Компанія C.H. Robinson автоматизувала операції з доставки продукції 3M за допомогою агентів на базі штучного інтелекту. Uber Freight запустив першу в галузі масштабну логістичну мережу на базі штучного інтелекту.
Коли керівники логістичних компаній бачать такі заголовки, вони, природно, хочуть впровадити ШІ у свою діяльність. Можливо, вони ще не знають, де саме його застосувати, але вже розуміють: ШІ може значно розширити можливості їхнього бізнесу. І вони мають рацію.
Проблема полягає в тому, на чому він працює. Неможливо просто взяти ШІ та інтегрувати його в готову SaaS-платформу, яка не була створена для цього. Технічно це можна спробувати. Але у випадку з SaaS, робочий процес, інтеграції та операційна логіка контролюються постачальником. Коли ШІ досягає межі можливостей платформи, далі нікуди рухатися.
За роки роботи як компанія з розробки програмного забезпеченнядля транспортної галузі команда Stfalcon може підтвердити, що якість ШІ залежить від даних, на яких він базується. Ось чому, перш ніж запускати будь-яку ініціативу з ШІ, запитайте себе, чи надають ваші системи операційний контекст, необхідний для роботи ШІ.
Коротко
- Генеративний ШІ працює в логістиці. Просто не на базі SaaS-платформ, які не були створені для вашої діяльності.
- Коли рівень даних налагоджено, генеративний ШІ чудово працює в обробці документів, диспетчеризації, прогнозуванні, комунікації з перевізниками та управлінні винятковими ситуаціями.
- Кожен випадок застосування залежить від даних, які відображають, як працює ваша діяльність, тож не покладайтеся на середні показники галузі.
- Однією з причин, чому такі компанії, як C.H. Robinson та Uber Freight, так швидко просуваються в напрямку використання ШІ, є обсяг операційного контексту та даних, доступних на їхніх платформах.
- Спеціалізоване логістичне програмне забезпечення — це не дорогий варіант. Протягом трьох років, воно стає дешевшим, ніж SaaS.
- У логістиці обмежувальним фактором зазвичай є система, на якій базується ШІ.
Чому розвиток генеративного ШІ на ринку логістики починається з рівня даних
Кожна логістична компанія використовує власний набір маршрутів, перевізників, тарифних структур, митних вимог, правил SLA та логіки обробки винятків. Платформи SaaS можуть підтримувати багато з цих робочих процесів за допомогою налаштувань, але вони все одно організовують дані навколо узагальнених операційних моделей, розроблених для одночасної роботи з тисячами компаній. Нічого проти SaaS, просто так це працює.
Тож коли ви додаєте ШІ, він також використовує ці узагальнені дані. Він бачить стандартизоване поле перевізника, загальний статус відправлення та нормалізований запис про маршрут. Модель навчається на основі структури даних, що лежать в її основі, і коли ця структура усереднюється, результати також усереднюються.
Встановіть той самий ШІ поверх програмного забезпечення, побудованого на основі вашої логіки диспетчеризації, ваших угод з перевізниками, вашої ієрархії винятків — і результати зміняться. Як тільки ШІ отримує доступ до даних, специфічних для конкретних операцій, результати перестають виглядати загальними. Як у нашому нещодавньому проєкті.
Як виглядає генеративний ШІ на ринку виконання замовлень та логістики, коли він працює
Ми співпрацювали з українською митно-брокерською компанією, яка допомагає імпортувати автомобілі та вантажі з-за кордону. Раніше клієнти надсилали документи (фотографії та PDF-файли) через Telegram. Менеджери вручну вводили коди VIN, пробіг, рік випуску та інші технічні дані в CRM. Коли документи були важкочитабельними, менеджери дзвонили клієнтам для уточнення.
Оскільки на кожного клієнта витрачалося близько 30 хвилин, робочий процес стало важко масштабувати. Компанії потрібне було рішення, яке б зменшило операційне навантаження без розширення команди, тому вона уклала партнерство зі Stfalcon.
Ми створили AI-агентана базі Gemini, інтегрованого в існуючий робочий процес у Telegram. Штучний інтелект мав прямий доступ до документів одразу після їх надходження. Він витягував структуровані дані, надавав їх клієнту для перевірки, а підтверджені записи автоматично заносив у CRM. Запити на уточнення оброблялися агентом без необхідності ручного супроводу.
У результаті час обробки скоротився з 30 хвилин на одного клієнта до 10. Це скорочення на 67 %, і ми реалізували це за місяць. Це спрацювало, оскільки контроль над потоком даних залишався у нас. Штучний інтелект не працював через стандартизований API постачальника та не вгадував формати документів. Він мав саме те, що було потрібно, у форматі, специфічному для цієї операції.
| Агент на базі штучного інтелекту для митно-брокерської компанії | ||
|---|---|---|
| У 3 рази менше ручної роботи на одного клієнта | на 67 % Швидша обробка | 1 місяць Впровадження агента на базі штучного інтелекту |
П’ять прикладів застосування генеративного ШІ в логістиці
Кілька років тому генеративний ШІ у сфері транспорту та логістики здебільшого означав чат-інтерфейси та інструменти для узагальнення інформації. І це вже було круто. Компанії створювали резюме, складали електронні листи та задавали питання щодо операційної діяльності. Сьогодні акцент змістився на агентів ШІ: автономні системи, які виконують операційні завдання з мінімальним втручанням людини.
Агент читає електронний лист, витягує дані про вантаж, оновлює TMS або CRM, запитує відсутні документи, перенаправляє винятки до менеджера та підтримує безперебійний хід робочого процесу. Людина втручається лише тоді, коли потрібне власне судження.
Тож нижче ми розглянемо, де штучний інтелект нового покоління застосовується в логістиці та транспорті, разом із реальними прикладами. І якщо такі назви, як C.H. Robinson та Uber Freight, з’являються у статті більше ніж один раз, то це тому, що вони впроваджують ці технології у великих масштабах.
| Штучний інтелект загального призначення в логістиці | ||||
|---|---|---|---|---|
| Управління винятками | Обробка документів | Диспетчеризація та планування | Комунікація з перевізниками | Логістичні помічники |
Оперативна обробка документів
Це один із найдинамічніших напрямків застосування генеративної штучної інтелекту в логістиці, оскільки робочі процеси в митній справі, експедируванні вантажів та забезпеченні відповідності вимогам досі базуються на документах. І їх дуже багато.
Процес: вилучення даних з документів на імпорт/експорт, класифікація товарів, зіставлення з тарифними кодами та виявлення проблем із дотриманням нормативних вимог.
Що робить генеративна ШІ: зчитує неструктуровані документи (PDF-файли, фотографії, відскановані форми), витягує ключові поля, перевіряє їх на відповідність нормативним вимогам, оновлює записи щодо дотримання вимог, у разі потреби запитує відсутню інформацію та автоматично передає неясні випадки керівникам.
Що для цього потрібно: прямий доступ до документів одразу після їх надходження, структурований вихідний формат, прив’язаний до вашої конкретної CRM-системи або системи контролю дотримання вимог, а також система розпізнавання документів, навчена на форматах, що використовуються у ваших логістичних ланцюгах.
Що не працює без цього: стандартне OCR обробляє чіткі, стандартизовані документи. Але реальні логістичні документи рідко відповідають цим критеріям. Документи надходять у вигляді фотографій низької якості, PDF-файлів від іноземних агентств, рукописних поправок, неповних заявок на відправлення, а також операційних деталей, розкиданих по численних файлах та електронних листах. OCR зчитує пікселі та повертає символи. Він не розуміє оперативного змісту та не вирішує, які дії слід вжити далі.
Агенти штучного інтелекту компанії C.H. Robinson вже обробляють неструктуровані логістичні дані. Деякі запити на відправлення надходять у вигляді одного речення, наприклад: «У мене є вантаж на вівторок, оскільки відправник знає, що ми знаємо, що вони відправляють щовівторка», тоді як інші надходять у вигляді довгих PDF-файлів з рукописними примітками. Штучний інтелект пов’язує деталі, доповнює відсутній контекст і забезпечує безперебійний робочий процес.
Диспетчеризація, планування та автоматизація дій агентів
Довгий час диспетчеризація означала людину за телефоном, завалену паперами, з трьома відкритими екранами та кавою, що остигає. Більшість логістичних компаній залишили це в минулому, коли операції перейшли в цифровий формат. Загальний ШІ — це наступний крок.
Процес: розподіл вантажів, планування забирань та доставок, координація водіїв і транспортних засобів у реальному часі, а також адаптація до затримок, часових вікон клієнтів, обмежень щодо транспортних засобів та поточних дорожніх умов.
Що робить штучний інтелект нового покоління: одночасно синтезує обмеження в декількох системах, таких як робочий час водіїв, місткість транспортних засобів, угоди про рівень обслуговування (SLA) клієнтів, GPS-координати, зміни маршрутів, і формує рекомендації щодо диспетчеризації та планування з поясненнями простою мовою, на основі яких диспетчер може діяти. Більш просунуті системи також можуть автоматично переплановувати маршрути вантажів, перерозподіляти графіки та ескалувати винятки.
Що для цього потрібно: модель даних, яка відображає ваші договори з перевізниками, схеми маршрутів, операційні обмеження та правила обробки винятків. Штучний інтелект повинен знати, що перевізник X не курсує по коридору Y у вихідні, або що клієнт Z має жорсткі часові рамки доставки, які мають пріоритет над стандартною логікою маршрутизації.
Що не працюватиме без цього: загальні рекомендації ШІ щодо диспетчеризації ґрунтуються на середніх для галузі припущеннях. Реальні операції базуються на конкретних угодах, пріоритетах планування, зобов’язаннях перед клієнтами та правилах перевізників. Коли ШІ не знає цих обмежень, він формує рекомендації, які перед виконанням потребують перевірки людиною.
Одним із найяскравіших прикладів тут, мабуть, є Uber Freight. До середини 2025 року вони розгорнули понад 30 агентів ШІ, які працюють на всіх етапах життєвого циклу відправлення. Наприклад, вони щодня автоматизували тисячі завдань з планування, скоротивши час на планування на 38%. Це також допомогло зменшити кількість дорогих перепланувань на третину. DHL рухається в подібному напрямку. У партнерстві з HappyRobot,
DHL рухається в подібному напрямку. У партнерстві з HappyRobot, DHL вже впроваджує агентів штучного інтелекту, які виконують операційні координаційні завдання, такі як планування зустрічей, оновлення інформації про вантажі, комунікація зі складами, та дзвінки водіям для відстеження стану вантажу.
Комунікація між перевізниками та постачальниками
Десь у вашій операційній команді хтось пише електронний лист із перевіркою статусу, який є майже ідентичним тому, що він написав учора. Запити щодо тарифів, підтвердження забору вантажу, відсутні деталі, зміни графіків, оновлення щодо виняткових ситуацій — все це забирає години часу. Генеративний ШІ на ринку виконання замовлень та логістики може позбавити вашу команду частини цієї роботи.
Процес: формування запитів на тарифи, підтверджень бронювання, оновлень статусу та повідомлень про винятки в мережі перевізників.
Що робить генеративний ШІ: створює чернетки та надсилає структуровані повідомлення у великих обсягах, відстежує відповіді, виявляє винятки, що потребують втручання людини, та веде облік кожної взаємодії для аудиту та звірки рахунків.
Що для цього потрібно: інтеграція на рівні API з вашою мережею перевізників та вашою системою управління перевезеннями (TMS), а також доступ до історії комунікацій та операцій, що лежать в основі цих взаємовідносин, таких як попередні електронні листи, договірні тарифи, бажані формати тощо. Без цього контексту штучний інтелект просто надсилає досконалі повідомлення у робочі процеси, яких він не розуміє.
Що не працює без цього: комунікація з перевізниками залежить від того, як кожна взаємодія працює на практиці. Деякі перевізники хочуть отримувати оновлення електронною поштою, інші — через портали або у певних форматах. Загальні шаблони ШІ не враховують ці нюанси, що призводить до затримок та додаткової ручної роботи.
Компанія C.H. Robinson є прикладом того, як це виглядає у великих масштабах. Використовуючи власний генеративний ШІ, який зчитує вхідні електронні листи та відтворює дії людини, вони автоматизували весь життєвий цикл вантажного перевезення, обробляючи понад 10 000 транзакцій електронною поштою щодня. За їхніми даними, вони перетворюють отримані електронною поштою пропозиції щодо завантаження на 5 500 замовлень на перевезення щодня.
Оновлення ШІ не виправдало очікувань?
Ми створюємо логістичні системи, в яких штучний інтелект працює у вашому операційному контексті, а не проти нього.
Аліна
Менеджер по роботі з клієнтами
Логістичні «другі пілоти» для прогнозування та планування
Логістичні компанії завжди намагалися прогнозувати попит. Більшість з них робила це, спираючись на історичні середні показники, сезонні закономірності та інституційну експертизу людей, які десятиліттями керували тими самими маршрутами. Штучний інтелект нового покоління змінює можливості в цій сфері. Планувальники можуть взаємодіяти з оперативними даними у формі діалогу та обробляти більше сигналів, ніж будь-яка команда змогла б вручну.
Завдання: прогнозування обсягів вантажоперевезень за маршрутами, сезонами та клієнтськими обліковими записами, а також розподіл пропускної спроможності.
Що робить штучний інтелект нового покоління: дозволяє планувальникам запитувати операційні системи природною мовою, синтезувати історію відправлень, закономірності замовлень клієнтів, сезонні цикли, погодні умови, завантаженість портів та ринкові умови, а також генерувати зведені прогнози, рекомендації щодо планування, таблиці або візуалізації.
Що для цього потрібно: структуровані історичні дані про відправлення, які належать вашій системі та є доступними для неї.
Що не працюватиме без цього: системи, навчені на агрегованих або узагальнених даних, генерують узагальнені прогнози. Якщо ваша діяльність залежить від спеціалізованих маршрутів, транскордонних перевезень або логістики з контролем температури, загальні рекомендації щодо планування будуть ненадійними.
Flexport, глобальний експедитор та платформа ланцюгів постачання, запустив Flexport Intelligence. Це копілот ланцюга поставок на базі штучного інтелекту, який дозволяє логістичним командам ставити операційні запитання простою мовою та отримувати аналітичні висновки щодо відправлень, ефективності ланцюга поставок, ставок за перевезення та умов планування.
Іншим прикладом є логістичний «другий пілот» від Uber Freight — Insights AI. Він надає проактивні рекомендації на основі операційних даних, зібраних за понад 20 років роботи у сфері логістики.
Управління винятковими ситуаціями та реагування на зриви
Завершивши майже 400 проєктів, ми зрозуміли, що логістичні операції здаються «безперебійними» аж до моменту виникнення першої виняткової ситуації. А потім настає хаос: чотири дзвінки, три системи та два переплановані маршрути. Завдяки генеративному ШІ, побудованому на правильному рівні даних, винятки вирішуються ще до того, як хтось встигне підняти трубку.
Завдання: виявлення збоїв у перевезеннях та координація реагування достатньо швидко, щоб запобігти подальшому операційному впливу.
Що робить генеративний ШІ: відстежує операційні сигнали в електронних листах, системах відстеження, оновленнях TMS, комунікації з перевізниками та подіях, пов’язаних з відправленнями; виявляє перебої в режимі реального часу; рекомендує коригувальні дії; перенаправляє робочі процеси; ескалює критичні винятки та автоматично координує подальші дії.
Що для цього потрібно: оперативна прозорість життєвого циклу ваших відправлень у режимі реального часу, доступ до історії комунікацій та логіка робочих процесів, що відображає, як ваші команди вирішують порушення.
Що не працює без цього: загальна автоматизація добре справляється з заздалегідь визначеними робочими процесами, але винятки в логістиці рідко бувають передбачуваними. Затримка при перетині кордону по-іншому впливає на планування, ніж невдалий забір вантажу або відхилення температури. Без оперативного контексту ШІ може виявити, що щось не так, але не зрозуміти, які дії слід вжити далі.
Компанія C.H. Robinson створила спеціального «агента з пропущених забирань», щоб автоматизувати один із найбільш повторюваних робочих процесів управління винятками у вантажних перевезеннях. Агент на базі штучного інтелекту виявляє пропущені забирання, зв’язується з перевізниками, координує подальші дії та автоматично оновлює робочі процеси відправлень. За даними компанії, система економить понад 350 годин ручної роботи на день.
Звісно, перелік випадків застосування генеративного ШІ на цьому не закінчується, і логістичні компанії продовжують знаходити нові. Проте ось короткий огляд тих робочих процесів, про які ми розповіли вище.
Помилка більшості компаній щодо застосування генеративного ШІ в логістиці
Логістичні оператори часто купують генеративну ШІ, ніби це ще одна функція SaaS. Вони додають модуль ШІ до TMS, переходять на «план ШІ» і сподіваються, що станеться диво. Потім результати розчаровують, оскільки ШІ може працювати лише в рамках того операційного контексту, який система надає в основі.
Будучи компанією, що розробляє ШІ для логістики, ми розуміємо, чому вони обирають такий шлях. Індивідуальне програмне забезпечення здається дорожчим і складнішим для обґрунтування, коли бізнесу потрібні результати вже вчора. Але ця логіка виправдовується лише протягом першого року.
З часом витрати на SaaS зростають через ціноутворення за кожну ліцензію, збільшення кількості операційних обхідних рішень та фрагментованість даних, що обмежує можливості ШІ щодо автоматизації. Коли ви розраховуєте операційні витрати на три–п’ять років, індивідуальне логістичне програмне забезпечення часто виявляється дешевшим варіантом.
Все ще чекаєте, коли модуль штучного інтелекту почне працювати? Ми створюємо логістичні системи, які надають штучному інтелекту все необхідне.
