Логистические компании и ИИ: что уже автоматизировано, а что всё ещё руками

Разбираем, что из ИИ в логистике действительно работает на масштабе небольшой компании, а что остаётся историями про гигантов вроде UPS, которые к малому бизнесу отношения не имеют.

Логистика вообще удобная площадка для автоматизации — процессы повторяются десятками раз в день, данные уже собираются в CRM или 1С, а результат легко измерить в конкретных цифрах: километры, часы, количество ошибок. Это делает отрасль удобной и для проверки маркетинговых обещаний — реальный эффект видно сразу, достаточно сравнить показатель до и после.

Маршруты — там, где эффект виден быстрее всего

Оптимизация маршрутов — самая известная точка входа для ИИ в логистике, потому что эффект считается напрямую в деньгах: меньше пробег, меньше топлива, быстрее доставка.

Хрестоматийный пример — система ORION у UPS, которая учитывает исторические маршруты, трафик и погоду и пересчитывает путь курьера в реальном времени. По собственным данным компании, система экономит около 100 миллионов миль пробега и порядка 10 миллионов галлонов топлива в год. DHL сообщает о похожем эффекте на своих last-mile маршрутах — в части пилотных сетей пробег сократился на 12–20%.

Цифры UPS и DHL — про компании с тысячами машин, не показатель для бизнеса с парком в 10-20 единиц. Но принцип масштабируется: коммерческие SaaS-сервисы маршрутизации (Routific, OptimoRoute и похожие) построены на той же логике — учитывают временные окна доставки, вес и габариты груза, пересчитывают маршрут при отмене заказа — и подключаются к CRM без месяцев интеграции.

Оптимизация маршрутов — задача, где ИИ пересчитывает путь транспорта с учётом трафика, погоды и ограничений: веса, времени доставки, габаритов груза. Это сложнее, чем просто искать кратчайшее расстояние по карте.

Прогноз спроса и склад

Вторая по частоте задача — прогноз спроса и управление запасами. Модель учится на истории продаж и внешних факторах (сезонность, акции) и подсказывает, сколько товара держать на складе, чтобы не переплачивать за хранение и не уходить в дефицит.

По отраслевым оценкам, для этой задачи чаще всего используют алгоритмы машинного обучения поверх данных из ERP или 1С — без этой интеграции прогноз обычно неточный, потому что модель не видит реальных остатков и текущих заказов. Это самая частая причина, почему пилоты по прогнозированию спроса разочаровывают: систему запускают на исторических данных, но не подключают к тому, что происходит на складе прямо сейчас.

На складе та же модель помогает с размещением товара — то, что чаще всего заказывают вместе, кладут ближе друг к другу, чтобы сборщик тратил меньше шагов на комплектацию заказа. Эффект накапливается постепенно: экономия в несколько минут на одной заявке превращается в заметную цифру, когда заявок сотни в день.

Документы и общение с клиентами

Накладные, счета, рекламации — рутина, которая съедает часы менеджеров вручную сверяющих цифры. OCR распознаёт документ, NLP-модель раскладывает данные по нужным полям в учётной системе. Чат-боты закрывают похожую рутину со стороны клиентов — статус заказа, перенос доставки, стандартные вопросы, которые не требуют живого диспетчера.

Здесь тоже есть характерная ловушка: автоматизацию внедряют без проверки качества входящих документов. Пока накладные приходят в одном формате — работает гладко. Как только появляется нестандартный бланк от нового поставщика, система ошибается чаще, чем помогает, и приходится вручную перепроверять то, что должно было ускориться.

Мониторинг транспорта: поймать поломку раньше, чем встанет груз

Ещё одна задача, где ИИ снимает рутину с человека, — предиктивное обслуживание транспорта. Датчики на технике передают показатели (температура двигателя, вибрация, расход топлива), модель сравнивает их с историей и предупреждает о вероятной поломке до того, как машина встанет на трассе с грузом.

Для небольшого автопарка это не всегда оправдано — датчики и подключение стоят денег, а окупаются на масштабе в десятки единиц техники. Но там, где счёт идёт на простои с грузом на борту, даже одна предотвращённая поломка на трассе может окупить подписку на сервис мониторинга за несколько месяцев вперёд.

Кейс из практики: когда автоматизация работает ночью и сыплется днём

Участник практикующего комьюнити управлял продажами в логистической компании и столкнулся с задачей, знакомой любому, кто работал с распределительными центрами: пришла заявка на доставку по 21 адресу через разные РЦ одной кучей, а логисту нужно было разбить её на отдельные задачи — по одной на каждый распределительный центр.

Настроил агента: тот подключился к CRM, скачал нужные файлы, сопоставил данные по РЦ, объёмам и датам доставки и подготовил шаблон заявки для каждого адреса — с поставщиком, покупателем, товарами и автоподсчётом итогов. Ночью, пока нагрузка на систему была минимальной, агент создал 12 задач из 21 без единой ошибки.

Днём всё изменилось. Внешний сервер, через который работал агент, начал отвечать с задержками — часть запросов уходила в таймаут по две минуты. Агент терял часть контекста между сообщениями и путал, что уже сделал, а что нет. В итоге 4 заявки из 21 пришлось доделывать вручную.

Инструмент, через который это работало, с тех пор сменился на более стабильный. Проблема была в другом: автоматизация, которая идеально работает в тесте на тихих данных, может вести себя иначе под реальной нагрузкой в течение рабочего дня. Прежде чем доверять агенту весь процесс, стоит проверить его именно в часы пик — ночной прогон на тихих данных ничего не скажет о том, как агент поведёт себя под нагрузкой.

Где ИИ пока проигрывает диспетчеру

Четыре паттерна встречаются чаще всего. Маршрутизация, которая оптимизирует только расстояние и не учитывает реальные ограничения — вес, временные окна доставки, локальные запреты для грузового транспорта — создаёт больше ручных правок, чем экономит времени. Диспетчеру приходится перепроверять каждый маршрут целиком — экономия времени, ради которой всё затевалось, пропадает.

Автоматизация, которая меняет один процесс без согласования с соседним отделом, ломает то, что раньше работало через созвон. Если система сама распределяет заявки, но склад не в курсе новой логики — начинаются конфликты по срокам и путаница в комплектации.

Модели, которые не объясняют, почему выбрали именно такой маршрут или прогноз, вызывают недоверие у водителей и диспетчеров. Люди возвращаются к ручным решениям, даже если модель формально точнее — потому что не понимают, на чём она основана.

Прогноз, обученный на неполных или искажённых исторических данных — например, на периоде, когда часть товара была в дефиците и продажи занижены искусственно, — воспроизводит эту же ошибку в будущем. Модель не различает «не продали, потому что не было спроса» и «не продали, потому что не было товара на складе», если это не размечено отдельно.

С чего начать, если своей команды разработки нет

Начинать стоит с одной задачи — полная перестройка логистики сразу редко получается управляемой. Маршрутизация или обработка типовых документов — хорошие первые кандидаты: эффект измерим (меньше пробег, меньше времени на ввод данных), а масштаб ошибки в случае неудачи ограничен одним процессом.

Перед внедрением стоит определить, что именно будет считаться успехом — сокращение пробега, времени обработки заявки или процента ошибок — и снять эти цифры до пилота, чтобы после было с чем сравнивать. Дальше — тестировать на одном регионе или одном складе, и только после подтверждённого результата масштабировать на всю компанию.

Подробнее о том, как небольшой бизнес дорабатывает свои учётные системы своими силами, — в статье «Вайбкодинг в 1С и Битрикс24».

FAQ

Нужна ли логистической компании своя команда разработчиков для внедрения ИИ? Нет, для типовых задач — маршрутизация, прогноз спроса, обработка документов — есть готовые SaaS-инструменты, которые подключаются к существующей CRM или 1С без написания кода с нуля.

С какой задачи лучше начать? С той, где эффект проще всего измерить и где ошибка не затронет всю компанию сразу — обычно это маршрутизация или обработка типовых документов на одном складе или в одном регионе.

Почему прогноз спроса часто не работает так, как обещают? Чаще всего потому, что модель не подключена к реальным данным ERP или 1С и учится только на истории продаж, не видя текущих остатков и заказов.

Можно ли доверить ИИ весь процесс логистики без человека? Пока нет — модели без объяснимости решений вызывают недоверие у диспетчеров и водителей, а нестандартные ситуации (непривычный формат документа, нетипичный маршрут) всё ещё требуют участия человека.

Стоит ли предиктивное обслуживание транспорта для парка в 5-10 машин? Обычно нет — датчики и подписка на мониторинг окупаются на масштабе в десятки единиц техники. Для небольшого парка выгоднее начать с маршрутизации или документооборота, а мониторинг транспорта отложить до роста.

Сколько времени занимает внедрение первого пилота? Зависит от готовности данных. Если CRM или 1С ведутся аккуратно, настройка SaaS-сервиса маршрутизации или обработки документов на одном складе или регионе обычно укладывается в несколько недель.

Заключение

ИИ в логистике реально работает там, где задача узкая и измеримая — маршрут, документ, типовой вопрос клиента. Истории про UPS и DHL показывают потолок возможностей на масштабе, недоступном малому бизнесу, но принцип тот же самый: начать с одной задачи, измерить эффект, только потом масштабировать.

Разбираем такие внедрения вместе с предпринимателями, которые уже строят похожие системы — в AI Practiq Club