AI w logistyce: planowanie tras, dokumenty i agenci — co naprawdę działa 

W logistyce AI działa tam, gdzie jest dużo powtarzalnych, nierównych danych - w pierwszej kolejności przy obsłudze dokumentów, a dopiero potem przy planowaniu tras. Największy zwrot zwykle daje jednak nie model językowy, tylko porządne dane wejściowe i integracja z systemem, w którym już pracujesz. To, co w branży nazywa się „agentem AI w logistyce", w praktyce często jest wąskim narzędziem do jednego zadania, a nie autonomią, która sama prowadzi flotę.

Poniżej rozdzielam to, co ma realne pokrycie w źródłach i wdraża się w małej firmie, od tego, co wciąż jest pitchem dostawcy. Tam, gdzie brakuje twardych liczb, mówię o tym wprost, zamiast podstawiać średnią z raportu branżowego.

Planowanie tras: najpierw planer, AI w drugiej kolejności

Optymalizacja tras nie zaczyna się od AI. Zaczyna się od zwykłego planera, który bierze pod uwagę kilka konkretnych zmiennych: liczbę przejechanych kilometrów, zużycie paliwa, odcinki płatne i bezpłatne, natężenie ruchu i korki, ładowność oraz pojemność pojazdu, koszt pracy kierowcy. Do tego dochodzą parametry zlecenia - okna czasowe odbioru i dostawy, typ pojazdu (mroźnia, cysterna, ciężarowy), punkty startu, postoju i zakończenia. Cel jest prosty: najkrótszy czas przejazdu, najmniejsza liczba kilometrów albo najtańsza trasa, zależnie od tego, co w danej chwili jest droższe.

Skala problemu tłumaczy, dlaczego to w ogóle działa: przy dużym wolumenie punktów istnieją setki tysięcy, a nawet miliony możliwych kombinacji przejazdów, których człowiek nie jest w stanie jednocześnie przeanalizować. Praktyczny próg, kiedy planowanie ręczne zaczyna generować opóźnienia i błędy, to według źródeł sytuacja, w której liczba punktów na trasach przekracza kilkanaście dziennie. Poniżej tej granicy lepiej zostać przy Excelu i jednym doświadczonym dispatchere. Przy większej flocie liczby przestają być wygodą i robią się pierwszym use case, który da się zmierzyć.

AI wchodzi w to miejsce dopiero wtedy, gdy pojawiają się czynniki, których klasyczny algorytm nie zna. Analiza ruchu drogowego i warunków pogodowych po to, by rekomendować alternatywne trasy wysyłki i zmniejszać ryzyko nieplanowanych opóźnień. Priorytetyzacja wysyłek według wielkości zamówienia, obietnicy dostawy, terminu umownego, znaczenia klienta lub dostępności produktu. Dokładniejsze szacowanie czasu przyjazdu. Symulacje na cyfrowych bliźniakach, żeby ocenić przekierowania tras dystrybucyjnych przed wdrożeniem.

Jedno ostrzeżenie, bo tu marketing wyprzedza fakty: w żadnym ze sprawdzonych źródeł nie ma liczby opisującej, ile procent paliwa, kilometrów albo godzin realnie oszczędza wdrożenie AI w planowaniu tras. Są deklaracje dostawców, ale to nie są pomiary. Dlatego zamiast obiecywać procent, proponuję zmierzyć godziny przed i po wdrożeniu jednego przepływu - dopiero wtedy masz liczbę, którą da się obronić przed księgowością.

Dokumenty: najbliższe realnej wdrożeniu

Jeśli miałbym wskazać pierwszy obszar w firmie transportowej lub spedycyjnej, postawiłbym na dokumenty. Nie dlatego, że jest tam najwięcej pieniędzy, tylko dlatego, że efekt widać po dwóch tygodniach, a nie po dwóch kwartałach.

Mechanizm jest prosty: model językowy potrafi czytać dokument, rozpoznać jego typ, wyciągnąć z niego konkretne pola i sklasyfikować go do właściwego procesu. W łańcuchu dostaw opisuje się to jako zdolność do inteligentnego wprowadzania, ekstrakcji i klasyfikowania danych zawartych w plikach, żeby zapewnić integralność transakcji między wieloma stronami. Agenci dokładają do tego kolejny krok - potrafią sami segregować dokumenty, oceniać ich treść i odpalać kolejne kroki procesu.

Do tego dochodzi multimodalność, czyli łączenie kilku źródeł informacji: model potrafi porównać to, co jest na dokumencie, z tym, co widać na zdjęciu, i z tym, co usłyszałeś w nagraniu. W firmie produkcyjnej albo magazynowej to oznacza realne oszczędności, bo zamiast przepisywać danych do systemu, system robi to za pierwszym razem.

Czego nie ma w źródłach, więc czego nie napiszę: wiarygodnej liczby określającej dokładność OCR na dokumentach przewozowych i celnych. To jest dokładnie ten parametr, który warto zmierzyć u siebie, zanim podpisze się jakąkolwiek umowę. Weź dziesięć typowych dokumentów, przepuść je przez narzędzie i policz, ile pól wymaga poprawki ręcznie.

Agent AI to nie jest zwykła automatyzacja

Agent AI różni się od skryptu, który wykonuje jedną sekwencję kroków, jedną rzeczą: sam decyduje, jakie kroki są potrzebne, żeby dojść do celu. W Microsoft tłumaczą to jako wirtualnych współpracowników, którzy wykonują zadania w imieniu osoby, zespołu albo całej organizacji, i którzy projektowani są tak, by uczyć się, dostosowywać i działać samodzielnie. Dostawcy rozwiązania opisują to praktyczniej: praca z jasno zdefiniowanym celem i samodzielne planowanie oraz wykonywanie kroków w firmowych systemach.

Podział na typy bywa pomocny, bo od razu widać, czego się oczekuje. Wyróżnia się pięć podstawowych: reagujący na bodziec, oparty na modelu świata, zorientowany na cel, optymalizujący oraz uczący się. Ten ostatni wymaga dużo danych i dojrzałości procesu, więc w firmie transportowej raczej nie zaczynasz od niego.

Najczęstsza ścieżka wdrożenia zaczyna się jednak nie od agentów. Zaczyna się od uporządkowanych danych, potem od asystentów, którzy pomagają, a dopiero na końcu pojawiają się agenci wykonujący zadania samodzielnie. Inny producent dzieli to jeszcze prościej: asystent podpowiada, agent działa. Ta sama logika działa przy doborze technologii - stabilny i przewidywalny proces obsługuje klasyczna automatyzacja regułowa, a dopiero procesy ze zmiennym otoczeniem warto oddawać agentowi.

Agent jest połączony z resztą firmy przez API, a nie przez „wiedzę" modelu. Tam, gdzie API nie ma, agent musi klikać w interfejs jak człowiek - działa, ale jest wolniejszy i bardziej podatny na błędy. Zanim ktoś zaproponuje Ci reimplementację Twojego systemu TMS, zadaj pytanie: czy ono w ogóle ma API i kto o nie zapyta. Przy okazji warto przejrzeć test dziesięciu zadań biznesowych z agentami - to dobra miara, zanim zaczniesz cokolwiek kupować.

Co najczęściej nie wychodzi

Źródła, również te od dostawców, są tu zgodne. Wdrożenie AI w planowaniu i zarządzaniu łańcuchem dostaw nie jest jednodniowym projektem - bywa kosztowne i trudne. Jeśli firma nie przygotuje odpowiedniej, wysokiej jakości zbioru danych, wraca stare powiedzenie: śmieci na wejściu, śmieci na wyjściu. Szkolenie pracowników wymaga zaplanowania przestojów, co też kosztuje.

Do tego dochodzą koszty, których nie ma na pierwszej stronie oferty. Trenowanie własnego modelu zwykle wymaga serwerów z procesorami graficznymi, a to podnosi rachunek za chmurę. Zdarza się, że integracja musi sięgnąć w wielu węzłach globalnego łańcucha dostaw, i wtedy zadanie, które na slajdzie wyglądało na „dodaj AI do okna", zamienia się w projekt informatyczny.

Sama oferta również bywa myląca. Materiały dostawców kładą nacisk na możliwości, a milczą o tym, że pakiet nie pokazuje automatycznie pełnego kosztu budowy i utrzymania rozwiązania, nie potwierdza zgodności z wymaganiami bezpieczeństwa i nie określa praw do kodu, danych oraz modeli. Jeśli nie znajdziesz w ofercie odpowiedzi na pytanie, kto zostaje właścicielem wdrożenia i modelu, to jest odpowiedź. Pięć typowych wdrożeń, które skończyły się źle, opisuję osobno - warto to przejrzeć przed podpisaniem czegokolwiek.

Od czego zacząć w firmie, która nie ma zespołu IT

Kolejność kroków, którą powtarza kilka niezależnych źródeł, wygląda następująco.

• Audyt, nie pomysł. Zanim cokolwiek kupisz, sprawdź jakość danych o produktach, klientach, zapasach, zamówieniach i wysyłkach. Sprawdź, które systemy muszą się ze sobą komunikować, kto ma dostęp do czego i gdzie są role użytkowników. To jest lista kontrolna, a nie lista życzeń.
• Wybierz zadanie częste i regułowe. Najlepsze pierwsze zadania to te, które wykonujesz setki razy w miesiącu i które da się opisać regułami. Pojedynczy, niepowtarzalny przypadek jest najgorszym kandydatem na pilotaż. Pomocna jest lista siedmiu procesów wartych automatyzacji - nie jako recepta, tylko jako wzorzec do oceny własnych.
• Zdefiniuj, po czym poznasz, że się udało. Zanim cokolwiek uruchomisz, ustal jedną liczbę i zapisz wartość wyjściową. Bez tego nie odróżnisz sukcesu od animacji. Zanim policzysz oszczędność, przejrzyj szablon, który do tego służy - to oszczędza sporę czasu na sprawozdaniach.
• Zacznij od jednego wątku, zostawiając człowieka w pętli. Dopóki proces się nie ustabilizuje, każda decyzja, która może dotknąć pieniędzy albo odpowiedzialności za ładunek, powinna mieć człowieka, który ją zatwierdza. Źródła opisują to jednoznacznie: agenci mają uzupełniać ludzi, a nie ich zastępować. Praktyczne znaczenie ma to też dla pamięci agenta, narzędzi i człowieka w pętli.
• Dopiero potem szukaj platformy. Na tym etapie wiesz, jaki masz problem, i zamiast dopasowywać ofertę do problemu, porównujesz konkretne narzędzia. Przy budowie przepływów w n8n pięć wzorców architektury powtarza się przy większości wdrożeń i warto je znać, zanim zaczniesz projektować.

Po wdrożeniu zostaje pytanie, co dalej z utrzymaniem i kto to ruszy, kiedy zmienią się przepisy albo struktura firmy. Dlatego zakres i wycena powinny być na piśmie, a nie w przeszłym mailu.

Dane wrażliwe, RODO i AI Act

Dokumenty przewozowe, dane kierowców, numery kontrahentów, historia wysyłek - to są dane osobowe lub dane firmowe o charakterze poufnym, a wpuszczenie ich do zewnętrznego modelu językowego to decyzja, którą trzeba podjąć świadomie. Poniższe liczby pochodzą z materiałów jednego dostawcy rozwiązań compliance, który powołuje się na badania wtórne (m.in. AMP S.A. I/2026, Cyberhaven Labs V/2024, ESET i DAGMA 2025). Podaję je z atrybucją, bo to nie są ustalenia Komisji Europejskiej: 69% pracowników używa AI bez wiedzy pracodawcy, 72% wkleiło do niego dane firmowe, a 27% udostępniło dane wrażliwe. W Polsce odsetek pracowników korzystających z AI wynosi 19%.

Ten sam materiał podaje kary za niedopełnienie obowiązków: za AI Act do 35 mln EUR lub 7% obrotu, w RODO do 20 mln EUR lub 4% obrotu, w NIS2 do 10 mln EUR lub 2% obrotu, a przy braku zgłoszenia incydentu w ciągu 24 godzin grozi ograniczenie działalności do 2 lat. Traktuj te wartości jako sygnał, nie wykładnię - jeśli planujesz używać AI na danych firmowych, warto to przegadać z audytorem.

Praktycznie: zanim wkleisz cokolwiek do obcego modelu, sprawdź, jakie masz umowy z dostawcą i gdzie fizycznie te dane leżą. Jeśli nie masz czasu na przeglądanie umów i polityk samodzielnie, porozmawiaj z kimś, kto zajmuje się tym codziennie.

Co bym wybrał na start

Gdybym miał wskazać jeden pierwszy projekt dla firmy transportowej, byłby to obsługa dokumentów: od zeskanowanego papieru do rekordu w systemie, z człowiekiem zatwierdzającym. Nie dlatego, że jest spektakularny, tylko dlatego, że daje się go zmierzyć w godzinach i nie wymaga wymiany całego systemu. Potem - i dopiero potem - rozmowa o trasach i o tym, co z planerem, który masz już w firmie.

Jeśli chcesz sprawdzić, czy to dotyczy Twojej firmy, jest jeden szybki test: wypisz dziesięć zadań, które Twoi ludzie wykonują w kółku, i zaznacz te, przy których otwierają dokument i przepisują z niego dane. Jeśli jest ich więcej niż kilka, masz kandydata na pierwszy projekt - a przy okazji dobry materiał do rozmowy.

Napisz do mnie - odpowiadam zwykle tego samego dnia. Jeśli wolisz najpierw spokojnie przejrzeć przykłady, to zobacz projekty i sprawdź, jak pracuję.