Сети цепочек поставок охватывают производителей, склады, судоходные линии, автотранспортные парки, розничных продавцов и клиентов. Недавние сбои, начиная от Covid-19 и экстремальных погодных явлений до геополитических конфликтов на Ближнем Востоке и в Восточной Европе, выявили ограничения традиционных инструментов планирования. В ответ компании все чаще внедряют ИИ для повышения прозрачности, прогнозирования сбоев и, в некоторых случаях, принятия оперативных решений без вмешательства человека. Однако амбиции все чаще выходят за рамки прогнозирования и анализа. Некоторые теперь считают, что ИИ может активно управлять и оптимизировать цепочки поставок в режиме реального времени, обучаясь на результатах и постоянно улучшая производительность. Немногие организации приняли это видение с большим усердием, чем логистический гигант CH Robinson из Миннесоты. Основанная в 1905 году, компания теперь обслуживает 75 000 клиентов и 450 000 контрактных перевозчиков, управляя примерно 37 миллионами отгрузок, или фрахтом на сумму 23 миллиарда долларов ежегодно. В прошлом месяце компания запустила Lean AI Engineer, который основан на существующем Lean AI Planner и создает то, что руководители описывают как «агентную цепочку поставок» — экосистему ИИ, способную непрерывно обучаться, адаптироваться и действовать в одной из самых сложных логистических сетей в мире. Джордан Касс, вице-президент CH Robinson по управляемым решениям, заявляет Computer Weekly, что Lean AI Engineer теперь эффективно замыкает цикл: «Он будет работать непрерывно, улучшать операцию, которой управляет, и самовосстанавливаться, когда что-то ломается — без оповещения или того, чтобы человек первым заметил проблему. Lean AI Planner выполняет задачи в режиме реального времени, в то время как Lean AI Engineer изучает результаты, выявляет закономерности, адаптирует логику и влияет на будущие решения». Касс объясняет, что компания управляет сетью, связывающей операторов грузоперевозок, океанских судоходных компаний, авиакомпаний, железнодорожных и автомобильных грузоперевозчиков, охватывающих производство, дистрибуцию, розничную торговлю и центры доставки клиентам. Добавьте постоянно меняющийся набор требований к выбросам углерода, таможенных правил и нормативных обязательств в сотнях юрисдикций, и сложность возрастет еще больше. Именно такую обширную, взаимосвязанную сеть было бы почти невозможно непрерывно оптимизировать только силами человека. Касс утверждает, что технология фактически устраняет необходимость в отдельных инструментах анализа цепочек поставок и оркестровки. «Это то, чего компании со сложной логистикой хотели десятилетиями». Технология теперь обрабатывает 92% отгрузок четвертой стороны логистики по всему миру по автомобильным, морским, воздушным и железнодорожным маршрутам, с момента создания заказа до тендера, маршрутизации, доставки, обработки исключений и оплаты перевозчику. «Теперь мы достигли точки, когда у наших клиентов есть агентная цепочка поставок — целая экосистема ИИ, которая постоянно думает, учится, адаптируется и действует», — заявляет технический директор CH Robinson Майк Нилл Computer Weekly.
Масштабирование человеческого таланта с помощью ИИ
Выражая голос разума на фоне растущих опасений, что ИИ заменяет рабочие места людей, Касс подчеркивает, что подход CH Robinson в конечном итоге направлен на масштабирование человеческого таланта. «Такой уровень премиального логистического обслуживания традиционно зависел от талантливых людей для управления сложностью, принятия разумных ежедневных решений и вмешательства во время сбоев», — говорит он. «Проблема заключалась в том, что талант не масштабировался». Компания изменила это, кодифицировав опыт — около 120 лет — в самой технологии. Это означает, что грузоотправители могут получать доступ к одному и тому же опыту последовательно для каждой отгрузки, независимо от того, кто доступен, в какой часовой пояс они работают, или насколько резко растут или увеличиваются объемы перевозок. «Их команда и наша команда могут сосредоточиться на стратегических приоритетах и достижении наилучших бизнес-результатов», — добавляет Касс. В знак того, как могут выглядеть многие предприятия — и не только логистические компании — в будущем, CH Robinson в настоящее время нанимает около 450 специалистов по данным и инженеров-программистов.
Завышенные ожидания
Не все считают, что путь вперед будет простым. Томас О’Коннор, вице-президент Gartner по логистике и планированию в Азиатско-Тихоокеанском регионе, говорит, что ИИ в настоящее время находится на «пике завышенных ожиданий». Он считает, что технологические лидеры в логистике и других отраслях испытывают растущее давление со стороны высшего руководства с целью внедрения ИИ, даже несмотря на то, что многие организации продолжают испытывать трудности с его определением. «О каком виде ИИ говорят люди?» — добавляет он. «Существует стремление к повышению производительности, но отсутствует ясность в отношении результатов». Перекликаясь с замечаниями Касса из CH Robinson, О’Коннор говорит, что организациям цепочек поставок необходимо принять двухпутный подход, сосредоточенный как на «эксплуатации», так и на «исследовании», причем последнее представляет собой наиболее резкий сдвиг. Он заявляет, что проблемы, с которыми сталкиваются технологические лидеры в логистике и цепочках поставок, по существу не отличаются от тех, с которыми сталкиваются другие сектора. «Руководители по цепочкам поставок должны иметь ясность в отношении данных», — говорит О’Коннор. Это означает понимание владения, точное определение входных источников и знание того, откуда на самом деле поступают данные. «Им необходимо работать с различными партнерами по экосистеме, чтобы гарантировать точность и безопасность данных, поступающих в пул данных». Достижение всего этого требует надежных структур управления данными.
Управление неопределенностью
Роб Хиллард, генеральный директор Deloitte Asia Pacific, говорит, что ИИ уже трансформирует сектор цепочек поставок и логистики, где растет потребность в лучшем управлении тем, что он называет «неоднозначным управлением исключениями». Это стало главным приоритетом для руководителей цепочек поставок, поскольку Covid-19, стихийные бедствия и геополитические конфликты внесли беспрецедентную неопределенность в глобальные логистические сети. Хиллард говорит, что ожидается, что ИИ предоставит меньшим производителям возможности для низкорисковых экспериментов на основе данных, включая запуск продуктов и выход на рынки, непосредственно соответствующие реалиям цепочки поставок и затратам. Он приводит в пример аддитивное производство и 3D-печать. «Это может позволить небольшим предприятиям создавать специализированные продукты и более эффективно их распространять», — добавляет он. Хиллард отмечает, что цифровые лидеры в экосистемах цепочек поставок также должны обеспечить интеграцию и взаимодействие систем, если эффективность должна быть реализована. В то же время ИИ создает мощный импульс к интеграции и совместимости между цепочками поставок, производителями, поставщиками логистических услуг и технологическими платформами.
100 триллионов точек данных
CH Robinson заявляет, что Lean AI Engineer может оценить всю цепочку поставок за 25–30 минут и определить улучшения до того, как производительность будет затронута, по сравнению с традиционными оценками цепочек поставок, которые могут занимать до четырех недель и часто фокусируются на том, что произошло, а не на том, что должно произойти дальше. В то время как Lean AI Engineer предоставляет аналитические данные, Lean AI Planner управляет отгрузками через сотни взаимосвязанных ИИ-агентов и, в свою очередь, передает больше данных обратно в Lean AI Engineer для разработки еще более умных уточнений. Как и в случае со всем ИИ, успех зависит от управления огромными объемами данных и их контекстуализации. Компания заявляет, что теперь управляет 100 триллионами точек данных в своей глобальной сети. Касс объясняет, что его системы Lean AI способны понимать цепочки поставок клиентов изнутри, поскольку они используют данные сквозным образом на каждом этапе процесса доставки, сверх того, что видно разрозненным инструментам. 450 технологических специалистов компании играют ключевую роль в сборе и организации исторических данных, восходящих к самым ранним цифровым системам, одновременно собирая огромные объемы информации о бизнесе и операционной среде каждого клиента, устраняя общие или теоретические предположения. Один из клиентов, первым внедривших технологию, добился ежегодной экономии более 1 миллиона долларов, перейдя с переменного графика доставки на еженедельный. Другой обнаружил, что один забор для обслуживания трех мест доставки сократил загрузку на 81% и принес экономию около 40%.
Роботы наступают
Хотя робототехника долгое время была неотъемлемой частью производственных и цепочечных экосистем, следует ожидать резкого роста инноваций и возможностей по мере того, как ИИ проникает в эту развивающуюся промышленную ДНК. «Производственные линии все чаще интегрируются с роботами», — отмечает Хиллард. Он ссылается на отчет Deloitte «State of AI survey 2026», в котором отмечается, что 2025 год стал годом, когда физический ИИ — слияние физических систем с ИИ — вышел из области научной фантастики в сознание основного бизнеса. Примечательно, что, хотя только 5% опрошенных организаций считают, что физический ИИ трансформирует их отрасль сегодня, более 40% ожидают, что он трансформирует их отрасль в течение следующих трех лет. Между тем, сами роботы становятся значительно умнее и физически более способными, в немалой степени благодаря достижениям в Китае, в то время как эволюция сетей Интернета вещей (IoT) и коммуникаций — от 5G и в конечном итоге до 6G, вплоть до повсеместной спутниковой связи — открывает новые возможности для более интеллектуальных цепочек поставок, логистики и производства. Это привело к появлению новых игроков и инноваций в области ИИ, цифровых двойников, робототехники и промышленной автоматизации. Nvidia стала крупной силой благодаря своим инвестициям в физический ИИ, цифровых двойников и платформы промышленного моделирования, в то время как Siemens, Schneider Electric, ABB и растущая экосистема стартапов разрабатывают технологии, которые связывают принятие решений на основе ИИ с реальными операциями. Между тем, гиганты программного обеспечения, включая SAP, Oracle, Microsoft и Salesforce, встраивают генеративные и агентные возможности ИИ в платформы цепочек поставок. А такие специалисты, как Kinaxis, Blue Yonder, o9 Solutions, Manhattan Associates и Coupa, теперь нацелены на все: от прогнозирования спроса и оптимизации запасов до закупок, складских операций и транспортной логистики. Если первая волна ИИ в цепочке поставок была связана с анализом данных, то следующая, безусловно, связана с действиями на основе этих данных в беспрецедентном масштабе, когда люди и машины тесно сотрудничают, чтобы учиться на прошлом, оптимизировать настоящее и, если не предсказывать, то, по крайней мере, быть лучше подготовленными к будущему. Судя по опыту CH Robinson, будущее, возможно, уже наступило.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – David Binning
