AI dla logistyki i magazynu: prognozy, routing i automatyzacja dokumentów

W projektach logistycznych regularnie widzimy ten sam wzorzec: firma słyszała, że „AI zoptymalizuje cały łańcuch dostaw”, a po rozmowie okazuje się, że najwięcej czasu ludzie tracą na przepisywanie CMR-ów do systemu i na ręczne segregowanie maili od przewoźników. To nie jest porażka — to dobra wiadomość. Te wąskie, powtarzalne zadania AI rozwiązuje uczciwie i przewidywalnie. Trudniejsze obszary, jak prognoza popytu na sezon, dają wartość tylko z jasno nazwanym marginesem błędu i człowiekiem, który podejmuje ostateczną decyzję. Poniżej rozkładamy cztery zastosowania na czynniki pierwsze: co działa, z jaką dokładnością i gdzie kończy się rola modelu.

Prognoza popytu to obszar, w którym najłatwiej obiecać za dużo. Model uczy się z historii sprzedaży, sezonowości, promocji i kalendarza, żeby przewidzieć zapotrzebowanie na poziomie SKU albo grupy produktów. Dla stabilnych, szybko rotujących pozycji z 18-24 miesiącami czystej historii realna dokładność (mierzona jako odsetek trafień w przedział tolerancji, np. ±15%) mieści się zwykle w przedziale 75-90%. Dla pozycji wolnorotujących, nowych produktów albo asortymentu mocno zależnego od pojedynczych dużych klientów spada do 50-70% i żaden model tego nie naprawi — po prostu brakuje sygnału.

Dlatego prognoza nie jest decyzją, tylko wejściem do decyzji. Planista dostaje liczbę razem z przedziałem ufności i listą czynników, które najmocniej wpłynęły na wynik. To jest miejsce na nadzór człowieka: model nie wie o zapowiedzianej promocji konkurencji ani o tym, że największy klient zmienia dostawcę. Uczciwe wdrożenie pokazuje niepewność, a nie chowa ją za jedną ładną liczbą.

Drugi obszar to porządkowanie strumienia zleceń: które wysłać pierwsze, które połączyć w jedną trasę, które oznaczyć jako zagrożone niedotrzymaniem terminu. Tu AI nie wymyśla tras od zera (to robią dedykowane solvery optymalizacyjne), tylko czyta kontekst zlecenia i nadaje mu priorytet oraz kategorię. Działa to jak klasyfikator wieloetykietowy: dla każdego zlecenia ustala pilność, typ ładunku, ryzyko opóźnienia i to, czy wymaga uwagi człowieka.

Sygnały, które model czyta: zadeklarowane okno dostawy względem aktualnego czasu, historia opóźnień na danej relacji, status magazynowy (czy towar jest skompletowany), tier klienta z systemu, dni do końca SLA. Na tej podstawie agent kieruje zlecenie do właściwej kolejki — pilne do dyspozytora dyżurnego, standardowe do automatycznej awizacji, niejasne do ręcznej weryfikacji. Kluczowa zasada, którą powtarzamy przy każdym wdrożeniu: koszt błędnego zdeprioretyzowania pilnego zlecenia jest znacznie wyższy niż koszt fałszywego alarmu. Próg czułości ustawiamy więc asymetrycznie — wolimy, żeby człowiek odrzucił kilka nadgorliwych eskalacji, niż żeby system przeoczył jedną realnie pilną dostawę. Szerzej rozkładamy ten mechanizm w tekście o klasyfikacji i routingu zgłoszeń.

To zwykle najszybszy zwrot z inwestycji w logistyce. Listy przewozowe, CMR-y, faktury od przewoźników, awiza i potwierdzenia dostaw przychodzą jako skany, zdjęcia z telefonu kierowcy albo PDF-y różnej jakości. Ktoś musi przepisać z nich numery, daty, wagi, kwoty i numery zleceń do systemu. OCR odczytuje tekst z obrazu, a warstwa ekstrakcji danych zamienia surowy tekst w ustrukturyzowane pola, które trafiają wprost do TMS lub ERP.

Realna dokładność zależy od jakości źródła. Czyste, ustandaryzowane dokumenty (drukowane faktury, PDF-y systemowe) osiągają 95-99% poprawnie odczytanych pól. Zdjęcia z telefonu, ręczne dopiski, pieczątki i pogniecione papiery spadają do 80-92% — i tu właśnie potrzebny jest mechanizm pewności: każde pole z niskim confidence trafia do szybkiej weryfikacji człowieka zamiast cicho wejść do systemu z błędem. Przy kwotach na fakturach i wagach na CMR-ach jeden zły znak to realny koszt, więc pola finansowe i ilościowe weryfikujemy ostrzej niż opisowe. Dobra praktyka: ekstraktor nigdy nie nadpisuje danych w systemie automatycznie dla pól krytycznych — proponuje wartość, a człowiek zatwierdza jednym kliknięciem.

Czwarty obszar to skrzynka operacyjna: maile od przewoźników, klientów i magazynu, które dziś ktoś ręcznie czyta i rozdziela. „Gdzie jest moja przesyłka”, „awizacja na jutro”, „uszkodzenie towaru”, „reklamacja”, „zmiana adresu dostawy” — każda z tych kategorii idzie do innego zespołu i ma inną pilność. Klasyfikator czyta treść, wykrywa język, ocenia pilność i sentyment, a następnie kieruje wiadomość dalej, czasem z gotową propozycją odpowiedzi opartą o bazę wiedzy.

Pod spodem często pracuje router, który dobiera model do trudności zadania — prosty mail klasyfikuje tani, szybki model, a niejednoznaczny przekazuje mocniejszemu. To samo podejście, które stosujemy w automatyzacji obsługi klienta i w projektach dla firm usługowych. Tu również obowiązuje twarda granica: zgłoszenia o uszkodzeniach, reklamacje i sprawy z silnie negatywnym sentymentem zawsze widzi człowiek, a auto-odpowiedź wysyłamy tylko dla wąskiego pasma rutynowych, weryfikowalnych pytań (status, godziny, procedura).

Spinając te cztery obszary, łatwo zobaczyć wzorzec. AI dobrze radzi sobie z odczytem, klasyfikacją i przygotowaniem decyzji. Człowiek zostaje tam, gdzie błąd jest kosztowny lub nieodwracalny, a kontekst wykracza poza dane historyczne. Konkretnie: zatwierdzanie prognoz dla pozycji o dużej wartości, ostateczna decyzja przy zleceniach z konfliktem priorytetów, weryfikacja pól finansowych i wagowych z dokumentów oraz każda sprawa oznaczona niskim confidence albo silnym negatywnym sentymentem.

Wdrożenie prowadzimy etapowo: najpierw tryb cienia (shadow), w którym model proponuje, a ludzie decydują i porównują, przez 4-8 tygodni. Dopiero gdy metryki — trafność, odsetek korekt, czas obsługi — są stabilne, automatyzujemy najpewniejsze, najniższego ryzyka kategorie, a resztę zostawiamy ludziom. To podejście jest mniej efektowne niż „AI przejmuje magazyn”, ale jest uczciwe i daje wynik, który się utrzymuje.

Dla stabilnych, szybko rotujących pozycji z 18-24 miesiącami historii realny zakres trafień w przedział ±15% to zwykle 75-90%. Dla nowych produktów i pozycji wolnorotujących spada do 50-70%, bo brakuje sygnału w danych. Dlatego prognozę traktujemy jako wejście do decyzji planisty z jawnym przedziałem ufności, a nie jako gotową liczbę do automatycznego zamówienia.

Nie w sensie pełnej optymalizacji — od liczenia tras są dedykowane solvery i systemy TMS. AI w tym kontekście czyta kontekst zlecenia i nadaje mu priorytet, kategorię oraz ryzyko opóźnienia, czyli porządkuje strumień przed planowaniem. To rola klasyfikatora i agenta routującego, a nie zamiennika dla planisty tras.

Na czystych, drukowanych dokumentach poprawność pól sięga 95-99%, ale przy zdjęciach z telefonu, pieczątkach i odręcznych dopiskach spada do 80-92%. Dlatego każde pole dostaje wynik pewności i te z niskim confidence trafiają do szybkiej weryfikacji człowieka, zamiast cicho wejść do systemu. Pola finansowe i wagowe weryfikujemy ostrzej niż opisowe, bo tam pojedynczy błędny znak realnie kosztuje.

Dla wąskiego pasma czystych, ustandaryzowanych dokumentów — w dużej mierze tak. Dla całości strumienia nie polecamy pełnej automatyzacji pól krytycznych: ekstrakcja danych proponuje wartości, a człowiek zatwierdza jednym kliknięciem te, które mają niskie confidence. Realny cel to odciążenie zespołu o 30-60%, a nie zero kontroli ludzkiej.

Wszędzie tam, gdzie błąd jest kosztowny lub nieodwracalny, a kontekst wykracza poza dane historyczne: zatwierdzanie prognoz dla pozycji o dużej wartości, konflikty priorytetów zleceń, weryfikacja pól finansowych i wagowych oraz sprawy z silnie negatywnym sentymentem. To jest właśnie nadzór człowieka wbudowany w proces, a nie dodany na końcu jako formalność.

Powiązane artykuły: Klasyfikacja i routing zgłoszeń AI, Automatyzacja obsługi klienta AI, AI dla firm usługowych. Sprawdź też narzędzie finder automatyzacji, żeby zidentyfikować, które procesy w Twojej logistyce nadają się do AI w pierwszej kolejności.