AI w logistyce: jak firmy optymalizują dostawy, trasy i koszty

W dzisiejszym odcinku podcastu „Business Tech Talks powered by BlueSoft” gościmy Konrada Kurzydło, Business Unit Directora w BlueSoft i autora raportu poświęconego wykorzystaniu AI w logistyce. Rozmawiamy o tym, gdzie sztuczna inteligencja rzeczywiście znajduje zastosowanie w branży logistycznej i czym różni się od tradycyjnych algorytmów stosowanych w tym sektorze od wielu lat. Przyglądamy się optymalizacji tras i pracy magazynów, automatyzacji obsługi klienta i procesów back-office oraz możliwościom, jakie otwierają generatywna AI i agenci AI. Zastanawiamy się również, dlaczego rozwiązania, które jeszcze niedawno były dostępne głównie dla największych organizacji, stają się osiągalne także dla mniejszych firm, jak mierzyć ich opłacalność i w jaki sposób przygotować organizację do wdrożenia AI, aby technologia faktycznie przełożyła się na wyniki biznesowe. Poniżej znajduje się szczegółowy skrót transkrypcji odcinka.

Jak sztuczna inteligencja jest wykorzystywana w logistyce?

Choć obecna dyskusja o AI jest w dużej mierze zdominowana przez generatywną sztuczną inteligencję, branża logistyczna korzysta z różnych form AI już od wielu lat. Machine learning, analiza danych historycznych, rozpoznawanie obrazu, klasyfikacja, modele predykcyjne czy optymalizacja tras były stosowane na długo przed pojawieniem się obecnej fali GenAI.

W praktyce sztuczna inteligencja wspierała m.in. przewidywanie wolumenów przesyłek, planowanie zapotrzebowania na transport, analizę obrazu, identyfikację tablic rejestracyjnych czy automatyzację pracy magazynów. Duże organizacje łączyły tego typu algorytmy również z robotyką i automatyką magazynową.

Jednym z przykładów przywołanych w rozmowie jest projekt realizowany przez BlueSoft już około 2016 roku, związany z automatycznym odczytywaniem numerów rejestracyjnych pojazdów. Pokazuje to, że część rozwiązań określanych dziś szeroko mianem AI funkcjonuje w logistyce od wielu lat.

AI w logistyce a tradycyjne algorytmy i machine learning

W odcinku pojawia się ważne rozróżnienie między tradycyjnymi algorytmami, machine learningiem i generatywną AI. Wiele rozwiązań logistycznych od lat bazuje na analizie danych historycznych, modelach predykcyjnych i algorytmach optymalizacyjnych. Nie każde narzędzie reklamowane dziś jako AI jest więc czymś zupełnie nowym.

Kluczowa różnica polega na tym, że klasyczne modele były zazwyczaj projektowane do wykonywania ściśle określonych zadań, takich jak klasyfikacja, prognozowanie czy wyznaczanie optymalnej trasy. Generatywna AI rozszerza ten zakres o pracę z językiem naturalnym, mniej ustrukturyzowanymi danymi oraz bardziej złożonymi, wieloetapowymi zadaniami.

Jak AI pomaga optymalizować trasy dostaw i koszty transportu?

Jednym z najbardziej znanych zastosowań analityki i algorytmów optymalizacyjnych w logistyce jest planowanie tras kurierskich. W odcinku pojawia się przykład UPS, który przez lata gromadził ogromne ilości danych dotyczących swoich tras i wykorzystał je do opracowania bardziej efektywnego sposobu planowania przejazdów.

Algorytm był w stanie wskazywać rozwiązania sprzeczne z intuicją i wieloletnimi nawykami kierowców — jednym z najbardziej znanych przykładów było ograniczanie skrętów w lewo na skrzyżowaniach. Problem polegał jednak na tym, że sami kierowcy nie zawsze ufali rekomendacjom systemu.

Pierwsze podejście do wdrożenia nie przyniosło oczekiwanych rezultatów właśnie ze względu na opór użytkowników. Dopiero praca z kierowcami, wyjaśnianie logiki działania systemu i budowanie zaufania do jego rekomendacji pozwoliły skutecznie wykorzystać technologię.

To jeden z ważniejszych wniosków całego odcinka: samo stworzenie rozwiązania technologicznego może być stosunkowo proste. Znacznie trudniejsze bywa wdrożenie go w organizacji i przekonanie ludzi do zmiany dotychczasowego sposobu pracy.

W przypadku organizacji działającej w takiej skali nawet stosunkowo niewielkie usprawnienia przekładają się na ogromne oszczędności. W rozmowie wskazano szacunki mówiące o około 100 mln mil mniej przejeżdżanych rocznie i setkach milionów dolarów oszczędności.

Co generatywna AI zmieniła w branży logistycznej?

Największa zmiana ostatnich lat polega nie tylko na pojawieniu się nowych modeli, ale również na znacznym obniżeniu bariery wejścia.

Generatywna AI pozwala rozwiązywać bardziej złożone i mniej ustrukturyzowane problemy niż tradycyjne algorytmy. Potrafi pracować z językiem naturalnym, interpretować polecenia biznesowe, planować kolejne działania i wykonywać wieloetapowe zadania.

Dzięki temu korzystanie z zaawansowanych narzędzi nie musi być ograniczone wyłącznie do programistów czy wyspecjalizowanych analityków. Przykładowo, osoba odpowiedzialna za operacje może poprosić system o przygotowanie raportu dotyczącego marżowości transportów. Wcześniej takie zadanie mogło wymagać pracy analityka, znajomości bazy danych, przygotowania zapytania SQL, analizy oraz prezentacji wyników.

W przypadku wyspecjalizowanego agenta AI część tego procesu może zostać wykonana automatycznie: agent rozumie polecenie, planuje sposób realizacji zadania, pobiera odpowiednie dane i przygotowuje wynik.

AI w magazynie: optymalizacja kompletacji zamówień i procesów

Ciekawym przykładem omawianym w odcinku jest wykorzystanie AI do poprawy istniejących algorytmów.

W przypadku FM Logistic zadaniem było usprawnienie procesu kompletowania zamówień w magazynie. Organizacja posiadała już algorytm wyznaczający trasy pracowników lub urządzeń przemieszczających się pomiędzy tysiącami produktów.

Przy wykorzystaniu technologii Google AlphaEvolve przeanalizowano tysiące wariantów istniejącego rozwiązania. Według przykładu omawianego w rozmowie zoptymalizowany algorytm pozwolił poprawić wynik o około 10%, co odpowiadało mniej więcej 15 tys. kilometrów mniej pokonywanych wewnątrz magazynu przy wykonywaniu tej samej pracy.

W praktyce oznacza to możliwość obsłużenia większej liczby zamówień bez zwiększania liczby pracowników czy sprzętu.

Jak generatywna AI wspiera tworzenie oprogramowania dla logistyki?

Drugim obszarem jest wykorzystanie AI do budowy nowych aplikacji i systemów.

Proste rozwiązania można obecnie tworzyć bardzo szybko z wykorzystaniem narzędzi generujących kod. W środowisku B2B sytuacja jest jednak bardziej złożona: aplikacje muszą integrować się z istniejącymi systemami, spełniać określone wymagania biznesowe, być bezpieczne, wydajne i poprawnie działać w całej architekturze organizacji.

Dlatego kluczowym pytaniem przestaje być wyłącznie: „jak stworzyć aplikację?”, a coraz ważniejsze staje się: „co dokładnie powinna ona robić i jaki rezultat biznesowy chcemy dzięki niej osiągnąć?”

Zamiast celu typu „wdrożymy chatbota” firma powinna więc określić konkretny rezultat, na przykład skrócenie czasu obsługi klienta z 10 minut do 30 sekund.

Jak agenci AI mogą automatyzować obsługę klienta w logistyce?

Dobrym przykładem procesu o dużym potencjale automatyzacji jest obsługa pytań dotyczących statusu przesyłki.

Jak wskazano w rozmowie, znacząca część zapytań trafiających do operatorów logistycznych dotyczy tego samego problemu: „gdzie jest moja paczka?”

Agent AI może samodzielnie pobrać potrzebne informacje z różnych systemów źródłowych, takich jak TMS, WMS czy ERP, ustalić status przesyłki, przygotować odpowiedź, a następnie przekazać ją klientowi za pośrednictwem chatbota, komunikatora lub kanału głosowego.

Proces, który wcześniej wymagał kilku lub kilkunastu minut pracy konsultanta, a czasami również kontaktu z kurierem, może dzięki temu zostać znacząco skrócony.

Czy AI w logistyce jest dostępna dla małych i średnich firm?

Jedną z największych zmian jest spadek kosztów rozpoczęcia takich projektów.

Jeszcze kilka lat temu budowa zaawansowanego systemu mogła wymagać wielomilionowego budżetu i kilkunastu miesięcy pracy. Dzisiaj pierwsze rozwiązanie odpowiadające na konkretny problem biznesowy może, według przykładu omawianego w odcinku, kosztować rzędu kilkudziesięciu tys. do około 100–200 tys. zł i zacząć przynosić mierzalne efekty już po dwóch lub trzech miesiącach.

Pozwala to zastosować zupełnie inne podejście: zamiast rozpoczynać ogromny program transformacyjny, firma może wdrożyć rozwiązanie w jednym procesie, zmierzyć rezultat, a dopiero później rozwijać kolejne funkcje.

Jak AI automatyzuje dokumenty, faktury i procesy back-office w logistyce?

Logistyka jest branżą bardzo intensywnie wykorzystującą dokumenty. Faktury, listy przewozowe, dokumenty magazynowe, zamówienia, specyfikacje, umowy czy dokumenty celne nadal często wymagają ręcznej obsługi.

Generatywna AI może znacząco ograniczyć tę pracę.

System może analizować dokumenty o różnych strukturach, rozpoznawać najważniejsze informacje, takie jak numer faktury, dane klienta, rodzaj usługi, waga przesyłki, dodatkowe opłaty czy specyfikacja, a następnie porównywać je np. z warunkami określonymi w umowie.

Pozwala to automatyzować nie tylko przepisywanie danych do systemów TMS lub księgowych, ale także ich weryfikację i walidację.

Co istotne, nie jest to zastosowanie ograniczone wyłącznie do dużych operatorów logistycznych. Podobne mechanizmy można wykorzystać w wielu organizacjach posiadających procesy administracyjne oparte na dużej liczbie dokumentów.

Jak wdrażać AI w logistyce, aby osiągnąć realne efekty biznesowe?

Jednym z najmocniej podkreślanych wątków rozmowy jest konieczność odejścia od podejścia „wdrożmy AI”.

Technologia sama w sobie nie powinna być celem projektu.

Firma powinna najpierw odpowiedzieć na pytanie, jaki konkretny problem chce rozwiązać. Może to być:

• zmniejszenie liczby przejechanych kilometrów,
• skrócenie czasu dostawy,
• zwiększenie liczby obsługiwanych punktów,
• ograniczenie zużycia paliwa,
• skrócenie czasu pracy administracyjnej,
• automatyzacja przetwarzania dokumentów,
• skrócenie czasu obsługi klienta.

Dopiero do tak zdefiniowanego celu należy dobrać technologię.

Przykład małej firmy cateringowej pokazuje, że nawet stosunkowo niewielka organizacja może analizować opłacalność optymalizacji tras. Jeżeli inwestycja wynosi około 200 tys. zł, a rozwiązanie generuje około 9–10 tys. zł oszczędności miesięcznie, zwrot może nastąpić w czasie krótszym niż dwa lata. Przy oszczędnościach rzędu 15–18 tys. zł miesięcznie okres ten może zbliżyć się do roku.

Jak mierzyć ROI z wdrożenia AI w logistyce?

Aby ocenić efekty wdrożenia, organizacja musi przede wszystkim wiedzieć, jak wygląda proces przed jego rozpoczęciem.

Bez punktu odniesienia trudno stwierdzić, czy technologia faktycznie cokolwiek poprawiła.

W przypadku procesów administracyjnych warto mierzyć np. czas potrzebny na obsłużenie dokumentu, od jego otrzymania do wprowadzenia danych do systemu.

W przypadku tras można analizować m.in.:

• liczbę przejechanych kilometrów,
• liczbę obsłużonych punktów,
• zużycie paliwa,
• czas pracy kierowcy,
• liczbę dostaw zrealizowanych w określonym czasie.

Jeżeli przed wdrożeniem kierowca obsługiwał 100 punktów dziennie, a później regularnie obsługuje 110, firma dysponuje konkretną miarą poprawy efektywności. Podobnie można porównywać spalanie czy czas potrzebny do wykonania tej samej pracy.

Kluczowa zasada brzmi więc: najpierw definiujemy problem i oczekiwany rezultat, a następnie dobieramy KPI, które pozwolą sprawdzić, czy rzeczywiście go osiągnęliśmy.

Jak przygotować firmę do wdrożenia sztucznej inteligencji?

W końcowej części rozmowy Konrad Kurzydło wskazuje kilka warunków, które zwiększają szanse powodzenia projektu.

1. Przygotowanie danych

Dane powinny być uporządkowane, oczyszczone i dostępne w formie umożliwiającej wykorzystanie ich przez rozwiązanie AI. Bez odpowiedniej jakości danych nawet bardzo zaawansowany model nie będzie w stanie wygenerować wartościowych rezultatów.

2. Jasny i mierzalny cel

Zamiast „wdrożyć AI” należy określić konkretny rezultat, np. skrócenie obsługi klienta z 15 minut do 30 sekund albo skrócenie czasu rejestracji faktury z 35 minut do półtorej minuty.

3. Osoba odpowiedzialna za rezultat

Projekt powinien mieć właściciela, który odpowiada nie tylko za samo wdrożenie technologii, lecz przede wszystkim za osiągnięcie mierzalnego efektu biznesowego.

4. Realistyczny zakres projektu

Próba jednoczesnej optymalizacji całej organizacji zwiększa ryzyko niepowodzenia. Lepszym podejściem jest wybranie jednego procesu i rozpoczęcie od niewielkiego, mierzalnego wdrożenia.

5. Zarządzanie zmianą i oporem pracowników

Nawet najlepsza technologia nie przyniesie rezultatów, jeżeli ludzie nie będą chcieli z niej korzystać. Dlatego równie ważne jak stworzenie rozwiązania są komunikacja, edukacja oraz zaangażowanie użytkowników w zmianę.

Ciekawym miernikiem sukcesu zaproponowanym w rozmowie jest proste pytanie zadane pracownikom po kilku miesiącach: co by się stało, gdyby od jutra tego rozwiązania już nie było?

Jeżeli reakcją jest ulga, wdrożenie prawdopodobnie nie rozwiązuje właściwego problemu. Jeżeli natomiast pracownicy nie chcą już wracać do wcześniejszego sposobu pracy, jest to mocny sygnał, że technologia rzeczywiście stała się wartościową częścią procesu.

AI w logistyce: najważniejsze wnioski dla firm

AI w logistyce nie jest nowym zjawiskiem. Algorytmy optymalizacyjne, machine learning, modele predykcyjne czy computer vision wspierają tę branżę od wielu lat. Nowością jest przede wszystkim skala dostępności technologii oraz szybkość, z jaką można dziś budować rozwiązania odpowiadające na konkretne problemy biznesowe.

Generatywna AI i agenci AI otwierają kolejne możliwości: mogą analizować nieustrukturyzowane dokumenty, komunikować się w języku naturalnym, korzystać z wielu systemów jednocześnie, automatyzować obsługę klienta, wspierać tworzenie oprogramowania i realizować wieloetapowe zadania, które wcześniej wymagały pracy człowieka.

Jednocześnie najważniejszym warunkiem sukcesu pozostaje podejście biznesowe. Organizacja powinna najpierw zidentyfikować konkretny problem, zmierzyć jego obecną skalę, określić oczekiwany rezultat i dopiero wtedy zastanowić się, w jaki sposób AI może pomóc go osiągnąć.

Najbardziej skuteczne wdrożenia nie zaczynają się więc od pytania „gdzie możemy wykorzystać AI?”, lecz od znacznie bardziej praktycznego: „co chcemy poprawić i jak poznamy, że rzeczywiście nam się udało?”