От представянето на ChatGPT през 2022 г. насам изкуственият интелект се превърна в една от най-често споменаваните теми. Говори се за него като за откритие от порядъка на електричеството – нещо, което ще преобърне начина, по който работим, при това по-бързо, отколкото можем да се приспособим. Тази статия обаче не е за хайпа около AI, а за това, какво реално може и какво не той в логистиката и как компаниите да подходят трезво, за да извлекат максимална полза.

Мненията, които чувам, често са нюансни. От една страна, по-иновативните компании (със собствен IT екип) вярват, че с AI лесно ще изградят всичко, което винаги са искали – още утре и почти за без пари. Чувам дори за смели опити за цели TMS системи от хора, които не пишат код. Както казва фразата, блажени са вярващите. От другата страна са тези, които още са в аналоговия свят и смятат, че AI няма приложение в логистиката.

Всъщност и аз бях скептичен (донякъде заради регулаторната рамка още съм) за автономните камиони. Но при скорошна командировка в Маями видях 4 автономни таксита на Waymo от общо 7 коли на едно кръстовище и разбрах, че това AI бъдеще може да е по-близо, отколкото си мислим.

В същото време според Boston Consulting Group около две трети от мениджърите са скептични или недоволни от напредъка си с AI не защото технологията не работи, а защото към нея се подхожда с грешни очаквания.

Истината е някъде по средата. Изкуственият интелект има много потенциал да промени ежедневието ни, но не е вълшебна пръчка с универсално решение за всеки проблем. За да заработи, са нужни реалистични очаквания, ограничаваща рамка, подредени данни и ясна представа кой процес какво изисква. Затова, преди да говорим за ползите, си струва да разчистим няколко от най-разпространените заблуди.

Най-честите заблуди за AI в логистиката

Заблуда: AI е универсално решение, което може да автоматизира всичко. Тази заблуда всъщност събира две грешни очаквания. Първото е за скоростта – че AI е plug-and-play, който „включваш“ и на следващия ден работи всичко. В действителност процесите изискват постепенно внедряване, интеграция със съществуващите системи, инвестиция в инфраструктура и хора плюс постоянен човешки контрол.

Второто грешно очакване е за обхвата – че едно и също решение може да реши всичко. Но зад думата AI стоят съвсем различни технологии, всяка за различна задача: машинното самообучение е подходящо за прогнозиране; компютърното зрение – за сортиране на пратки; оптимизационните алгоритми планират маршрути; езиковите модели обработват текст.

Да очакваш едно решение да се справи с всичко е като да очакваш един инструмент да реже, завинтва и заварява.

Ключът е да изберем правилната технология за конкретния проблем и да преценим дали изобщо той се решава най-добре с AI.

Заблуда: AI ще доведе до масова безработица в логистиката. Да, изкуственият интелект може да поеме повтарящи се задачи, но работи най-добре в тандем с човешката експертиза. Хората остават незаменими при решенията и нестандартните казуси, които системите не могат да обхванат. Много роли ще се променят и ще се появят нови, но това е по-скоро преразпределение на дейности, отколкото изчезване на работата.

Заблуда: AI не греши. Изкуственият интелект е толкова добър, колкото са данните, върху които е обучен. Например наскоро потърсих през Gemini номера на картовия отдел на една банка, а той ми върна този на компания за бързи кредити. Без чисти и релевантни данни резултатите няма да отговорят на очакванията, а качеството на данните в логистиката често е предизвикателство. Добавят се и въпросите за поверителността, сигурността и bias (пристрастност или систематично изкривяване в резултатите – бел. ред.), затова е нужен постоянен мониторинг.

Кои AI технологии наистина променят сектора?

След като разчистихме заблудите, идва по-интересният въпрос: къде AI вече дава реален резултат? Нека погледнем няколко технологии, които оформят сектора днес.

Генеративният AI и големите езикови модели – тихата революция в бекофиса

Ако преди няколко години генеративният AI беше по-скоро любопитство, днес големите езикови модели (LLM) са може би най-бързо навлизащата технология. И то не заради умението да пишат красиви изречения, а заради способността да четат, разбират и структурират текст в мащаб, който никой екип не може да поддържа ръчно. Очаква се пазарът на генеративен AI за логистиката да достигне около 13,9 милиарда долара до 2032 година.

Вземете нещо привидно скучно като документооборота. Товарителници, митнически декларации, CMR, сертификати – всеки в различен формат, от различен подател, често сканиран или сниман на телефон. Езиковият модел може да прочете такъв документ, да провери дали данните съвпадат със заявката и да маркира разминаванията, преди те да се превърнат в проблем. Не е ефектната част от AI, но е тази, която ежедневно изяжда часове на екипите.

Моят опит показва, че истинската полза идва не от отделния „умен“ инструмент, а от натрупването на много малки спестявания на време по цялата верига. Всяко поотделно изглежда дребно – пет минути тук, десет там – но в мащаб освобождават сериозен капацитет.

Vibe coding – софтуер, „изговорен“ с думи

Ако има термин, който тази година излезе извън технологичните среди, това е vibe coding. Той е въведен в началото на 2025 година от Андрей Карпати (бивш AI директор в Tesla и съосновател на OpenAI) и вместо да пишеш код ред по ред, описваш с обикновени думи какво искаш да прави приложението, а AI го изгражда вместо теб.

Защо това е важно за логистиката? Защото тук работят хора, които разбират проблема си най-добре, но не пишат код – диспечери, оператори, мениджъри.

Досега за дори малък вътрешен инструмент чакаха IT отдела или външен разработчик, докато с vibe coding същият човек описва идеята си на естествен език и получава работещ прототип за часове, а не за месеци.

Тук обаче се връщаме към първата заблуда. Прототип за час е едно, а система, на която да стъпи бизнесът – съвсем друго. Кодът, създаден без нужната архитектура и цялостната концепция за работа, е меко казано рисков. Освен това той крие невидими грешки и проблеми със сигурността. Vibe coding е чудесен за бързи експерименти и малки вътрешни приложения, но всичко критично за бизнеса, което докосва пари, лични данни или клиенти, все още изисква солидна архитектура, истински разработчик и обстоен преглед.

Прогнозиране, планиране и оптимизация

Тази част често остава на заден план, но е сред местата, където добре приложеният AI носи най-стабилна възвръщаемост. Да речем, че целта е да подобрите прогнозирането на заявките. Обучавате ML модел с исторически данни – обеми на поръчките, времена за доставка и други фактори, включително „аномални“ случаи, и периодично го преобучавате, за да следва динамиката на бизнеса. А веднъж щом прогнозата е достатъчно надеждна, тя става основа за всичко останало.

Тук на сцената излизат оптимизационните алгоритми. Те подреждат сложни решения – планиране на маршрути, управление на наличности, разпределение на ресурси. Компания с разклонена мрежа за доставки трудно намира най-ефективните маршрути „на ръка“; алгоритъмът анализира исторически данни, трафик и други фактори и генерира оптимизирани маршрути в реално време, което пести гориво и време. Прогнозата казва „какво идва“, а оптимизацията – „какво да направим с наличния капацитет“, затова двете работят най-добре заедно.

Всичко това обаче стъпва на едно условие – чисти данни, и точно тук AI също помага. В логистиката един и същ клиент може да е записан по пет различни начина, а половината адреси – с грешки. Върху такава основа дори най-добрият модел дава резултат, на който никой не вярва. Затова machine learning се използва за откриването на дубликати и аномалии, а езиковите модели – за обогатяване на данните. Комбинирано с човешка експертиза, това свива месеците ръчно почистване до седмици и позволява на планираните прогнози и оптимизация да се случат.

Компютърно зрение (Computer Vision)

За компаниите с разпределителни центрове, обработващи големи обеми пратки дневно, сортирането с компютърно зрение може значително да ускори и да направи по-точна тази операция. Камери по конвейерните линии заснемат всяка пратка, а алгоритмите я разпознават и класифицират по размер, форма, етикети и идентификатори, като баркод или QR код, след което системата я насочва към съответния улей.

Computer vision се използва и за отчитане на пристигащи/заминаващи камиони, като позволява пълно проследяване и валидация на планираното. Технологията намира все повече приложения в морския транспорт, където се използва за сканирането на състоянието на контейнерите и автоматизирането на тези инспекции.

Несъмнено computer vision се използва много и при автономните превозни средства.

Двете условия, без които нищо не работи

Първо – данните. За да работят добре AI алгоритмите, те трябва да стъпят на подредена основа – интеграции с TMS/ERP, телематика и другите вътрешни системи плюс почистване и стандартизиране на информацията. Иначе автоматизираме хаоса, а после се чудим защо резултатът не вдъхва доверие.

Второ – контролът. Винаги ще има случаи, в които човешкото одобрение е задължително – специфични договорни условия, „особени“ клиенти, риск по маршрута. Добрата практика е с ясна рамка: кое се автоматизира изцяло, кое минава през проверка и какво е изключение. Така се внедрява не просто поредната система, а процес, който се управлява и подобрява.

Какъв е изводът накрая

Изкуственият интелект не е нито заплахата, нито панацеята, за които понякога го представят. Той е инструмент, позволяващ сериозни подобрения в ефективността  и скоростта на действие, но не може да бъде оставен да работи безконтролно.

Всяка от разгледаните технологии дава реален ефект, но само приложена на правилното място, върху качествени данни и с човешка валидация там, където ситуацията го изисква.

Все по-често ще идва не от това, кой има „най-много AI“, а от вътрешната организация – колко бързо обработваме информацията, какви системи имаме в действие, колко последователно оферираме и колко добре използваме капацитета си.

Технологиите не са магия, но с правилния подход могат да направят разликата в скоростта, с която компаниите се адаптират. А тази скорост, в днешната динамична среда, е може би най-ценният актив.

Димитър ПАВЛОВ
директор Бизнес развитие в Transmetrics