ИИ в логистике: примеры применения, которые работают у компаний среднего размера

Две логистики: про что обычно пишут и что есть у вас

Когда говорят «ИИ в логистике», чаще всего имеют в виду большие задачи: прогноз спроса на тысячах позиций, динамическая маршрутизация сотен машин в реальном времени, роботизированные склады, компьютерное зрение на сортировке. Всё это существует, стоит дорого, требует данных и масштаба, которых у компании среднего размера нет, и окупается при объёмах федеральных сетей.

У средней компании логистика состоит из другого: заявки приходят письмами и в мессенджеры в свободной форме, документы на перевозку собираются вручную, клиенты звонят спросить «где машина», склад сверяет приёмку с заказами по бумагам, претензии разбираются неделями. Это работа с текстом, документами и данными в разных системах, и именно здесь языковые модели дают эффект без миллионных вложений. Как это оформляется в виде агента, описано на странице ИИ для логистики.

Пример 1. Разбор заявок на перевозку

Клиент пишет: «Нужно забрать 12 паллет из Подольска в четверг после обеда, доставить в Казань к понедельнику, груз хрупкий, нужна пломба». Диспетчер читает, переспрашивает недостающее, заводит заявку в систему, ищет машину. Агент делает первые три шага сам: извлекает из письма или сообщения маршрут, даты, объём, особые условия; проверяет по справочникам адреса и клиента; задаёт уточняющие вопросы по вашему списку, если чего-то не хватает; заводит заявку в учётную систему с заполненными полями. Диспетчер получает заявку, в которой нужно только подобрать исполнителя.

Измеряется просто: время от письма до заявки в системе и доля заявок, по которым диспетчеру пришлось переспрашивать. Оба числа видны в первую неделю.

Пример 2. Документы на перевозку и приёмку

Транспортные накладные, доверенности, акты, путевые листы, документы от перевозчиков-субподрядчиков: их много, они приходят в разном виде, и к закрытию месяца часть отсутствует. Агент распознаёт входящие документы, сверяет с заявкой и рейсом, проверяет комплектность по каждому рейсу и напоминает контрагентам и водителям о недостающем. Бухгалтерия к концу месяца получает список «чего нет» заранее, а не в последний день. Общие принципы работы с первичкой описаны в статье «ИИ в бухгалтерии: примеры».

Пример 3. Статусы для клиентов без звонков диспетчеру

Самая частая причина звонков в транспортную компанию: «где мой груз». Диспетчер отвлекается от работы, чтобы открыть систему мониторинга и прочитать статус. Агент отвечает на этот вопрос в мессенджере или по телефону сам: узнаёт клиента по номеру заказа или телефону, читает статус и геопозицию из системы мониторинга и учётной системы, отвечает понятным языком и, если есть отклонение от плана, сразу сообщает о нём. При изменении статуса агент может уведомить клиента первым. Как устроен такой канал, описано на странице ИИ чат-бот для бизнеса, а телефонный вариант — на странице голосовой AI-агент.

Пример 4. Склад: приёмка, расхождения, заявки

На складе агент работает с данными, а не с погрузчиком. Сверка приёмки с заказом по документам и фотографиям, выделение расхождений по позициям, разбор заявок на отгрузку из свободного текста в номенклатуру, контроль зависших остатков, ответы кладовщикам по регламентам. Роботы и компьютерное зрение в это не входят; это отдельный класс решений с другой экономикой. Подробнее о складских сценариях — на странице AI-агент для склада.

Пример 5. Претензии и возвраты

Претензия по недостаче или повреждению приходит письмом с фотографиями и описанием. Агент извлекает суть, сопоставляет с рейсом, документами и фотографиями при отгрузке, собирает досье: что заявлено, что подтверждается документами, что нет, какие сроки по договору. Юрист или менеджер по качеству получает готовый разбор и принимает решение. Сроки ответа на претензии сокращаются с недель до дней, а решение становится обоснованным документами, а не памятью менеджера.

Пример 6. Подбор перевозчиков и контроль субподряда

Дистрибьютор или экспедитор работает с десятками перевозчиков. Агент собирает их предложения по заявке в единую таблицу, проверяет новых перевозчиков по вашим правилам (подробнее: ИИ для проверки контрагентов), следит за сроками документов и страховок, напоминает о просроченных. Выбор перевозчика остаётся за логистом, но он выбирает из подготовленной таблицы, а не из переписки.

Что в логистике ИИ пока не делает у средней компании

Признаки, когда задача не для ИИ или не для этого года, собраны в статье «Когда AI-агент не нужен».

Что общего у примеров, которые работают

• Вход — текст, документ или запрос, а не датчики и видео. Языковые модели сильны именно здесь.
• Правила описываемы. Диспетчер, кладовщик или юрист могут объяснить, как они принимают решение.
• Результат проверяем. Заявка заведена верно или нет, документ есть или нет, статус сообщён верно или нет.
• Данные уже есть в системах: учётная система, мониторинг, почта, мессенджеры. Агент их связывает.
• Решение остаётся за человеком там, где цена ошибки высока: выбор перевозчика, претензии, деньги.

Эти признаки — те же четыре критерия, по которым выбирается первый процесс в любой отрасли; подробнее в статье «Какой процесс автоматизировать первым».

С чего начать и как измерять

1. Выбрать один поток. Для транспортной компании обычно заявки или статусы для клиентов, для дистрибьютора — документы и приёмка, для экспедитора — подбор и контроль перевозчиков.
2. Замерить сейчас. Время на заявку, число звонков «где груз» в день, доля рейсов с неполными документами на дату закрытия, срок ответа на претензию.
3. Подготовить правила и справочники. Адреса, клиенты, номенклатура, уточняющие вопросы, правила подбора.
4. Пилот, 3-4 недели, на одном потоке с одной метрикой, затем замер и решение о расширении.

Как превратить эти метрики в расчёт окупаемости до старта, описано в статье «Расчёт окупаемости AI-агента».

Пример из практики внедрения: что обычно идёт не по плану

В проектах по логистике сюрпризы повторяются. Первый: адреса и клиенты в учётной системе задвоены и написаны по-разному, и агент честно сообщает о «неизвестном клиенте» там, где диспетчер узнаёт его по первым буквам. Лечится словарём соответствий и чисткой справочника, и это полезно само по себе. Второй: часть заявок приходит голосовыми сообщениями и фотографиями накладных, и их распознавание нужно проверять отдельно на ваших записях. Третий: система мониторинга транспорта отдаёт данные с задержкой, и ответ клиенту «машина на подъезде» может оказаться устаревшим; агент должен сообщать время последнего обновления, а не выдавать его за текущий момент.

Четвёртый сюрприз организационный: диспетчеры опасаются, что агент их заменит, и не сообщают о его ошибках. Помогает прямой разговор до запуска о том, что агент забирает переписку и звонки «где груз», а подбор машин и решения остаются за ними, и еженедельный разбор ошибок вместе с диспетчерами, а не вместо них.

Данные и интеграции в логистике

Типичный набор систем: 1С (УТ, ТМС-модули или отраслевые конфигурации), система мониторинга транспорта, почта и мессенджеры, иногда самописная система заявок и портал для клиентов. Агент подключается к ним через API и штатные механизмы обмена, с правами только на чтение там, где это возможно, и на запись в заявки по согласованным правилам. Для самописных систем без API варианты подбираются на аудите; об этом есть отдельная статья «Как внедрить ИИ, если у вас самописная система». Данные о грузах и клиентах чаще всего остаются в российском облаке или в контуре компании.

В логистике среднего размера ИИ окупается не на маршрутах, а на заявках, документах и звонках «где груз». Это скучно, зато считается в первую неделю.