ИИ для логистики: маршруты, склад, документы и диспетчер

ИИ для логистики - это не робот-погрузчик и не беспилотная фура. В обычной компании, которая держит склад и возит товар клиентам, нейросеть закрывает четыре скучных участка: планирование доставки, работу склада, закупки под спрос и перевозочные документы. Пятый участок - первая линия диспетчера, тот самый бесконечный вопрос «где мой заказ».

Разберу каждый участок по отдельности: что уже работает на российских данных, что пока остаётся обещанием вендора и с какого шага начинать, чтобы не выкинуть бюджет на красивую презентацию.

Раз в неделю разбираю, где нейросети приносят компании деньги, а где съедают их. Подпишитесь, если тема ваша.

Что такое ИИ для логистики и что он делает внутри компании?

Под одним словом «нейросеть» продавцы складывают три непохожие вещи, и от этого потом растут ожидания, которые никто не закроет.

Первое - оптимизация. Расчёт маршрутов, размещение товара по ячейкам, подбор машины под заказ. Это математика, которая существует десятилетиями, работает без всякого чата и требует только чистых данных на входе.

Второе - модели предсказания. Прогноз спроса, прогноз нагрузки на смену, вероятность срыва поставки. Тоже машинное обучение, но учится оно на вашей истории продаж и отгрузок.

Третье - языковые модели. Вот они и есть то, что человек обычно называет нейросетью. Их сила в тексте: разобрать заявку из письма, собрать сводку по отклонениям, ответить клиенту, сверить два документа между собой.

Дальше в статье я держу это разделение, потому что от него зависит, что вы покупаете под именем «ИИ для логистики». Оптимизацию покупают сервисом, модели предсказания строят на своих данных, языковую модель подключают к существующим системам.

Где вы сейчас

• Всё в Excel и в голове. Заказы в таблице, маршруты в голове одного логиста, остатки считают по памяти. Первый шаг здесь - перевести данные в систему, и только потом смотреть на модели. Единственное, что даст результат сразу, - разбор входящей переписки.
• Учётная система есть, данные вносят руками. 1С или похожая программа стоит, но накладные и статусы попадают в неё вручную. Здесь окупается распознавание документов и автозаполнение полей.
• Есть WMS или TMS, процессы описаны. Данные чистые, интеграции живые. Это лучшая точка для алгоритмов: маршрутизация, прогноз спроса, подсказки по размещению.
• Вы перевозчик и живёте заявками с бирж. Тогда вам полезнее соседний разбор про ИИ для грузоперевозок: там приём заявок с бирж, подбор рейса и обзвон водителей.

Маршруты: почему логист планирует доставку по три часа?

Начну с картины по рынку, чтобы было понятно, насколько это массовая история.

По данным ComNews, которые приводит компания LogistiX в своём разборе на Хабре, специализированные системы управления перевозками используют только 28% российских компаний. Остальные 72% работают в Excel, на самописных решениях или в учётных системах с минимальной автоматизацией.

Там же интегратор описывает типичный день логиста: два-шесть часов уходит на ручное планирование, когда человек раскидывает заказы по машинам, прикидывает маршруты по карте и записывает результат в таблицу.

«Утилизацию кузова по объёму и весу, товарное соседство, временные окна разгрузки в Excel физически не учесть».

LogistiX, разбор перехода на электронные перевозочные документы, habr.com

Что здесь делает программа. Берёт список заказов с адресами, весом, объёмом и временными окнами, берёт список машин с их вместимостью, и раскладывает одно на другое так, чтобы общий пробег был меньше. Дальше отдаёт на маршрут готовую последовательность точек, а логисту - карту с отклонениями.

Из живых российских сервисов такого класса работает Яндекс Маршрутизация. На официальной странице сервиса заявлено снижение расходов на логистику до 35% и приведены отзывы клиентов, один из которых описывает эффект так:

«Раньше планирование вручную занимало 3 часа, поэтому в 16:00 мы останавливали приём заказов. С Яндекс Маршрутизацией нужно всего полчаса для составления маршрутов, поэтому теперь мы собираем заказы до 18:30».

Отзыв клиента на официальной странице сервиса, yandex.ru/routing

Оговорка обязательная: и процент, и отзывы - это материалы вендора, независимого замера за ними нет. Свой эффект придётся считать на своих заказах, и считать до внедрения: потом сравнивать будет не с чем.

А где тут нейросеть. Сам расчёт маршрута - оптимизация, языковая модель в нём не участвует. Зато она полезна на входе и на выходе. На входе разбирает письма и сообщения клиентов в структурированную заявку: адрес, объём, окно приёмки, контактное лицо. На выходе объясняет логисту и клиенту, почему порядок точек изменился.

Разбор входящей переписки в поля - отдельная задача, и её решают теми же приёмами, что и в других отраслях. Механику я описывал в материале про автоматизацию рутины нейросетями.

Склад: где ИИ помогает, а где просто ускоряет хаос?

Складская часть ИИ для логистики выглядит убедительнее всего на выставках и тяжелее всего внедряется в жизни. Причина в том, что модель работает с событиями, а события должен кто-то записывать.

Компания INTEKEY внедряет системы управления складом. В своём обзоре трендов она разложила прикладные задачи так: прогноз нагрузки по сменам и зонам на основе истории и сезонности, рекомендации по размещению товаров ближе к зоне отбора, анализ маршрутных листов и сценариев отбора в поиске потерь.

Отдельным слоем идёт компьютерное зрение: контроль правильности отгрузки, когда система видит, что кладут не тот товар или не то количество, распознавание номенклатуры по внешнему виду и маркировке, фиксация состояния упаковки. Сюда же относится голосовой отбор, когда задания приходят оператору в гарнитуру.

Главное предупреждение из того же обзора я приведу дословно, потому что оно экономит бюджеты:

«Ни AI/ML, ни компьютерное зрение, ни voice picking не живут отдельно от склада. Это именно надстройки над WMS, а не её замена: модели и алгоритмы начинают давать устойчивый эффект только тогда, когда под ними есть нормальная система управления складом с чистыми данными, формализованными процессами и понятной моделью объектов. Без этого любая «умная» надстройка просто ускорит хаос».

Денис Сумелев, основатель INTEKEY, habr.com

Что это значит на практике. Если приёмка оформляется задним числом, а ячейки хранения существуют только в голове кладовщика, подсказка модели «переложите этот товар ближе к отбору» будет основана на выдуманной картине склада.

Разложу складские сценарии по готовности, чтобы было видно, что можно брать первым.

Отдельно про пересортицу и неликвид. Это две вечные складские боли, и обе упираются в качество учёта. Модель тут бессильна. Если позиция лежит в трёх ячейках под разными наименованиями, никакой прогноз оборачиваемости по ней не построится. Сначала справочник и адресное хранение, потом алгоритмы.

Что работает раньше остального. Разбор документов на приёмке и сводки по отклонениям. Это те же текстовые задачи, только с накладными и спецификациями вместо писем. Отчёты по складу, которые собирает программа вместо кладовщика по вечерам, я разбирал в материале про дашборд без программиста.

Собрать такую связку внутри компании - работа уровня автоматизации бизнеса с ИИ, где сначала описывают процесс, потом подключают модель к учётной системе, и только потом добавляют подсказки. ClaudeLab делает такие решения под конкретный склад и конкретную учётную систему, без переезда на чужую платформу.

Закупки и запасы: можно ли доверить прогноз спроса нейросети?

Официальная справка Сбера по применению GigaChat в логистике ставит прогнозирование спроса и управление запасами первым пунктом: алгоритмы обрабатывают данные о продажах, покупательском поведении и сезонности, чтобы точнее предсказывать спрос и сокращать издержки на хранение.

Формулировка правильная, но по ней непонятно, что покупать. Разложу ИИ для логистики в закупках на составные части.

Что считает модель предсказания. Сколько единиц товара уйдёт в следующие недели по каждой позиции и точке. Из этого выводят точку заказа, страховой запас и дату следующей закупки.

На чём она учится. На вашей истории отгрузок, на календаре акций, на сезонности, на данных о промо у конкурентов, если они у вас есть. Чужие данные тут почти бесполезны: спрос на строительный крепёж в Краснодаре не выводится из спроса на него же в Мурманске.

Где ломается. На товарах с короткой историей, на резких изменениях ассортимента, на дефиците, когда продажи ограничены пустой полкой. Последнее особенно коварно: модель видит ноль продаж и делает вывод, что товар не нужен.

Что здесь делает языковая модель. Три вещи. Достаёт из писем и прайсов поставщиков сроки, цены и условия в единый вид. Отвечает закупщику человеческим языком на вопрос, почему по конкретной позиции прогноз вырос. Готовит запросы поставщикам и разбирает их ответы.

Отдельная история - переписка с поставщиками. Это тот кусок, где ИИ для логистики окупается быстрее всего в закупках. У закупщика она устроена одинаково во всех компаниях: почта, прайсы в таблицах разного формата, спецификации в приложениях, ответы вида «эта позиция под заказ, срок восемь недель». Всё это руками переносится в учётную систему, и именно тут теряются сроки.

Языковая модель разбирает такую переписку в единый вид: наименование, артикул поставщика, минимальная партия, срок поставки, условия оплаты. Дальше закупщик видит сводную таблицу вместо сорока писем и сам решает, где брать позицию.

Второй эффект - контроль обязательств. Модель сверяет, что поставщик прислал в подтверждении заказа, с тем, что было в спецификации, и показывает расхождения по срокам и количеству. Ошибка в одной строке спецификации на складе превращается в неликвид, который потом списывают год.

Для оптовой торговли этот участок обычно и есть главный источник денег, и я разбирал его отдельно в статье про ИИ для оптовых продаж.

Документы: что меняется с 1 сентября 2026 года и при чём тут ИИ?

Это самый недооценённый участок ИИ для логистики, поэтому разберу его подробно.

Что произошло. По Федеральному закону от 07.06.2025 № 140-ФЗ с 1 сентября 2026 года все участники перевозок оформляют в электронном виде транспортную накладную, заказ или заявку на перевозку, экспедиторские документы, железнодорожную накладную и грузовую накладную при авиаперевозках. Об этом сообщила Федеральная налоговая служба в своём разъяснении.

Касается это не только транспортных компаний. Обязанность лежит на грузоотправителях, грузополучателях и экспедиторах, то есть на любой организации, которая регулярно отправляет или принимает грузы.

Что нужно для перехода. ФНС называет три шага: получить сертификат квалифицированной электронной подписи на руководителя и оформить машиночитаемую доверенность для сотрудников, подключиться к одному из аккредитованных операторов информационных систем электронных перевозочных документов, выдать доступ сотрудникам и назначить администратора.

Что остаётся на бумаге. По методическому разбору 1С бумажный формат сохраняется для перевозок специальных грузов, сделок с иностранными контрагентами, перевозок для личных нужд граждан, перевозок между филиалами одной компании и случаев без доступа к интернету, отдельно оговорённых приказами. Электронный путевой лист обязателен не для всех: исключение сделано для маркируемой алкогольной продукции, где он строго электронный.

Сколько есть времени. По тому же разбору переходный период без штрафов при дорожных проверках продлится до 1 марта 2027 года: инспектор ограничится устным замечанием. Регистрация перевозчиков в реестре на платформе «ГосЛог» тоже привязана к этой дате, а экспедиторы регистрируются с 1 марта 2026 года.

Побочный эффект перехода ФНС описывает так: оплата за перевозку приходит в среднем на двадцать дней быстрее, потому что не нужно везти грузоотправителю бумажный оригинал накладной.

Теперь про ИИ. Пока документы были бумажными, автоматизировать их было нечем. Как только обмен идёт в электронном виде, появляются четыре понятные задачи для модели.

1. Распознавание входящих сканов от контрагентов, которые остались на бумаге или прислали фотографию. Модель вынимает поля и кладёт их в учётную систему.
2. Сверка комплектности. Проверить, что по поставке есть накладная, заявка и акт, и что суммы в них совпадают.
3. Поиск по архиву. Найти все перевозки конкретного контрагента с расхождением по весу за квартал, задав вопрос обычным текстом.
4. Подготовка ответа на претензию. Собрать по поставке все документы и переписку в один черновик ответа, который человек проверит и подпишет.

Механику работы с документами я подробно разбирал в двух материалах: нейросеть для документов про распознавание и извлечение полей и проверка договоров нейросетью про сверку условий.

Отгрузки и клиенты: кто отвечает на «где мой заказ», пока люди спят?

С этого участка ИИ для логистики чаще всего и начинают, и причина простая. Вопрос «где мой заказ» съедает рабочий день и не приносит компании ничего. При этом отвечать на него надо: покупатель, который не получил ответа, пишет второй раз и уже раздражённым.

Текстовый бот на статусах. Подключается к учётной системе, узнаёт покупателя по номеру заказа или телефону, отдаёт статус и плановое время. Если данных нет или они устарели, передаёт диалог человеку вместе с историей переписки.

Утренняя сводка для руководителя. Самый недооценённый сценарий. Модель собирает по всем отгрузкам список отклонений: что не выехало, где сорвано окно приёмки, у кого не хватает документов. Руководитель читает пять строк вместо тридцати вкладок.

Уведомления вместо звонков. Сообщение покупателю при смене статуса снимает половину входящих вопросов ещё до того, как их задали. Технически это не нейросеть, но именно эту часть чаще всего забывают включить и потом жалуются, что бот не помог.

Обратная сторона процесса - опрос исполнителей по телефону, и это уже отдельная технология со своими ограничениями. Разбирал её в материалах про голосового робота для обзвона и, применительно к перевозчикам, в статье про ИИ для грузоперевозок.

Что из этого не работает и где вам продадут обёртку?

Ловушка первая: модель придумывает. Языковая модель отвечает уверенно всегда, даже когда данных нет. В логистике это опасно на статусах: ответ «груз прибудет завтра до 14:00» без реальной отметки из системы - выдумка, за которую отвечать вам перед клиентом. Лечится жёстким правилом: если поля нет в системе, бот говорит, что уточнит у менеджера. Природу этого поведения я разбирал в материале про галлюцинации нейросети.

Ловушка вторая: обёртка вместо агента. Под именем «ИИ-диспетчер» часто продают чат, который не подключён ни к чему и просто красиво разговаривает. Проверяется одним вопросом на демонстрации: покажите, откуда берётся статус конкретной отгрузки. Как отличать одно от другого, разбирал в статье про то, настоящий это ИИ-агент или обёртка.

Ловушка третья: данные уходят наружу. Договоры с поставщиками, персональные данные водителей, коммерческие условия - это не то, что стоит вставлять в публичный чат. Что происходит с такими данными и как выбирать контур, разбирал в материале про данные в публичной нейросети.

И четвёртое, для трезвости. Автономная фура, полностью роботизированный склад и «ИИ, который сам управляет цепочкой поставок» - это витрина отрасли. В компании на тридцать человек такое за пару месяцев не ставится. ИИ для логистики в такой компании начинается с участка, где рутина видна и измерима.

Что нужно, чтобы это заработало: данные, доступы и люди

Данные. Список заказов с адресами, весом, объёмом и временными окнами. Остатки по ячейкам, если речь про склад. История отгрузок минимум за год, если речь про прогноз спроса. Архив документов, если речь про их разбор.

Доступы. Программный интерфейс учётной системы или хотя бы регулярная выгрузка. Для 1С это отдельная работа, механику соединения я разбирал в материале про интеграцию ИИ с 1С.

Человек. Тот, кто говорит «да, это правильный ответ» или «нет, тут ошибка». Обычно это старший логист или руководитель склада. Без него пилот превращается в бесконечную демонстрацию.

Замер до старта. Сколько часов в неделю уходит на планирование, сколько заявок теряется ночью, сколько времени занимает поиск документа по претензии. Три числа, снятые за неделю до пилота. Как считать возврат вложений по таким проектам, разбирал в статье про окупаемость ИИ для бизнеса.

Правила безопасности. Что можно отправлять модели, что нельзя, кто имеет доступ к её ответам. Пишется один раз на страницу и раздаётся команде.

Список выглядит скучно, но именно он отделяет работающий ИИ для логистики от презентации о нём.

С чего начать: пять шагов

1. Выписать, где уходит время

   Пять операций логистики, которые повторяются каждый день.

2. Проверить данные

   Понять, в каком виде лежат заказы, остатки и документы.

3. Выбрать один участок

   Взять тот, где рутина видна и результат легко проверить.

4. Собрать пилот

   Две-четыре недели на реальных данных с человеком-приёмщиком.

5. Сравнить с замером

   Решение принимается по числам.

Шаг 1. Выписать, где уходит время

Возьмите неделю и запишите пять операций, которые в вашей логистике повторяются каждый день. Формулировка простая: кто делает, сколько раз в день, сколько минут занимает.

Типичный список выглядит так: перенос заявок из почты в учётную систему, планирование развозки, ответы на вопросы о статусе, поиск документов по запросу бухгалтерии, сверка накладных с фактом.

Не пытайтесь оценить эффект на этом шаге. Задача - увидеть, где действительно уходит время. Интересность участка тут не критерий.

Шаг 2. Проверить, в каком виде лежат данные

Пройдите по каждой операции из списка и ответьте на один вопрос: данные для неё живут в системе или в голове человека.

Заказы в почте и таблице - это данные в полуцифровом виде, их придётся сначала собрать. Остатки в учётной системе с адресным хранением - это данные, с которыми уже можно работать. Маршруты, которые логист держит в памяти, - это не данные вообще.

Отдельно проверьте документы: подключены ли вы к оператору электронных перевозочных документов и в каком виде приходят накладные от контрагентов. После 1 сентября 2026 года это уже не добровольная история.

Шаг 3. Выбрать один участок

Возьмите из списка одну операцию по трём признакам: повторяется чаще остальных, данные для неё есть в цифре, результат можно проверить глазами за минуту.

Чаще всего в этот фильтр попадает разбор входящих заявок или ответы на вопросы о статусе. Реже - планирование маршрутов, потому что оно требует подготовленных справочников по машинам и точкам.

Прогноз спроса на первом шаге берут редко и правильно делают: он требует чистой истории и даёт эффект не за месяц.

Шаг 4. Собрать пилот на реальных данных

Пилот - это две-четыре недели работы на настоящих заявках. Демонстрация на подготовленных примерах не считается. Схема простая: модель делает работу, человек проверяет и правит, все правки записываются.

Обязательное условие - режим подсказки. На первом этапе программа готовит вариант, решение принимает человек. Автономный режим включают там, где за две недели процент правок стал низким.

Считайте не только время. Считайте ошибки: сколько раз модель дала неверное поле, сколько раз придумала данные, сколько раз честно сказала, что не знает. Последнее число - хороший признак.

Пилот на одном участке - это нормальный способ проверить гипотезу, и именно так строится любое внедрение в небольшой компании. Общую схему я описывал в статье про внедрение ИИ в малом бизнесе.

Шаг 5. Сравнить с замером и решить

Достаньте три числа, снятые до пилота, и положите рядом три числа после. Часы на планирование, потерянные заявки, время на поиск документа.

Если разница видна невооружённым глазом - расширяйте на соседний участок. Если разницы нет, честный вывод такой: либо участок выбран неверно, либо данных не хватило. Оба вывода дешевле, чем годовой контракт вслепую.

И только после этого имеет смысл разговор про следующие участки: склад, закупки, документы. По одному, с тем же замером. Так ИИ для логистики и растёт в компании - участками. Одним большим проектом он не заходит.

Чек-лист

• Выписаны пять ежедневных операций логистики с указанием, кто их делает и сколько времени они занимают.
• По каждой операции отмечено, где живут данные: в системе, в таблице или в голове сотрудника.
• Проверено, подключена ли компания к оператору электронных перевозочных документов и кто отвечает за подписи.
• Выбран один участок для пилота по трём признакам: частота, наличие данных, проверяемость результата.
• Сняты три числа до старта: часы на планирование, потерянные заявки, время поиска документа.
• Назначен человек внутри компании, который принимает или отклоняет результат работы модели.
• Записано правило, какие документы и данные нельзя отправлять во внешние сервисы.

Если хотите примерить это на свою компанию, не читая ещё пять статей, на главной странице есть короткий опрос про вашу задачу: по ответам будет видно, какой участок логистики отдавать первым, а какой пока трогать рано.