Коротко

ИИ для логистики и склада лучше начинать с исключений: машина задержалась, акт не приложили, накладная не сходится, остаток спорный, поставщик прислал не тот файл, клиент просит статус, кладовщик отправил фото повреждения. Это ежедневная работа, которая съедает время диспетчеров, склада, бухгалтерии, менеджеров и поддержки.

В Казахстане к этому добавляется своя реальность: 1C, Excel, WhatsApp, Telegram, почта поставщиков, WMS, сканы документов, водители с короткими сообщениями, разные языки в переписке и транзитная логистика. Kapital отдельно разбирал, как ИИ ускоряет логистику от границы до склада, а локальные WMS-решения вроде Hiro показывают, что цифровой слой склада уже становится нормой.

Но AI не должен первым делом «перестраивать всю логистику». Сначала он должен помочь человеку быстрее разобрать проблему и не потерять следующий шаг.

Начинайте не с маршрутов, а с очереди исключений

Запрос «оптимизируйте нам логистику ИИ» звучит мощно, но почти всегда слишком широкий. Лучше взять одну очередь, где уже есть повторяемая боль.

Для склада это может быть:

  • расхождение при приёмке;
  • повреждение товара;
  • пересорт;
  • отсутствие штрихкода;
  • спор по срокам годности;
  • товар лежит не в той зоне;
  • срочный заказ, но остаток не подтвержден.

Для транспорта:

  • машина стоит;
  • водитель прислал неполный документ;
  • клиент не принимает доставку;
  • маршрут изменился;
  • часть товара приехала позже;
  • перевозчик выставил спорный счёт;
  • нужен статус по нескольким системам.

Для офиса:

  • поставщик прислал счёт без нужных реквизитов;
  • акт не сходится с заявкой;
  • нет фото для претензии;
  • менеджер просит «быстро понять, что случилось»;
  • клиенту нужен аккуратный ответ без внутренней кухни.

ИИ-агент читает сообщение или документ, определяет тип случая, достает данные из доступных источников, ищет правило, собирает недостающие поля и готовит черновик следующего действия. Человек подтверждает.

Как выглядит рабочий агент на складе

Документы поставщиков

Поставщик отправляет счёт, накладную, акт или Excel. Агент извлекает номер, дату, сумму, контрагента, договор, список позиций и сравнивает с тем, что должно быть в 1C или учётной системе. Если чего-то не хватает, он пишет короткий запрос: «нет номера договора», «сумма не совпадает», «не приложен акт».

Это близко к сценарию из статьи как AI-агент проверяет документы, только с логистическим уклоном. Важно: агент не должен сам проводить документ. Он готовит проверку.

Претензии и повреждения

Кладовщик прислал фото, голосовое или короткое сообщение. Агент превращает это в структурированный инцидент: что повреждено, какой заказ, какие фото есть, чего не хватает, кому передать. Если правило требует акт или фото с определенного ракурса, агент просит их сразу, а не через три пересылки.

Вопросы смены

Складские инструкции часто живут в PDF, Google Docs, папках, старых таблицах. Агент отвечает на вопросы по SOP: куда ставить товар с истекающим сроком, как оформлять пересорт, кто согласует списание, что делать с нечитабельным штрихкодом.

Здесь нужен нормальный RAG по базе знаний, а не просто загрузка всех файлов в одну кучу. У инструкции должен быть владелец, версия и дата действия.

Как агент помогает диспетчеру

Диспетчер часто работает в режиме постоянного переключения: водитель, клиент, склад, менеджер, перевозчик, руководитель. Агент может собрать для него короткую картину:

  • где заказ;
  • какой последний статус;
  • кто ждет ответ;
  • какие документы отсутствуют;
  • что можно написать клиенту;
  • когда нужно эскалировать руководителю.

Если в компании есть TMS или WMS, агенту можно дать read-only доступ. Если нет, на первом этапе хватит выгрузок, таблиц и реальных переписок. Главное - не давать модели право менять статусы и обещать клиенту сроки, которых нет в системе.

Отдельно про 1C, Excel и WhatsApp

В СНГ логистический процесс редко живет в одной красивой системе. В 1C может быть счёт, в Excel - график машин, в WhatsApp - решение руководителя, в почте - документ поставщика, а в WMS - фактическое движение товара. Это неприятно, но это реальность.

Поэтому архитектура должна быть приземленной:

  • сначала определить источник правды для каждого поля;
  • дать агенту только нужные права;
  • разделить чтение и запись;
  • записывать, откуда взят ответ;
  • оставлять финансовые и складские изменения на подтверждение человека.

Для интеграций подходит GPT-интеграция с внутренними системами, но не надо начинать с самого сложного API. Иногда лучший первый шаг - разбор документов и создание задач в понятном канале.

Пилот на 30 дней

Выберите один поток. Например: «документы поставщиков по складу», «претензии по повреждениям», «статусы доставок для менеджеров» или «вопросы смены по SOP». Соберите 150-300 реальных случаев.

Для каждого случая разметьте:

  • тип обращения;
  • обязательные поля;
  • правильный следующий шаг;
  • когда нужен человек;
  • какой ответ считается хорошим;
  • какие ошибки недопустимы.

Первые две недели агент работает как помощник: готовит карточку, но не действует сам. Потом смотрите метрики и решаете, что расширять. Такой подход хорошо сочетается с пилотом ИИ за 30 дней и не превращает проект в бесконечную интеграционную стройку.

Что измерять

Для логистики полезны не абстрактные метрики, а показатели очереди:

  • время классификации исключения;
  • доля случаев, где агент сразу собрал все обязательные поля;
  • время подготовки ответа клиенту;
  • количество возвратов из-за неполного пакета документов;
  • точность маршрутизации к ответственному;
  • повторяющиеся проблемы по поставщику, зоне, SKU, перевозчику;
  • время подготовки сменного или дневного отчета;
  • доля ответов, которые человек исправил.

Если агент просто «общается», пользы мало. Если он сокращает ручные касания и показывает повторяющиеся причины сбоев, проект начинает окупаться.

Риски

Самый опасный риск - дать агенту право менять складские или финансовые данные до того, как он научился стабильно читать документы и статусы. Второй риск - подключить всё сразу: 1C, WMS, почту, WhatsApp, телефонию, BI, а потом три недели спорить о правах доступа. Третий - не назначить владельца инструкций.

Есть еще языковой риск. Водитель или кладовщик не будет писать как в регламенте. Он напишет коротко, с ошибкой, иногда на смеси русского и казахского. Это надо тестировать заранее через evals для AI-проектов, иначе на живых сообщениях агент начнет теряться.

Когда переходить к оптимизации маршрутов

Маршрутизация, слоттинг, прогноз загрузки склада, планирование смен - это хорошие задачи. Но они требуют структурированных данных и понятных ограничений: объемы, веса, окна доставки, зоны, стоимость, доступность машин, SLA, фактическая история. Если этого слоя нет, лучше сначала навести порядок в исключениях и документах.

AI-агент для исключений не заменяет WMS или TMS. Он делает их данные понятнее для людей и связывает системы с реальной коммуникацией. Это часто быстрее дает эффект, чем попытка одним проектом «сделать умную логистику».

FAQ

Можно ли подключать агент к 1C?

Да, но сначала лучше read-only: статус счёта, отгрузка, контрагент, остаток, договор. Запись и проведение документов стоит оставлять за человеком или отдельным подтверждаемым действием.

Что быстрее всего автоматизировать на складе?

Разбор документов, претензии, вопросы по SOP и сменные отчёты. Эти процессы повторяются каждый день и хорошо проверяются на реальных примерах.

Нужен ли WMS до внедрения ИИ?

Не всегда. Для части сценариев хватит документов, таблиц и сообщений. Но если цель - остатки, адресное хранение, партии и скорость сборки, без WMS или хотя бы дисциплины учёта агент будет видеть неполную картину.

Чем это отличается от обычного таск-менеджера?

Таск-менеджер хранит задачу. AI-агент помогает понять, что за случай пришел, какие данные не хватает, какое правило применить и кому передать. Но задача всё равно должна фиксироваться в системе, где команда работает.