ИИ для логистики: что считает надёжно, а где пустая цифра

Короткий ответ сразу: в логистике ИИ надёжен там, где задача сводится к математике на ваших данных. Это значит разложить заказы по машинам и построить маршруты с учётом окон доставки и грузоподъёмности. И он выдаёт красивую, но пустую цифру там, где результат зависит от того, чего в данных нет. Это сколько машина реально простоит на разгрузке, что сегодня с пробками, как поведёт себя новый клиент. Разница между рабочим планом и игрушкой - не в модели, а в том, насколько ваши данные о времени и загрузке совпадают с жизнью.

Эта статья для владельца, у которого есть доставка: опт со своим развозом, интернет-магазин с курьерами, небольшая служба перевозок. У вас несколько машин, десятки точек в день, окна клиентов, и маршруты сейчас раскладывает логист или вы сами в таблице. Я собираю ИИ-агентов под конкретные дыры в бизнесе. Логистику разбираю с одной меркой: где машина считает надёжно, а где её цифру нельзя пускать в дело без вашего знания города и клиентов.

Если хотите сразу понять, годится ли это вашему развозу, можно разобрать вашу задачу - без общих слов, по вашим машинам и точкам.

Что в логистике ИИ считает надёжно

Надёжнее всего ИИ работает там, где логистика давно формализована как математика. Раскладка заказов по машинам и построение маршрутов - это «задача маршрутизации транспортных средств» (VRP). Её смысл простой: найти оптимальные маршруты для нескольких машин, посещающих набор точек. Когда точек десятки, а машин несколько, вариантов больше, чем человек переберёт за утро, а алгоритм перебирает их за секунды.

Чистая раскладка «кратчайший путь по точкам» - только основа. В реальном развозе к ней добавляют ограничения, и как раз их машина держит хорошо:

• грузоподъёмность: у каждой машины максимальная загрузка, и алгоритм не поставит на газель больше, чем она везёт;
• временные окна: каждую точку нужно посетить в заданное окно - условие, которое в ручной раскладке чаще всего и слетает;
• возврат на склад, обеды водителей, несколько рейсов за день.

Это не только открытые библиотеки для программистов (например, OR-Tools от Google). Есть и готовые сервисы. Яндекс Маршрутизация описывает себя как систему для автоматизированного планирования логистических задач: она распределяет заказы по исполнителям и строит оптимальные маршруты с учётом более 300 параметров планирования. Отдельный сервис мониторинга отслеживает доставку в реальном времени и сообщает получателям ожидаемое время прибытия курьера. Есть и календарное планирование - построение многодневных маршрутов с регулярными посещениями локаций, это для тех, кто ездит к одним и тем же клиентам по графику.

Если убрать маркетинг, надёжный круг задач для машины такой: разложить известные заказы по известным машинам, уложиться в окна и грузоподъёмность, пересчитать план, когда с утра добавили пять заявок. Здесь ИИ экономит не топливо напрямую, а час работы логиста и ошибки ручной раскладки, из-за которых машина едет через весь город дважды.

Откуда берётся пустая цифра

Теперь обратная сторона. Оптимальный маршрут считается не из воздуха, а из входных данных: матрицы расстояний и времени между точками, времени на разгрузку, окон клиентов. Алгоритм честно находит лучший план для тех чисел, что вы в него заложили. Проблема в том, что эти числа часто не совпадают с жизнью - и тогда план получается уверенным, красивым и нерабочим. Это и есть пустая цифра: результат, у которого правильная форма и ложное содержание.

Где именно вход врёт чаще всего:

• Время на разгрузке. В плане заложено 10 минут на точку, а на деле у одного клиента пандус занят и машина стоит 40. План рассыпается после второй точки, окна у остальных слетают.
• Пробки и перекрытия. Среднее время в пути машина берёт из карт, но ремонт, авария или снег она не предсказывает. Чем плотнее окна, тем сильнее одна пробка ломает весь день.
• Прогноз спроса на развоз. Сколько заявок будет завтра в этом районе - это не маршрут, а предсказание. Модель покажет ровную цифру даже там, где у вас две недели данных и один крупный клиент, который и создаёт всю картину.

Общая проверка одна: спросите, откуда взялась цифра. Если она посчитана из того, что вы точно знаете (адреса, окна, паспортная грузоподъёмность), ей можно верить. Если она опирается на то, что надо предсказать или померить в поле (разгрузка, трафик, спрос), это оценка, а не факт, и перепроверять её придётся вам. Та же граница проходит в соседних задачах - я разбирал её для складского учёта, где машина так же уверенно считает остаток и так же легко выдумывает причину его расхождения.

С чего начать: проверка на одном маршруте

Не переводите весь парк на новый инструмент сразу. Логистику безопасно внедрять с одного дня и одной машины, и порядок тут важнее выбора сервиса.

1. Соберите входные данные честно. Не «примерно», а как есть: адреса точек, реальные окна клиентов, паспортная грузоподъёмность машин и, главное, среднее время на разгрузке по вашим прошлым поездкам. Это самая дорогая часть, и именно она решает, будет план рабочим или пустым.
2. Возьмите один обычный день, который уже отъездили. Разложите его маршруты инструментом с теми же заказами.
3. Сравните с тем, как в тот день реально ехали. Где план короче - это ваш потенциальный выигрыш. Где план нарушил окна или перегрузил машину - это сигнал, что во входных данных чего-то не хватает.
4. Повторите на нескольких разных днях, включая тяжёлый. Инструмент, который хорош в спокойный вторник и разваливается в предпраздничную пятницу, вам не подходит.

Такой порядок - часть обычной автоматизации бизнеса, и общие правила «с чего начать» я собрал отдельно в разборе про автоматизацию с помощью ИИ. Логистика просто даёт удобный полигон: у вас есть прошлые маршруты, с которыми можно сравнить план, не рискуя ни одной реальной доставкой.

Что нельзя отдавать машине

Даже когда раскладка работает, часть решений остаётся за человеком - не потому что модель слабая, а потому что нужных данных у неё нет и не будет.

• Знание города и точек. Что к этому дому не подъехать на длинной машине, что у ТЦ разгрузка только с торца, что в этот двор не пускают после девяти. Всё это в голове у водителя, а не в матрице расстояний.
• Отношения с клиентами. Какого заказчика нельзя переносить на завтра, потому что он важный и уже злился, машина не знает. Для неё все точки равны.
• Форс-мажор в моменте. Сломалась машина, заболел водитель, клиент перенёс приёмку за час до визита - здесь нужен диспетчер, который переиграет план. Слепо довериться вчерашнему расчёту тут нельзя.

Поэтому рабочая схема - не «машина всё решает», а «машина раскладывает, человек правит и утверждает». ИИ снимает перебор вариантов и держит окна, вы добавляете то, чего в данных нет. Что ещё ломается при внедрении и как это заметить заранее, я разобрал в статье про риски внедрения ИИ-агентов.

Коротко: чему верить, а что проверять

Чтобы не держать всё в голове, вот та же граница одной таблицей. Слева - задача, справа - откуда машина берёт ответ и насколько ему можно доверять без вашей проверки.

Правило чтения таблицы простое: строки «да» можно отдавать машине - план по ним достаточно бегло просмотреть и утвердить. Строки «оценка» и «проверять» остаются зоной человека. Интеграция с вашими системами (учёт заказов, карты, слежение за машинами) здесь вторична: сначала убедитесь, что входные данные честные, и только потом подключайте их к инструменту автоматически. Красивая панель с цифрами на плохих данных считает так же плохо, просто быстрее.

Сколько это стоит по времени, а не по деньгам

Отдельно про ожидания. Главная цена здесь - не подписка на сервис, а время на сбор и выверку данных в начале. Адреса, окна и грузоподъёмность обычно уже где-то есть. А честное время на разгрузке по каждому типу точек чаще всего приходится собирать заново, по прошлым поездкам или замерам. Пока этой цифры нет, любой инструмент будет строить короткие и невыполнимые планы, и дело не в нём.

Зато когда данные собраны один раз, пересчёт плана при новых заявках стоит секунды. Этот эффект виден сразу: логист перестаёт по утрам вручную тасовать точки. А вы перестаёте платить за лишний пробег из-за того, что машину дважды послали в один район. Обещать конкретный процент экономии я не буду - он зависит от вашего города, плотности точек и дисциплины водителей, и честно его видно только на вашем сравнении из предыдущего раздела.

Частые ошибки

• Поверить демонстрации на чужих данных. Красивый маршрут на витрине сервиса ничего не говорит о вашем развозе. Смотреть надо план по вашим точкам и окнам, а не рекламный ролик.
• Заложить желаемое время разгрузки вместо реального. Если поставить всем точкам по 5 минут, план получится коротким и невыполнимым. Лучше честные 20, чем красивые 5.
• Ждать точного прогноза спроса от двух недель истории. Чем меньше данных и чем сильнее влияет один крупный клиент, тем ближе прогноз к гаданию.
• Оценивать выигрыш по одному удачному дню. Экономия считается на разных днях, включая тяжёлые, иначе это не замер, а совпадение.
• Убрать диспетчера сразу. Первые недели человек должен видеть и править план, иначе одна слетевшая точка превращается в сорванный день.

Источники

Логистика - хороший первый шаг именно потому, что её легко проверить. У вас уже есть прошлые маршруты, и план от машины можно сравнить с тем, как ехали на самом деле. Если хотите понять, где в вашем развозе ИИ снимет работу, а где принесёт пустую цифру, разберём вашу задачу. Четыре вопроса, полминуты, в ответ - карта автоматизации по вашим машинам и точкам.