10 октября 2026 г.
ИИ для логистики: маршруты, прогноз спроса и обработка заказов

ИИ для логистики полезен в трёх местах: составить маршруты с учётом ограничений, оценить будущий спрос по истории заказов и разобрать входящие заявки на понятные действия. Начни с одного участка и сравни его результат с привычным процессом. Модель без актуальных адресов, остатков и правил доставки выдаст аккуратный план, по которому невозможно работать.
Я бы не начинал с покупки «умной логистической платформы» для всего бизнеса. Сначала нужно понять, что именно болит: машины едут лишние километры, склад закупает не те позиции или сотрудники часами переносят заказы из писем. Решения для этих задач устроены по-разному, а красивое демо редко показывает грязные данные и исключения твоей компании.
ИИ для логистики: какие задачи вообще стоит решать
Слово «логистика» склеивает доставку, закупки, склад, возвраты и документооборот. Один алгоритм не закрывает всё сразу. Для маршрутов нужны адреса, временные окна, вместимость транспорта и доступность водителя. Для прогноза спроса - история продаж, календарь акций, остатки и сроки поставки. Для разбора заказов - формат входящих сообщений, справочник товаров и правила подтверждения. Данные одного участка не заменяют данные другого.
У Microsoft Dynamics 365 Transportation management планирование перевозок может начинаться как с заказов, так и с созданных по ним отправок. В документации отдельно разобраны входящие и исходящие перевозки. Это хороший пример разделения процесса: факт заказа ещё не означает, что груз можно погрузить и отправить сейчас. А красивый маршрут на карте не доказывает, что нужная позиция действительно лежит на складе.
Я бы разделил работу на три разных контура: предлагать решение, проверять его на реальных ограничениях, фиксировать результат в учётной системе. Автоматизировать третий этап до появления проверки опасно: ошибка в адресе превращается в поездку, а ошибка в количестве - в недовоз. Ниже разберу контуры отдельно и покажу, с чего начать без переделки всей инфраструктуры.
Маршруты: машина, адрес и окно доставки
Оптимизация маршрута - задача с жёсткими условиями. Есть точки доставки, машины, грузоподъёмность, время работы и условия клиента. Алгоритм должен найти допустимый порядок посещения и только потом искать экономию времени или пробега. Если адреса записаны в разных форматах, сначала нужен нормальный справочник и проверка координат. Иначе модель красиво расставит неверные точки.
Попросить чат-бота «распиши 30 доставок по машинам» можно для чернового обсуждения, но он не получает автоматически ни дорожные ограничения, ни занятость автомобилей. Для рабочего расчёта я бы использовал специализированный маршрутизатор с явными ограничениями. Языковая модель рядом пригодится для разбора свободного текста: клиент пишет «только после обеда, вход со двора», система превращает это в проверяемые поля, диспетчер подтверждает. Решение о назначении машины затем принимает оптимизатор по структурированным данным.

В пилоте сравни старый и новый план на одних и тех же заказах. Зафиксируй число доставленных заказов вовремя, пробег, ручные перестановки и случаи, когда маршрут оказался невозможен. Не делай вывод из одного удачного дня: пробки, районы и состав заказов меняются. Важно записать, какие ограничения алгоритм действительно видел. Если окно доставки есть только в личном чате водителя, никакая «умная» оптимизация его не учтёт.
Прогноз спроса: отдели продажи от потребности
Прогноз - не волшебная таблица «сколько купить завтра». Он оценивает вероятный спрос при известных допущениях. Если позиция неделю отсутствовала на складе, нулевые продажи не означают нулевой интерес. Если в прошлом месяце была разовая акция, всплеск продаж не обязан повториться. Поэтому до выбора модели собери историю по товарам и точкам, даты отсутствия товара, праздники, акции и возвраты.
У Microsoft в документации по планированию с прогнозом спроса подробно описано, как включать прогноз в общий план и уменьшать прогнозную потребность уже оформленными заказами. Это практическое напоминание: один и тот же спрос нельзя одновременно учитывать как прогноз и как полученный заказ. Иначе закупка завысится, даже если сама модель правильно оценила будущее.
Для первого опыта возьми одну стабильную категорию и проверь качество на прошлых периодах, скрытых от расчёта. Сравни прогноз с наивным ориентиром: например, фактом соответствующего периода прошлого года, если такой период у тебя есть и он сопоставим. Считай отдельно недостачу и излишки. Средняя ошибка может выглядеть приемлемой, но бизнесу больно именно тогда, когда закончился ходовой товар или залежался скоропортящийся. Контрольный показатель выбирает владелец закупки, а не нейросеть.

Не путай прогноз спроса с фактом наличия. Планировщик может предложить пополнение, но склад должен подтвердить остаток, сроки поставки и минимальную партию. При резкой смене рынка история перестаёт быть хорошим ориентиром; тогда ручная корректировка с зафиксированной причиной полезнее уверенного графика на год. Хорошая система хранит исходный прогноз и человеческую правку, чтобы позже понять, кто был прав.
Обработка заказов: от письма до подтверждения
Здесь языковая модель часто приносит пользу быстрее сложной оптимизации. Заказы приходят в письмах, таблицах и сообщениях: названия товаров написаны по-разному, адрес неполный, количество спрятано в комментарии. ИИ может извлечь поля в черновик: клиент, позиции, единицы измерения, адрес, желаемая дата и вопросы по недостающим сведениям. Дальше обычная бизнес-логика проверяет код товара, цены, остатки и допустимые даты.
Я бы делал процесс по шагам: входящее сообщение сохраняется как оригинал; модель извлекает поля вместе с фрагментами-основаниями; система отмечает несовпадения со справочником; сотрудник подтверждает спорные строки; только после этого заказ попадает в учёт. Если клиент написал «десять коробок», а справочник ведёт штуки, ответ модели «10» без единицы измерения нельзя автоматически отправлять на сборку. То же касается смены адреса или отмены заказа.
Критерий успеха - не число обработанных писем, а доля заказов, которые сотрудник подтвердил без исправлений, и количество дорогостоящих ошибок после подтверждения. Проверь отдельно повторные письма, дубли вложений, несколько адресов в одном заказе и изменения после первого согласования. Для похожей задачи на входящих обращениях я описывал узкий агентный процесс и проверку результата. Логистика добавляет к нему физические ограничения, от которых нельзя отмахнуться хорошим промптом.
Какие данные подготовить и что можно сделать самому
Перед внедрением составь короткую карту данных: где рождается заказ, кто меняет адрес, откуда берётся остаток, как водитель закрывает доставку и кто решает спорную ситуацию. Укажи владельца каждого поля. Если у одной заявки три номера в трёх системах, сначала свяжи их одним ID. ИИ не исправит этот разрыв самостоятельно; он только ускорит передачу непроверенной записи по цепочке.
Самостоятельно можно собрать выборку прошлых заказов без персональных данных и отметить для каждого известный итог. Затем сделай ручной эталон: какие строки требовали звонка клиенту, где доставка опоздала и почему, какие закупки пришлось срочно докупать. Для маршрута нужны точки и реальные ограничения, для прогноза - календарь и остатки, для заказов - оригинал и подтверждённые поля. Не складывай всё в одну гигантскую таблицу «для нейросети»: каждому сценарию нужен свой вход и своя проверка.
Если привычная система уже поддерживает планирование перевозок или прогноз, проверь её возможности до покупки нового инструмента. Сам алгоритм может быть в TMS или ERP, а языковая модель работать только на входе для очистки текста и на выходе для понятного отчёта. Когда ИИ для управления проектом готовит статус, он тоже зависит от факта в трекере; здесь роль такого источника играет система заказов и склада. Без неё отчёт о доставке может выглядеть убедительно и оставаться неверным.
Как проверить пилот и не купить красивую презентацию
Я бы сформулировал пилот так: «для одной смены предлагаем маршруты и сравниваем их с решениями диспетчера», либо «для одной категории предсказываем потребность без доступа к будущим продажам». Не три направления одновременно. Зафиксируй правила сравнения до запуска: один период, одни и те же ограничения, отметки об отменах и ручных исправлениях. Тогда неудобные дни не исчезнут из отчёта только потому, что портят среднее.
У каждого сценария свой главный риск. В маршрутах - недоставленный заказ ради экономии километров. В прогнозе - дефицит или зависший запас при красивой средней точности. В обработке заказов - молча изменённое количество или адрес. Попроси систему сохранять исходник, предложение и подтверждённое человеком решение. Если этой истории нет, после ошибки ты даже не узнаешь, на каком шаге она появилась.
Если данные уже аккуратные и узкое место повторяется каждый день, тогда есть смысл обсуждать интеграцию с исполнителем. Если адреса хаотичны, остатки не сходятся, а статус заказа живёт в личных переписках, начни с учёта и правил обновления данных. Я бы не платил за «ИИ во всей логистике», пока команда не может показать, на каком конкретном участке он улучшает измеряемый результат. Дальше масштабируй только проверенный сценарий.
