AI w logistyce: Case study transformacji
Jak firma logistyczna zredukowała koszty o 23% używając AI. Bez magii, same konkrety.
Firma X (nazwy zmienione) miała problem: koszty transportu rosły, trasy były słabe, a zespół tracił 6 godzin dziennie na ręczne planowanie dostaw. Po 8 miesiącach pracy z AI koszty spadły o 23%.
Punkt wyjścia
Firma logistyczna, 150 pojazdów, 3000 dostaw dziennie. Trasy planowano w Excelu i w głowach dyspozytorów. Doświadczenie było bezcenne, ale nie dało się go skalować.
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. Najpierw usiedliśmy z dyspozytorami i patrzyliśmy, 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, który szacuje czas
- ✓ Output: sugerowane trasy w formacie, który dyspozytorzy znają
- ✓ Human in the loop: dyspozytor akceptuje lub modyfikuje
To wzorzec AI-First, Human-Review, czyli jeden z czterech układów współpracy człowieka z AI.
To robię na co dzień: doradzam przy strategii AI i buduję agentów, którzy przeżywają demo.
Faza 3: Uczenie się (Miesiąc 3-4)
Pierwsze wyniki były mieszane. AI sugerowało trasy, które na papierze wyglądały optymalnie. W praktyce nie znały realiów: korków o danej porze, klientów, do których trzeba zadzwonić wcześniej, czy limitów wagi na części ulic.
"Dyspozytorzy stali się nauczycielami AI. Każda odrzucona sugestia uczyła model czegoś nowego."
Zbudowaliśmy feedback loop: gdy dyspozytor modyfikował trasę, model uczył się dlaczego.
Faza 4: Skalowanie (Miesiąc 5-8)
Pilot osiągnął 85% akceptacji sugestii. Wtedy zaczęliśmy skalować, region po regionie, nie wszystko naraz.
Każdy region miał swoją specyfikę. Model uczył się lokalnych wzorców. Po 8 miesiącach mieliśmy pełne wdrożenie.
Kontrolowany rollout falami opisałem jako etap piąty drogi od pilota do skali.
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. Chcieliśmy wdrożyć prognozę popytu, ale dane od klientów były zbyt niespójne. Odłożyliśmy to 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
Jak to powtórzyć
Chcesz powtórzyć te 23%? Zacznij od jednego procesu, nie od całej firmy. Zbuduj małe narzędzie, daj je ludziom, zbieraj feedback i poprawiaj model. Nam zajęło to 8 miesięcy. Kto obiecuje taki wynik po jednym kliknięciu, po prostu jeszcze tego nie robił.
Case study oparte na rzeczywistym projekcie doradczym. Nazwę firmy i szczegóły zmieniłem, żeby zachować poufność.
