Intodata Nederland BV · Klantcase Royal Koopmans – Lobster Data Platform
Van Inbox naar ERP in Seconden
Hoe Royal Koopmans met AI en het Lobster Data Platform een dagelijkse stroom ongestructureerde emails omzet in geautomatiseerde Oracle JD Edwards orders.
Het Probleem: Menselijke Interpretatie Schaalt Niet
Koopmans is een van de meest iconische voedingsmiddelenproducenten van Nederland, al sinds 1846 producent van bakmixen en ingrediënten. Hun klanten plaatsen orders per e-mail. Dat klinkt eenvoudig. In de praktijk is het dat allesbehalve.
Er is geen standaardformat. Elke bakkerij schrijft anders. De ene stuurt een formele lijst met productcodes; de andere typt “2 zakken zelfrijzend en een doos cakebeslag voor vrijdag.” Medewerkers moeten uitzoeken welk klantnummer dat is, welke producten bij die omschrijvingen horen, wat het afleveradres moet zijn — en dat vervolgens voor elke order, elke dag opnieuw, handmatig invoeren in JDE.
“Meerdere orders per dag. Elk één met menselijke interpretatie. Dit schaalt niet.”
— Intodata, Data Summit X Rotterdam, maart 2026
De verborgen kosten stapelen snel op: medewerkeruren voor repetitieve gegevensinvoer, fouten door verkeerd gelezen productnamen of onduidelijke hoeveelheden, langzamere orderbevestiging voor bakkersklanten, en een operatie die simpelweg niet kan groeien zonder meer mensen aan te nemen.
De Oplossing: Een AI Pipeline op Lobster
Samen met Koopmans bouwden we een volledig geautomatiseerde orderverwerking met het Lobster Data Platform een bewezen integratie- en automatiseringsplatform dat Intodata intensief inzet voor data-engineering in logistiek, food en manufacturing. Lobster verzorgt de koppeling van systemen, orkestratie van workflows en beheer van datastromen; wij voegden daar AI-redenering aan toe voor alles wat voorheen “menselijk oordeel” vereiste.
Het resultaat: een vijfstaps ai pipeline die een ruwe, ongestructureerde e-mail omzet in een gevalideerde, voltooide order in Oracle JD Edwards.
De Koopmans Order AI — 5-Staps Pipeline
1 Data Inlezen Lobster leest automatisch de inkomende mailbox uit | › | 2 Klantbepaling Lobster bevraagt JDE om de afzender te koppelen aan een klantrecord | › | 3 Productbepaling Lobster raadpleegt de JDE-productcatalogus voor overeenkomstige artikelen | › | 4 AI-redenering LLM interpreteert de e-mail, lost ambiguïteit op en structureert de order | › | 5 Order Aanmaken Lobster schrijft de gevalideerde order naar JDE |
Waarom Lobster?
Het Lobster Data Platform is precies gebouwd voor dit soort operationele integratie. Het sluit aan op ERP-systemen zoals Oracle JD Edwards, beheert mailbox ingestion en orkestreert meerstappen workflows betrouwbaar in productieomgevingen. Bij Intodata is Lobster een van onze kernplatformen voor data-engineering in supply chain en manufacturing — robuust, auditeerbaar en in staat de volume- en betrouwbaarheidseisen van enterprise-operaties te verwerken. De AI redeneringslaag zit binnen de Lobster-workflow, wat monitoring, aanpassing en governance eenvoudig maakt.
Wat “AI-redenering” in de Praktijk Betekent
De stap die wij “AI Redenering” noemen in het pipelinediagram is waar het echte werk plaatsvindt en het loont de moeite precies te zijn over wat dat inhoudt, want dit is de laag die vervangt wat ervaren orderdesk-medewerkers vroeger deden.
Met een klantnummer en een uit JDE opgehaalde product catalogus ontvangt het AI-model de volledige email tekst. Het model bepaalt: welke producten de klant bestelt, in welke hoeveelheden, naar welk afleveradres, op basis van informele taal, afkortingen en onvolledige verwijzingen. De uitvoer is een gestructureerd JSON-object met klantnummer, afleveradres, artikelnummers en hoeveelheden. Die output gebruikt Lobster vervolgens gebruikt om de order in JDE aan te maken.
Dit werkt omdat moderne LLMs uitzonderlijk goed zijn in dit soort contextuele interpretatie. Ze verwerken informeel Nederlands, productnaamvarianten, onduidelijke hoeveelheden en verkorte verwijzingen met hoge nauwkeurigheid, zeker wanneer ze de juiste context (oa. de product catalogus) krijgen om tegen te redeneren.
Praktisch detail: De output van de AI is bewust eenvoudig gehouden: één JSON-object met vaste velden. Daardoor kan Lobster het resultaat direct verwerken zonder extra parsing-logica, en zijn eventuele fouten onmiddellijk zichtbaar en corrigeerbaar.
De Business Case: Direct en Cumulatief Rendement
Operationele Voordelen
| Strategische Voordelen
|
Elke geautomatiseerde order is een handmatige taak die permanent verdwijnt. Anders dan bij veel technologie-investeringen waarbij het rendement pas na kwartalen zichtbaar wordt, is dit rendement per direct merkbaar. Elke automatisch verwerkte order is tijd die voorheen werd besteed door een medewerker.
AI Bouwen die Echt Werkt in Productie
Er is een belangrijk verschil tussen een AI-demo en een AI-systeem dat betrouwbaar draait in productie. De meeste demo’s werken. De meeste productiesystemen, gebouwd zonder de juiste fundamenten, falen uiteindelijk op schaal. Bij Intodata hanteren we een negenlaags raamwerk om te zorgen dat AI-implementaties duurzaam zijn.
Het 9-Laags Productie-AI Raamwerk — Toegepast bij Koopmans
| 1 | Observability Volledige traceerbaarheid & monitoring — elke stap gelogd, elke fout zichtbaar, elke beslissing auditeerbaar |
| 2 | Kosten & Latency Prestatieoptimalisatie — de pipeline voltooit snel genoeg voor real-time orderverwerking |
| 3 | Governance Beveiliging, compliance & audit — volledige traceerbaarheid van elke orderbeslissing voor AVG en audit |
| 4 | Memory & State Sessie- en orderstatusopvolging — ordercontext bewaard over alle pipelinestappen |
| 5 | Orkestratie Agentische workflowsequentiëring — Lobster beheert de vijfstaps pipeline end-to-end |
| 6 | Retrieval RAG & dynamische dataopzoeking — JDE-productcatalogus op runtime opgehaald per order |
| 7 | Voorbereiding Parsing, normalisatie & verrijking — klant- en productdata als context klaargemaakt voor de AI |
| 8 | Extractie Dataconnectoren & ingestie — Lobster leest de mailbox en haalt data op uit JDE |
| 9 | Modellen LLMs & AI-redeneerengines — de intelligentielaag die ongestructureerde e-mails interpreteert |
Je kunt geen lagen overslaan. Teams die de fundamentele lagen niet implementeren, door bijvoorbeeld data-voorbereiding, governance of observability weg te laten, bouwen systemen die in test werken maar in productie falen. De Koopmans-implementatie adresseerde alle negen lagen; daarom draait het vandaag betrouwbaar op schaal.
Wat Dit Betekent Buiten Koopmans
Het patroon dat we voor Koopmans bouwden, is niet specifiek voor email orders of Oracle JD Edwards. Dezelfde aanpak is toepasbaar overal waar mensen informele of ongestructureerde communicatie vertalen naar gestructureerde systeemvermeldingen. Lobster orchestreert data-ingestie en ERP-interactie, AI verzorgt de interpretatie van ongestructureerde invoer Ook voor inkomende documenten, zoals PDF’s, of WORD documenten.
Denk aan inkomende inkooporder-e-mails in de groothandel, verzendinstructie-e-mails in de logistiek, of serviceverzoek-e-mails in de productie. Elk proces waarbij iemand een e-mail leest en data invoert in een systeem, is in principe een kandidaat voor dit type automatisering. Het infrastructuurpatroon is gelijk; de AI-context verandert.
Voor Koopmans is dit project ook het fundament voor bredere AI-adoptie. Dezelfde infrastructuur ondersteunt toekomstige uitbreidingen naar WhatsApp-orders, gespreksopnamen en andere invoerkanalen. Zodra de pipeline bestaat, is uitbreiden aanzienlijk eenvoudiger dan opnieuw beginnen.
Herkenbaar voor uw organisatie?
Als uw team handmatig ongestructureerde orders, verzoeken of communicatie verwerkt naar een ERP of backofficesysteem, praten we graag. We kunnen u een live demo laten zien van de Koopmans-workflow in Lobster.
Over Intodata
Wij helpen organisaties hun datafundament op orde te brengen. Niet als leverancier die het voor je doet en vertrekt, maar als sparringpartner die meebouwt en zorgt dat jij het zelf begrijpt én kunt doorontwikkelen.
Want het doel is niet afhankelijkheid. Het doel is eigenaarschap.
FAQ
Moet ik altijd de negen lagen toepassen?
Ja, neem altijd alle lagen mee wanneer je een AI oplossing bouwt. Dat een bepaalde laag in sommige oplossingen niet ingevuld wordt kan voorkomen, maar dat moet dan in het ontwerp worden meegenomen. De bovenste lagen moeten altijd worden meegenomen voor een produktie oplossing.
Heb ik altijd AI nodig in mijn workflow?
Dat hangt af van de use case. Als er gestructureerde informatie binnenkomt, in bijvoorbeeld een excel-bestand dat heb je geen LLM nodig om de context te bepalen, je kunt dan de excel direct met Lobster verwerken om automatisch orders aan te maken in het ERP systeem.
Werkt dit alleen voor Oracle JD Edwards?
Het patroon is ERP-onafhankelijk. Het Lobster Data Platform heeft native connectoren voor een breed scala aan ERP-systemen, waaronder SAP, Microsoft Dynamics, AFAS, Exact en andere gangbare pakketten. De AI-redeneringslaag werkt ongeacht het onderliggende systeem — zolang Lobster er data uit kan ophalen en naar kan terugschrijven, kan het patroon worden toegepast.
Voor Koopmans was de keuze Oracle JD Edwards. Bij een ander bedrijf kan dat SAP Business One zijn, of een branchespecifiek ERP. De aanpak verandert niet wezenlijk.
Wat als de AI een order verkeerd interpreteert?
Dit is precies waarom observability en governance (lagen 1 en 3 in ons raamwerk) niet optioneel zijn. Elke beslissing die de AI neemt wordt gelogd — welke e-mail binnenkwam, welke klant en producten werden herkend, en welke order aangemaakt werd. Fouten zijn daardoor direct zichtbaar en herleidbaar.
In de praktijk zijn er twee vangnetten: ten eerste worden orders aangemaakt op een specifieke status in JDE, zodat een medewerker ze nog kan controleren voor definitieve verwerking. Ten tweede signaleert de pipeline automatisch wanneer de AI een lage betrouwbaarheidsscore heeft — bijvoorbeeld bij een volledig onbekend product of een onduidelijk klantnummer — en escaleren die orders naar een menselijke review in plaats van automatisch door te lopen.
Hoe lang duurt implementatie?
Dat hangt sterk af van de staat van uw datalandschap en de complexiteit van uw ERP-omgeving. Voor Koopmans waren de voornaamste stappen: aansluiting op de mailbox en JDE via Lobster, opbouw van de AI-promptlogica met de productcatalogus als context, testen met historische e-mails, en inrichting van monitoring en governance.
Als vuistregel geldt: een goed voorbereide implementatie in een stabiele ERP-omgeving is realiseerbaar in vier tot acht weken.
Een Data Efficiency Assessment vooraf — waarbij we uw applicatielandschap in kaart brengen — verkort de doorlooptijd doordat we geen tijd verliezen aan verkenning tijdens de bouw.
Wat kost Lobster en wie beheert het?
Lobster werkt met een licentiemodel dat schaalt met het gebruik. Intodata levert de implementatie en kan ook het beheer op zich nemen als managed service, inclusief monitoring, updates en uitbreidingen. Dat past precies in onze strategische richting naar managed services en terugkerende contracten, waarbij u niet telkens opnieuw hoeft te investeren in kennis die bij ons al aanwezig is.
Werkt dit ook voor WhatsApp of telefoon?
Ja, dat is precies de reden waarom we dit beschrijven als een fundament en niet als een eindpunt. De AI-redeneringslaag maakt niet uit hoe de tekst binnenkomt. Zodra een WhatsApp-bericht of een getranscribeerd telefoongesprek als tekst beschikbaar is, kan dezelfde pipeline het verwerken.
Voor Koopmans is uitbreiding naar WhatsApp-orders al onderdeel van de roadmap. De infrastructuur hoeft daarvoor niet opnieuw gebouwd te worden — alleen stap 1 wordt uitgebreid met een extra kanaal.
Relevant buiten food en manufacturing?
Absoluut. Het herkenbare patroon is: een mens leest een bericht en typt data over in een systeem. Dat proces bestaat in vrijwel elke branche:
Logistiek — verzendinstructies per e-mail omzetten naar een TMS of WMS.
Groothandel — inkooporders van klanten verwerken zonder EDI-koppeling.
Technische dienstverlening — servicemeldingen en onderhoudsverzoeken registreren in een ERP of CMS.
Zakelijke dienstverlening — offerteaanvragen en opdrachten vastleggen in een CRM.
Als uw team dit dagelijks doet, is de kans groot dat automatisering loont.
Wat hebben we intern nodig?
Minder dan u verwacht. U heeft geen AI-team of data science capaciteit nodig. Wat wél helpt:
Toegang tot uw ERP — zodat Lobster klant- en productdata kan ophalen en orders kan terugschrijven.
Een mailbox of ander invoerkanaal — de bron van de ongestructureerde berichten.
Een projectcontact — iemand die de businesslogica kent (welke uitzonderingen bestaan, wat mag automatisch en wat niet).
De technische implementatie, AI-inrichting, monitoring en beheer verzorgt Intodata.
