В логистике ИИ можно начать проверять на извлечении данных из писем и документов, ответах о статусе груза и подготовке вводных для расчёта ставки. Разберём нужные источники, проверки и расходы; тарифную арифметику выполняет отдельный расчёт по правилам компании.
Что автоматизируют первым
Для первого пилота в логистике можно рассмотреть три участка: разбор входящих документов и заявок, ответы на однотипные вопросы клиентов о статусе груза и подготовку данных для расчёта стоимости перевозки. Сам расчёт по тарифу выполняет проверяемая программа, а не языковая модель. Это не самые громкие задачи, зато у них самая понятная экономика: вы точно знаете, сколько часов в месяц люди на них тратят.
Под ИИ здесь почти всегда имеется в виду одно из двух. Первое - языковая модель: программа, которая читает текст и картинки и отвечает текстом, то есть умеет понять письмо или накладную и вытащить оттуда нужные поля. Второе - компьютерное зрение: распознавание того, что видно на фото или с камеры, например номера машины или маркировки на коробке. Подробнее о том, чем ИИ-агент отличается от обычного бота, написано в материале про ИИ-агента для бизнеса.
Задачи и что от них реально меняется
Ниже типовые участки, по которым чаще всего приходят запросы. Сложность указана относительная: она определяет и срок, и цену.
| Задача | Что делает ИИ | Что меняется у вас | Сложность |
|---|---|---|---|
| Разбор заявок с почты | Читает письмо или вложение и вытаскивает маршрут, вес, габариты, дату | Заявка попадает в систему без ручного перепечатывания | Низкая |
| Документы: накладные, акты, счета | Распознаёт скан и заполняет поля в учётной системе | Меньше ручного ввода и описок в номерах | Средняя |
| Вопрос «где мой груз» | Отвечает по данным из вашей системы в чате или мессенджере | Диспетчер перестаёт отвечать на одно и то же весь день | Низкая |
| Предварительный расчёт ставки | Извлекает параметры и вызывает тарифный расчёт; исключения передаёт логисту | Клиент получает цифру быстрее, чем у конкурента | Средняя |
| Подбор машины под заявку | Предлагает варианты по типу кузова, геометрии и доступности | Логист выбирает из короткого списка, а не перебирает всё | Высокая |
| Приёмка и пересчёт на складе | Считает места и сверяет маркировку по фото или камере | Расхождения видны сразу, а не при инвентаризации | Высокая |
| Прогноз спроса и запасов | Предсказывает, что и в каком объёме понадобится | Меньше неликвида и меньше срывов из-за нуля на складе | Высокая |
Первые четыре строки - работа с текстом и данными, и именно там быстрее всего виден эффект. Всё, что связано с физикой склада и камерами, дороже и требует оборудования. Отдельная частая история - входящие обращения: если у вас много заявок с сайта и из мессенджеров, начинать правильнее не со склада, а с обработки заявок.
Почему не стоит начинать с «умного склада»
Запрос обычно звучит масштабно: хотим, чтобы ИИ управлял складом. На практике это самый дорогой и самый долгий путь, и чаще всего он упирается не в ИИ, а в данные.
- ИИ принимает решения по тому, что видит в системе. Если остатки в учёте расходятся с полками, он будет уверенно ошибаться - просто быстрее человека.
- Размещение и маршруты комплектовщика считаются алгоритмами в системе управления складом, и это не задача языковой модели. Часто нужна не нейросеть, а нормальная адресная схема хранения.
- Камеры и датчики - это монтаж, обслуживание и люди, которые будут разбирать спорные кадры. Эти расходы в смету попадают редко, а всплывают всегда.
- Длинный проект оценивайте по этапам: обследование, проверка гипотезы, пилот и расширение. Даже короткая задача требует резерва на найденные исключения.
Разумный порядок обратный: сначала закрыть бумажно-коммуникационный слой, где эффект считается за месяц, а на тяжёлые задачи идти уже с пониманием, какие данные у вас в порядке.
Есть и вторая причина начинать с простого. Пока вы не прогнали хотя бы одну задачу через реальный поток, вы не знаете, сколько у вас исключений. Компания, уверенная, что её заявки приходят в двух форматах, может найти дополнительные форматы на пилоте. Это условный пример, а не наблюдение по клиентским проектам. Эта цифра определяет и срок, и смету по всем следующим задачам, и узнать её дешевле на маленьком участке.
Короткая проверка готовности данных: попросите выгрузить остатки по одному складу и сверьте вручную десять позиций. Если расхождения есть, автоматизировать принятие решений рано - сначала учёт.
Сколько это стоит и из чего складывается цена
В смете всегда две разные части, и смешивать их нельзя. Первая - разовая работа: разобраться в процессе, настроить, связать с вашими системами, проверить на реальных данных. Вторая - ежемесячные расходы: плата за обращения к модели, поддержка и доработки, когда процесс меняется.
Стоимость определяют после теста на ваших письмах и документах. Попросите оценить отдельно извлечение полей, проверку, интеграцию и сопровождение. Для камер добавьте оборудование, монтаж и разбор спорных кадров; для прогнозирования - подготовку истории и сравнение с простым прогнозом без ИИ.
От чего зависит разброс в разы:
- Есть ли у систем API - способ, которым программы обмениваются данными напрямую. Если его нет, данные приходится вытаскивать обходными путями, и это отдельный объём работы.
- Насколько однообразны ваши документы. Пять поставщиков с одним шаблоном и пятьдесят с разными - разные проекты.
- Какая точность нужна. Довести до приемлемого качества быстро, а последние проценты стоят дороже всего остального.
- Сколько обращений в месяц. Плата за использование модели зависит от объёма текста, и на больших потоках это заметная статья.
Подробный разбор структуры затрат есть в отдельном материале про стоимость внедрения ИИ - там же про то, какие строки обычно забывают заложить.
Где ИИ не нужен и чем это грозит
Честный список случаев, когда вы заплатите и не получите ничего.
Когда внедрять рано
- Процесс не описан. Если два диспетчера делают одно и то же по-разному, автоматизировать нечего - сначала надо решить, как правильно.
- Данные в беспорядке. ИИ не наведёт порядок в учёте, он на него опирается.
- Объём маленький. При небольшом потоке сравните время ручной работы и затраты на систему; универсального порога по числу заявок нет.
- Задача меняется каждый месяц. Настройка не успеет окупиться.
Где он ошибается по своей природе
- Плохие сканы и рукописные пометки на накладных. Распознавание падает именно там, где человек ещё справляется.
- Редкие исключения. Модель хороша на типовом и слабее там, где случай единичный, - а в логистике единичные случаи самые дорогие.
- Ответственность. Таможенные и перевозочные документы подписывает человек, и решение о допуске груза остаётся за ним.
- Уверенный неверный ответ. Модель может выдать правдоподобную цифру, которой нет в данных.
Чем это грозит практически: сорванная отгрузка из-за неверно считанного веса, ставка ниже себестоимости, клиент, которому бот отвечал по кругу и не передал человеку. Поэтому в нормальном внедрении есть правило перехода на сотрудника и журнал, по которому можно поднять каждое решение ИИ.
В каком порядке внедрять
Схема, которая сокращает риск потерять деньги на первом же шаге.
- Выберите одну задачу и посчитайте её в часах. Сколько человек, сколько раз в день, сколько минут за раз. Это ваша точка отсчёта, без неё нечего сравнивать.
- Опишите, как задача решается правильно. Фактически это инструкция для нового сотрудника, и её качество определяет результат больше, чем выбор модели.
- Соберите данные для проверки: сто реальных писем, накладных или диалогов, включая проблемные. Не идеальные примеры, а то, что приходит на самом деле.
- Сделайте пилот на одном участке и в режиме подсказки - ИИ предлагает, человек подтверждает. Так вы увидите ошибки до того, как они дойдут до клиента.
- Сравните с точкой отсчёта: сколько времени сэкономили, сколько случаев ушло человеку, сколько ошибок поймали.
- Только после этого снимайте подтверждение там, где точность устраивает, и переходите к следующей задаче.
Ключевой шаг - четвёртый. Режим подсказки стоит почти столько же, сколько полная автоматизация, но защищает от главного сценария провала, когда ошибки накапливаются незаметно. Общий порядок разобран в материале про внедрение ИИ в компании.
Что спросить у подрядчика
Вопросы, которые отсеивают исполнителей до договора.
- Какую задачу закрываем и как измерим результат? Нужна цифра до и после, а не слово «оптимизируем».
- Куда и как подключаемся? Названия систем, способ обмена данными и кто даёт доступы.
- Что происходит, когда ИИ не уверен? Должно быть правило перехода на человека, а не «он разберётся».
- Сколько стоит месяц работы при нашем объёме? Отдельно плата за модель, отдельно поддержка.
- Кому принадлежит настроенное решение и данные после окончания работ? Правильный ответ - вам.
- Что входит в поддержку, если документы или тарифы изменятся?
И отдельно: попросите прогнать ваши собственные двадцать документов или писем до подписания договора. Демонстрация на подготовленных примерах не говорит ни о чём - вся сложность в ваших исключениях. Остальные направления студии - в портфолио.
Наши работы
Сайты, которые студия уже запустила
Четыре проекта N3MIROFF, которые можно открыть прямо сейчас и посмотреть, как они работают.
Агротех с ИИ
SkyFarm ↗
Редизайн сайта систем выращивания: первый экран с контейнерной фермой, схема работы из трёх шагов, карусель продуктов и экран приложения.
Сайт салона
ayvazzovsky.com ↗
Салон сложного окрашивания в Москве: онлайн-запись, видео работ, портфолио и команда. Переехал с Тильды на свой хостинг.
Онлайн-академия
ayvazzovsky.academy ↗
Видеоуроки колористики: каталог, посадочные страницы уроков, личный кабинет и промокоды.
Event-агентство
navsegda-event.ru ↗
НАВСЕГДА: корпоративы и конференции - услуги, кейсы, этапы работы и расчёт мероприятия.
Витрина магазина
Monkey Market ↗
Премиальная витрина магазина кроссовок с заказом в Telegram.
Услуги студии по теме: разработка сайтов под ключ и SEO-продвижение статьями.
Нужен сайт, который принимает заявки, а не просто существует?
Сделаем премиальный сайт на React за 1-2 недели от материалов, с заявками в Telegram или CRM.
Частые вопросы
С какой задачи дешевле всего начать?
С ответов на типовые вопросы клиентов о статусе груза или с разбора входящих заявок с почты. Это один источник данных и понятный результат, поэтому пилот занимает недели, а не месяцы. И эффект сразу видно по разгруженному диспетчеру.
Заменит ли ИИ логиста или диспетчера?
Нет, он забирает механическую часть работы: перепечатывание, однотипные ответы, первичный расчёт. Решения по спорным заявкам, работа с клиентами и разбор исключений остаются за человеком. Фактический эффект измеряют по времени, ошибкам и стоимости обработки.
Нужна ли своя модель или достаточно готовой?
Для разбора документов, переписки и расчётов почти всегда достаточно готовых моделей по подписке. Своя разработка имеет смысл при очень больших объёмах или строгих требованиях к тому, чтобы данные не покидали ваш контур. Начинать с собственной модели дорого и обычно преждевременно.
Что делать, если учёт ведётся в таблицах, а не в системе?
Подключиться к таблицам технически можно, но результат будет неустойчивым: структура меняется, а ИИ опирается на структуру. Разумнее сначала перевести учёт в систему, иначе большая часть бюджета уйдёт на борьбу с данными. На совсем малых объёмах автоматизация обычно не окупается вообще.
Сколько времени занимает внедрение?
Для условного плана простого пилота на одном источнике можно заложить одну-три недели, но срок подтвердит проверка доступов. Разбор документов с подключением к учётной системе - от месяца до нескольких, причём большая часть срока уходит на интеграцию и доступы, а не на саму модель. Зрение на складе и прогнозирование считаются отдельно и зависят от оборудования и накопленной истории.
Посчитаем, что автоматизировать первым
Посмотрим на ваши заявки, документы и переписку и скажем, где ИИ окупится, а где достаточно обычного скрипта.
Получить целевые заявки → Telegram