AI w logistyce: Case study transformacji

Firma X (nazwy zmienione) miała problem: rosnące koszty transportu, nieefektywne trasy, i zespół który spędzał 6 godzin dziennie na planowaniu dostaw. Po 8 miesiącach pracy z AI - koszty spadły o 23%.

Punkt wyjścia

Firma logistyczna, 150 pojazdów, 3000 dostaw dziennie. Planowanie tras odbywało się w Excelu i głowach dyspozytorów. Doświadczenie było bezcenne, ale nie skalowało się.

PROBLEMY PRZED WDROŻENIEM

• 6 godzin dziennie na planowanie tras
• 15% pustych przebiegów
• Brak real-time reagowania na zmiany
• Wiedza tylko w głowach 3 seniorów

Faza 1: Zrozumienie problemu (Tydzień 1-4)

Nie zaczęliśmy od AI. Zaczęliśmy od siedzenia z dyspozytorami i obserwowania jak pracują. Okazało się, że 80% decyzji opiera się na prostych regułach, a 20% wymaga doświadczenia.

Te 80% to idealne terytorium dla AI. Te 20% - zostawiliśmy ludziom.

Faza 2: MVP (Tydzień 5-10)

Zamiast budować "platformę AI do logistyki", zbudowaliśmy jedno narzędzie: optymalizator tras dla 10 pojazdów w jednym regionie.

MVP SCOPE

✓ Dane: historia tras z ostatnich 6 miesięcy
✓ Model: prosty algorytm optymalizacji + ML do predykcji czasu
✓ Output: sugerowane trasy w formacie który dyspozytorzy znają
✓ Human in the loop: dyspozytor akceptuje lub modyfikuje

Faza 3: Uczenie się (Miesiąc 3-4)

Pierwsze wyniki były mieszane. AI sugerowało trasy które na papierze wyglądały optymalnie, ale nie uwzględniały rzeczywistości: korki w konkretnych godzinach, klienci którzy wymagają wcześniejszego call'a, ograniczenia tonażowe na niektórych ulicach.

"Dyspozytorzy stali się nauczycielami AI. Każda odrzucona sugestia była sygnałem do uczenia modelu."

Zbudowaliśmy feedback loop: gdy dyspozytor modyfikował trasę, model uczył się dlaczego.

Faza 4: Skalowanie (Miesiąc 5-8)

Po osiągnięciu 85% akceptacji sugestii w pilocie, zaczęliśmy skalować. Region po regionie, nie wszystko naraz.

Każdy region miał swoją specyfikę. Model uczył się lokalnych wzorców. Po 8 miesiącach - pełne wdrożenie.

Wyniki

METRYKI PO 8 MIESIĄCACH

Koszty transportu: -23%
Czas planowania: z 6h do 45 min
Puste przebiegi: z 15% do 7%
Terminowość dostaw: z 91% do 97%

Co się nie udało

Transparentność. Próbowaliśmy wdrożyć predykcję popytu, ale dane od klientów były zbyt niespójne. Odłożyliśmy na później.

Real-time rerouting działał w teorii, ale kierowcy nie chcieli zmieniać tras w trakcie dnia. Zmiana kulturowa okazała się trudniejsza niż techniczna.

Lekcje

1. Zacznij od obserwacji, nie od technologii
2. MVP to jedna funkcja, nie platforma
3. Ludzie są częścią systemu, nie przeszkodą
4. Feedback loop > większy model
5. Skaluj powoli, region po regionie

Podsumowanie

AI w logistyce to nie magia - to metodyczna praca. Zrozum problem, zbuduj małe rozwiązanie, ucz się, skaluj. 23% oszczędności nie pojawiło się po wciśnięciu przycisku. Pojawiło się po 8 miesiącach cierpliwej pracy.

Case study oparte na rzeczywistym projekcie doradczym. Nazwa firmy i szczegóły zmienione w celu zachowania poufności.