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».

ИИ для логистики: купить или доработать
  • 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
Граница зависит от вашей системы: начните с её возможностей.

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:

Распознавание накладной: от скана до учётной системы
  1. Скан или фотоИз почты, мессенджера или со сканера
  2. Модель достаёт поляГрузоотправитель, груз, вес, даты, суммы
  3. Сверка с заявкойСовпадают ли вес, адрес, номер машины
  4. Сомнения человекуНечитаемое и расхождения уходят на проверку
  5. Запись в системуПосле проверки
Расхождения обычно ловят на сверке, до записи в учёт.

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.

Как внедрить ИИ в логистике: один процесс за раз
  1. Найти ручную работуГде сотрудники перепечатывают, сверяют, отвечают на одно и то же
  2. Проверить свои системыНет ли нужного модуля в WMS или TMS
  3. Собрать примерыРеальные накладные, заявки, вопросы клиентов
  4. Пилот на этих примерахСравнить с тем, как было
  5. Расширять по итогамЕсли время на проверку падает
Сначала проверьте, что уже умеет ваша система.

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.