OpaGPT Как вы оцениваете рынок логистики в 2026 году? Какие основные болевые точки вы видите?
В 2026 году рынок логистики столкнулся с тройным давлением: рост стоимости топлива на 18% по сравнению с 2024 годом, дефицит водителей (до 25% вакансий в автопарках остаются открытыми более 3 месяцев) и ужесточение требований к срокам доставки со стороны маркетплейсов. Ключевая болевая точка — разрыв между обещаниями клиентам и реальными возможностями инфраструктуры. Например, компания, с которой мы работали, теряла до 12% заказов из-за срывов сроков, вызванных неоптимальной маршрутизацией и простоями на складах. При этом их TMS (система управления транспортом) была внедрена 8 лет назад и не учитывала динамические изменения трафика и погоды. Второй острый момент — складская логистика: до 40% времени грузчиков уходит на перемещение между зонами хранения, а не на обработку заказов. WMS часто работает как пассивный учёт, а не как инструмент оптимизации.
Что стало триггером для внедрения ИИ-агентов именно в этой логистической компании?
Триггером стал финансовый квартал, когда операционная маржа упала до 2,3% при среднерыночных 5,1%. Руководство поняло, что ручное управление цепочками поставок достигло потолка. Конкретно: их автопарк из 340 грузовиков простаивал в среднем 4,2 часа в неделю на каждую машину из-за несогласованности загрузки и времени прибытия на склад. Кроме того, прогнозирование спроса осуществлялось по Excel — с точностью около 62%, что приводило к перезаказу 18% товаров и дефициту 11% позиций. Они обратились к нам с запросом: «Снизить затраты на 20% за полгода». Мы ответили, что с использованием ИИ-агентов управления цепочками поставок можем дать 25% за 4 месяца. Это стало отправной точкой.
Как именно ИИ-агенты оптимизировали маршруты и сократили простои автопарка?
Мы развернули агентов на базе платформы OpaGPT, которая интегрировалась с их TMS и WMS. Первый агент — «Маршрутизатор» — анализировал 56 параметров в реальном времени: пробки, погоду, время загрузки/разгрузки на конкретных складах, доступность парковок, тахографы и даже уровень усталости водителя (по данным с датчиков руля). Второй агент — «Диспетчер простоев» — отслеживал каждую минуту простоя и автоматически перераспределял задания. Результат: через 3 недели среднее время простоя сократилось с 4,2 до 1,1 часа в неделю на машину. Это дало экономию в 2,8 млн рублей в месяц только на топливе и амортизации. Конкретный пример: раньше маршрут Москва — Ростов-на-Дону прокладывался по кратчайшему пути (1140 км), но из-за постоянных пробок на М4 и ограничений по времени загрузки в Ростове машина тратила 16 часов. ИИ-агент предложил альтернативный маршрут через Тамбов и Волгоград (1310 км), но с ночной загрузкой в Ростове — время в пути сократилось до 12,5 часов, а расход топлива упал на 9% за счёт равномерного скоростного режима.
Как изменилась складская логистика после внедрения ИИ-агентов?
Складская логистика претерпела кардинальные изменения. Мы внедрили агента «Оптимизатор WMS», который перестроил зоны хранения на основе частоты заказов и веса товаров. Раньше товары группы А (высокооборачиваемые) лежали в дальнем конце склада — до них шли 120 метров. Агент предложил переместить их в зону «нулевой мили» — первые 15 метров от ворот приёмки. Дополнительно агент «Прогнозист» с точностью 93% предсказывал объём заказов на неделю вперёд, что позволило заранее комплектовать 60% заказов в ночную смену, когда тарифы на электроэнергию ниже на 35%. В результате время сборки заказа сократилось с 45 до 22 минут, а количество ошибок комплектации упало с 2,3% до 0,4%. Отдельно отмечу: агент «Инвентаризатор» запускал частичные пересчёты каждые 4 часа, выявляя расхождения в реальном времени — это снизило потери от недостач на 1,2 млн рублей в месяц.
Как ИИ-агенты повлияли на прогнозирование спроса и управление запасами?
До внедрения точность прогнозирования спроса составляла 62% — компания либо затаривала склад (излишек на 18% позиций), либо недополучала товар (дефицит 11%). Мы запустили агента «Спрос-аналитик», который обрабатывал 14 источников данных: историю продаж за 3 года, погодные данные, индексы потребительских настроений, график рекламных кампаний, даже данные с касс конкурентов (агрегированные через API). Агент пересчитывал прогноз каждые 6 часов и передавал обновления в TMS и WMS. Через 2 месяца точность прогноза выросла до 91%. Это позволило снизить страховой запас с 25% до 9% от оборота. Конкретный пример: по товарной группе «сезонная автохимия» раньше закупали на 3 месяца вперёд, замораживая 4,7 млн рублей. Агент предсказал, что пик спроса сместится на 2 недели раньше из-за аномально тёплой зимы, и рекомендовал растянуть поставки на 5 партий по 2 недели. В результате избежали кассового разрыва и недопродаж, сэкономив 1,3 млн рублей на хранении.
Какие конкретные цифры снижения затрат вы можете назвать по итогам кейса?
По итогам 4 месяцев внедрения мы зафиксировали следующие показатели: общее снижение затрат на 25,3% (с 78,4 до 58,6 млн рублей в месяц). Детализация: сокращение простоев автопарка — на 73% (экономия 2,8 млн руб./мес); оптимизация маршрутов — снижение пробега на 11% (1,9 млн руб./мес на топливе и резине); складская логистика — уменьшение времени сборки на 51% и ошибок на 82% (экономия 1,6 млн руб./мес); прогнозирование спроса — снижение страхового запаса на 64% (высвобождение 12,3 млн руб. оборотных средств единоразово). Дополнительно: сокращение времени на рутину у диспетчеров — с 4 до 0,5 часов в день, что позволило перераспределить 3 сотрудников на аналитику. Окупаемость проекта наступила на 47-й день.
Какие риски внедрения ИИ-агентов вы видите и как их минимизировали?
Основные риски: сопротивление персонала (диспетчеры боялись, что их заменят), качество данных (в TMS были «битые» координаты по 12% адресов) и переобучение модели на специфику компании. Мы минимизировали их так: провели 4 сессии разъяснения, показав, что ИИ-агенты берут на себя рутину, а диспетчеры переходят на контроль исключений. Для очистки данных запустили агента «Валидатор» — он за 2 дня нашёл и исправил 3400 ошибок в адресах и 2100 — в весах товаров. Переобучение: мы использовали transfer learning — взяли базовую модель OpaGPT, обученную на 500 тыс. логистических кейсов, и дообучили на данных компании за 3 месяца (80 тыс. заказов). Это заняло 6 часов вместо 3 недель, если бы учили с нуля. В результате точность рекомендаций агентов достигла 95% уже на второй неделе. Единственное, что остаётся рискованным — кибербезопасность: мы изолировали агентов от внешних сетей и настроили аудит каждого действия.