren en concrete operationele problemen. Stakeholders met diepgaande kennis van de lokale werkvloer hielpen gebruikers op weg. Daarnaast ging L’Oréal op basis van het Manhattan-platform eigen agents bouwen, omdat het aantal agents minder belangrijk bleek dan de specifieke problemen die ze oplossen.
De overige 36 distributiecentra kregen ondertussen ook toegang. Op de vier proeflocaties groeide het aantal gebruikers van 44 naar 62. Wereldwijd zijn dat er inmiddels 239, van wie dagelijks minimaal 200 de agents daadwerkelijk inzetten.