Електронната търговия донякъде „разглези“ клиентите да очакват доставка веднага и на минимална цена. В същото време разходите за логистика растат, а регулаторните промени и динамиката в геополитиката правят сметката още по-сложна. Дори консервативните прогнози очакват глобалните логистични разходи да се увеличат с около 12% и да достигнат приблизително 14,4 трилиона щатски долара до 2029 година. Тези разходи често се диктуват от пазарни условия, които са извън контрола на компаниите оператори. Затова най-работещата стратегия е да се фокусират върху нещата, които могат да управляват – оперативна ефективност чрез по-добро планиране, по-автоматизирана обработка на заявки, по-бързо и последователно офериране, по-ясно управление на договори и по-висока продуктивност на екипите.

Показателен пример идва от куриерския свят – през 2024 г. FedEx Ground Segment е доставял средно по 9,23 милиона пратки на ден. При подобен мащаб бекофис екипите неизбежно сравняват множество източници на данни, кръстосват тарифи, системи и ексели. Това са повторяеми задачи, които изискват време и създават риск от грешки. Именно тук големите езикови модели (LLM) и AI-базираната аналитика се появяват като практичен помощник – не за да „заменят“ хората, а за да свалят административната тежест и да ускорят решенията.

Логистичният доставчик не само движи товари, той непрекъснато осигурява ресурси – транспортно оборудване, складови площи, опаковки, гориво, технологии и софтуер. Затова много компании имат специалисти по снабдяване (procurement), които управляват доставчици, договарят условия, пускат поръчки и търсят начини за намаляване на разходите. Тук текстово базираният генеративен AI може да е особено полезен: да прочете имейл или оферта, да извади ключовите параметри, да обобщи условията и да предложи отговор или следващи стъпки.

Важно уточнение е, че най-голямата стойност не е в това да пише красиви изречения, а да структурира информацията и да я направи сравнима – бързо, последователно и без умора.

Същата логика важи и за договорите с клиенти, доставчици и контрагенти, които могат да еволюират във времето. При правилна настройка GenAI може да прегледа съществуващи договори, да разпознае повтарящи се и/или конфликтни клаузи и да предложи стандартизирани шаблони за типови споразумения – например договори с превозвачи или за складови услуги. Това спестява време по изготвянето, намалява разходите за правни услуги в рутинните случаи и ограничава риска от непоследователен или остарял договорен език. На практика резултатът е по-малко редакции в последния момент и по-малко двусмислия, които после могат да струват скъпо.

И ако договорите са „рамката“, то ежедневният поток почти винаги започва от едно място: имейла. Голяма част от бизнеса все още се случва по електронна поща – диспечерите и търговците ежедневно получават запитвания с уточнения, нестандартни условия, в свободен текст или чрез прикачени документи. Дълго време това изглеждаше твърде сложно за автоматизация, но тези инструменти вече съществуват. Как става това на практика? GenAI и LLM могат да извлекат ключови детайли, като адреси, тегло, обем, срокове и инструкции за доставка, а понякога и ценови очаквания, ако клиентът ги е описал. След това аналитичният агент оценява риска и цената на услугата, а LLM форматира офертата като готов имейл за потвърждение или корекция от търговец. Така екипът отговаря навреме, преди „прозорецът“ да се затвори и клиентът да избере конкурент.

Нека си представим следния сценарий: получаваме запитване от нередовен клиент, който спешно търси камион от Лион до София. Системата проверява историята на подобни поръчки, актуалните ставки по направлението, транзитното време, разходите за шофьор, горива и пътни такси и на базата на дистанция, тегло, пазарни условия и наличен капацитет генерира оферта. Резултатът не е просто число, а оферта с логика и текст, които търговецът може да валидира и изпрати веднага. Следващата логична стъпка е още по-плавен поток: автоматизирана обработка на запитването, офериране, обработка на заявката и въвеждането ѝ в TMS. Разбира се, това трябва да става след потвърждение и без да се губи връзката с клиента, особено при изключения и чувствителни казуси.

Автоматизация на ценообразуването

Точно тук стигаме и до следващия голям въпрос, как да държим цената актуална, когато пазарът се променя постоянно. Интензивните промени изискват и по-динамично ценообразуване. Ставките се променят според сезонност, наличен капацитет, дисбаланси по направления, както и по-широки оперативни разходи. Опитните диспечери често успяват да извлекат максимум от тази среда, но за мнозина тя е трудна – прекалено много фактори, прекалено много променливи, прекалено малко време. Това прави ценообразуването особено подходящо за автоматизация чрез модел, базиран на реални данни. Ако търсим аналогия, динамичното ценообразуване е близо до начина, по който работят самолетните билети: цената се променя според търсенето, наличността и времевия прозорец.

Ако има нещо, в което „данните + моделът“ се справят по-добре от човека, това е постоянството.

Не се разсейват, не „пропускат“ дребни детайли и могат да следят пазара в движение, така че цената да се коригира навреме, в случаите когато се променят гориво, пътни такси, търсене или наличен капацитет. В ритейл сектора подобна логика вече е дала измерим ефект – динамичното ценообразуване се свързва с ръст на брутната печалба от 5–10%. При транспорта принципът е същият, но „уравнението“ е по-трудно – повече фактори, повече изключения и по-висока цена при грешна калкулация.

Повишена утилизация на флота чрез AI

И все пак истинската полза не е просто да „движим ставка нагоре-надолу“. Голям проблем в практиката например може да бъде утилизацията на подвижния състав и минимизирането на празния пробег – онези километри без товар, които могат тихо да изядат маржа. Там автоматизацията също може да бъде от полза. Много транспортни фирми имат доходоносни товари в една посока, но изпитват огромни затруднения да намерят нормално платени обратни товари. Други пък имат доходоносни обратни товари, но на стотици километри от последното разтоварно място. Дилемата е мога ли да отделя ресурс да търся товари в борсите или да тръгвам празен? Чрез интеграции с подходящите системи (имейли, транспортни борси и др.) и GenAI алгоритмите могат да огледат района и маршрута, да потърсят близки товари „по пътя“ и да предложат цена, която е достатъчно атрактивна за клиента и разумна за превозвача. Това съпоставяне „товар – вместимост“ звучи просто, но в ежедневието често може да е разликата между печалба и загуба.

Хубавото е, че когато този тип решения започнат да се случват по-бързо, ефектът се пренася и в бекофиса почти веднага. Ако входящите заявки вече се „разчитат“ и подреждат автоматично, същото може да се случи и с много от процесите, свързани с документи: фактури, отчети, плащания, изпращане на документ за доставка (Proof of Delivery), стандартни отговори към клиенти. Това са задачи, които рядко са „интересни“, но именно те отнемат много време на екипите. И честно казано, когато говорим за GenAI, целта не е да направим хората излишни, а да им освободим капацитет за работа, която не може да се автоматизира: преговори, обслужване, планиране, вземане на решения при нестандартни случаи и др.

В резултат процесите са свързани с по-малко ръчно въвеждане, по-малко грешки в адреси и параметри, по-малко „препращане“ между екипи и по-малко забавяния, които после трябва да обясняваме на клиента.

Първо данните, после автоматизацията

Разбира се, имплементирането на такъв тип решения има своите предизвикателства. Най-честата причина подобни проекти да не довеждат до желаните резултати е една и съща – данните. За да работят добре езиковите модели и AI алгоритмите, те трябва да стъпят на подредена база – 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.

Вторият важен елемент е контролът. Винаги ще има случаи, в които човешкото одобрение е задължително – специфични договорни условия, нестандартни изисквания, „особени“ клиенти, риск по маршрута. Затова добрата практика е с ясна рамка: кое се автоматизира изцяло, кое минава през проверка и какво считаме за изключение. Към това добавяме измерване на качеството – точност на извличане на данните, разлика между предложена и договорена цена, причини за отказани оферти и т.н. Така се внедрява не просто поредната нова система, а процес, който се управлява и подобрява.

И вероятно това е най-реалистичният поглед към GenAI в логистиката – не като голям скок „от днес за утре“, а като постепенно подреждане на потока от край до край. Входящо запитване → планиране на курса → цена → оферта → договор/условия → изпълнение → документи и фактуриране. Когато тези звена започнат да работят гладко, резултатът е много конкретен – по-бързи отговори към клиента, по-защитени маржове, по-висока използваемост на капацитета и организация, която се адаптира по-лесно към промени.

Най-разумният старт

Най-разумният старт обикновено е с малък проект – една линия, един тип запитване или един поток документи (например RFQ по имейл за конкретни направления или автоматизация на POD (Proof of Delivery) и фактуриране. Ако резултатите се измерят ясно (време за оферта, точност на данните, марж, удовлетвореност), тогава разширяването към останалите процеси идва много по-естествено и без излишен шум.

В заключение можем да обобщим – има фактори, върху които не можем да влияем и пазарът ще остане непредвидим (гориво, капацитет, регулации, геополитика и др.). Затова конкурентното предимство все по-често ще идва от вътрешната организация – колко бързо обработваме информацията, колко последователно оферираме и колко добре използваме капацитета си. GenAI е само част от картината, но е част, която може да даде измерим ефект, когато е стъпила върху качествени данни, ясни правила и човешка валидация там, където рискът го изисква.

Димитър ПАВЛОВ
директор Бизнес развитие в Transmetrics