Что даёт ИИ в логистике коротко
ИИ в логистике полезен в шести местах: прогноз спроса и запасов, планирование маршрутов, работа склада, документы перевозки, ответы клиентам о статусе груза и камеры на складе и въезде. Для первых трёх задач есть складские (WMS) и транспортные (TMS) системы: нужная функция там часто уже есть или подключается модулем. Доработка обычно нужна там, где данные приходят в свободной форме.
Поэтому первый вопрос не «какую нейросеть купить», а «что у нас уже есть в учётных системах и где люди до сих пор работают руками».
- Часто есть в WMS и TMSПроверьте модули своей системы
- Прогноз спроса и запасов
- Планирование маршрутов
- Размещение и подбор на складе
- Чаще нужна доработкаДанные приходят в свободной форме
- Сканы накладных и актов
- Письма и вопросы клиентов
- Видео со склада и въезда
Прогноз спроса и запасов
Прогноз спроса — одна из самых давних задач ИИ в логистике. Модель смотрит на историю отгрузок, сезонность, акции и подсказывает, сколько товара держать на каком складе.
Что нужно, чтобы прогноз заработал:
- История продаж и отгрузок хотя бы за пару сезонов, без дыр и дублей.
- Отметки об особых событиях. Акции, дефицит, закрытие точки. Без них модель примет провал из-за отсутствия товара за падение спроса.
- Понятное действие. Кто и как меняет заказ поставщику по прогнозу. Если прогноз никто не использует, пользы нет.
Многие учётные и складские системы уже умеют строить прогноз. Доработка нужна, когда данные разбросаны по нескольким системам или когда нужно учитывать то, чего в стандартном модуле нет. Как готовить данные и проверять выводы, рассказано в статье про нейросеть для анализа данных.
Маршруты и загрузка транспорта
Планирование маршрутов — классическая задача оптимизации, её решают алгоритмы, а не обязательно нейросети. Они учитывают окна доставки, вместимость машин, пробки и график водителей. Такие функции входят во многие TMS и сервисы планирования доставки.
ИИ здесь обычно помогает по краям:
- уточняет время на точке по истории прошлых доставок;
- разбирает заявки, пришедшие письмом или сообщением, и превращает их в строки для планировщика;
- объясняет диспетчеру, почему маршрут сложился так, и отвечает на вопросы о нём обычными словами.
Если ваша задача — просто построить маршруты на день, начните с готовых сервисов. Своя разработка оправдана, когда правила необычные или нужно связать несколько систем.
Склад: размещение, подбор и контроль
На складе ИИ помогает решить, куда положить товар, в каком порядке собирать заказы и где ждать нехватки места. Эти задачи часто закрывает WMS со своими правилами, и правила работают предсказуемо. Модель имеет смысл, когда правил слишком много или они постоянно меняются.
Вторая группа задач — контроль. Например, сверить состав собранного заказа с заказом, найти расхождения при приёмке или собрать короткую сводку по смене для руководителя. Здесь ИИ работает как помощник, а решение принимает кладовщик или начальник смены.
Многие идеи для склада совпадают с производством: прогноз отказов погрузчиков, база знаний для смены, камеры. Они разобраны в статье про ИИ на производстве.
Документы перевозки и распознавание накладных
Самый понятный эффект ИИ в логистике обычно дают документы. Накладные, акты, счета, путевые листы и заявки приходят сканами, фото и письмами, а их вбивают в учётную систему руками.
Схема распознавания накладной обычно такая:
- Скан или фотоИз почты, мессенджера или со сканера
- Модель достаёт поляГрузоотправитель, груз, вес, даты, суммы
- Сверка с заявкойСовпадают ли вес, адрес, номер машины
- Сомнения человекуНечитаемое и расхождения уходят на проверку
- Запись в системуПосле проверки
Подробно о том, откуда берутся ошибки распознавания и как их ловить до 1С, рассказано в статье про распознавание документов.
Учтите переход на электронные документы. По сообщению ФНС, с 1 сентября 2026 года участники перевозок оформляют перевозочные документы в электронном виде: транспортные накладные, заказы и заявки, экспедиторские документы. Это следует из части 1 статьи 8 устава автомобильного транспорта (259-ФЗ) в редакции закона 140-ФЗ. Случаи, когда накладную можно оформить на бумаге, перечислены в приказе Минтранса № 262, а в сентябре 2026 года министерство расширило этот перечень, поэтому сверяйте актуальную редакцию. Обмен электронными перевозочными документами идёт через операторов по статье 18.1 того же закона. Это ориентир, а не юридическая консультация: какие ваши документы уже электронные, уточните у юриста и оператора. Чем больше документов приходит в электронном виде, тем меньше нужно распознавать. Но сканы от контрагентов, акты, счета и сопроводительные бумаги обычно остаются.
Вопросы клиентов о статусе груза
«Где мой груз?» — один из самых частых вопросов в службу поддержки перевозчика. Чат-бот или ИИ-агент может отвечать на него сам, если у него есть доступ к статусам в TMS или учётной системе.
Чтобы ответы были верными:
- бот берёт статус из системы, поэтому ответ совпадает с учётом;
- клиент видит только свои грузы, поэтому нужна проверка, кто спрашивает;
- спорные случаи (задержка, повреждение, претензия) сразу уходят менеджеру вместе с перепиской.
Как устроены такие боты и где их размещать, рассказано в статье про чат-ботов для бизнеса.
ИИ-агент в помощь логисту
ИИ-агент для логистики не только отвечает, но и выполняет цепочку действий: находит заявку, проверяет документы, запрашивает недостающее у перевозчика, ставит задачу диспетчеру. Для логиста это помощник, который снимает переписку и сверки.
Хорошие первые задачи для агента:
- собрать комплект документов по рейсу и найти, чего не хватает;
- разобрать входящие заявки из почты и завести их черновиком в систему;
- подготовить ответ клиенту по статусу и отдать его на подтверждение.
Рискованные задачи — те, где ошибка стоит денег: выбор перевозчика, подтверждение цены, оплата. Здесь агент готовит, а решает человек. Чем агент отличается от бота и автоматизации, рассказано в статье про ИИ-агентов для бизнеса, а как его собрать — в статье о том, как создать ИИ-агента.
Видеоаналитика на складе и въезде
Камеры, которые уже стоят на складе и въезде, можно научить вести журнал событий: какая машина приехала, когда открыли ворота, есть ли люди в опасной зоне. Как это работает в целом, рассказано в статье про компьютерное зрение, а про въезд и номера машин — в статье про систему распознавания номеров. Для въезда на склад есть Flexvision Шлагбаум: он распознаёт номер и тип машины и без оператора решает, кого пропустить: свои въезжают по белому списку, чужие остаются за шлагбаумом. Остальные решения линейки — на странице Flexvision.
Как внедрить ИИ в логистике: план по шагам
Начинайте с одного процесса, где люди тратят много времени на ручную работу и где результат легко проверить.
- Найти ручную работуГде сотрудники перепечатывают, сверяют, отвечают на одно и то же
- Проверить свои системыНет ли нужного модуля в WMS или TMS
- Собрать примерыРеальные накладные, заявки, вопросы клиентов
- Пилот на этих примерахСравнить с тем, как было
- Расширять по итогамЕсли время на проверку падает
Что посчитать до пилота: сколько операций в месяц, сколько минут уходит на одну, сколько ошибок находят потом и во что они обходятся. Как считать эффект, рассказано в статье про автоматизацию бизнес-процессов.
Типичные ошибки:
- Покупать ИИ раньше, чем навести порядок в данных. Модель на грязной истории даст грязный прогноз.
- Доверять агенту деньги на старте. Права расширяют постепенно, когда видно качество.
- Не считать время на проверку. Если сотрудник проверяет результат столько же, сколько раньше делал работу, экономии нет.
- Делать своё там, где есть готовое. Маршруты и складские правила часто уже есть в системе.
Когда звать подрядчика и что он должен сделать
Подрядчик нужен, когда задача выходит за готовые модули: распознавание документов от разных контрагентов, связка нескольких систем, агент с доступом к вашим данным, размещение на своих серверах. Он должен начать с разбора процесса, посмотреть ваши системы и примеры документов, предложить пилот на ваших данных и посчитать эффект до разработки. Так устроено внедрение ИИ у нас: начинаем с бесплатного аудита процессов, затем концепция, расчёт эффекта и пилот на данных заказчика.



