Следующий разрыв в ИИ: почему компаниям среднего уровня в сфере логистики необходимо исправить свою инфраструктуру, прежде чем они смогут использовать ИИ

Разговор об ИИ часто сосредоточен на доступе, при предположении, что как только компания получает доступ к нужным моделям и инструментам, следующей задачей становится выяснение, как их использовать. Для средних логистических компаний это не обязательно место, где начинается проблема.

Во многих складах и у сторонних поставщиков логистических услуг (3PL) разрыв редко связан с отсутствием системы. Большинство уже имеет систему управления складом (WMS), программное обеспечение для планирования ресурсов предприятия (ERP) или бухгалтерский пакет, соединения с перевозчиками и EDI с крупными клиентами. Проблема заключается в том, что происходит между этими системами.

Точечные соединения накапливаются со временем. Один клиент или торговый партнер подключается одним способом, другой партнер — другим, и в конце концов никто не имеет полного представления о том, какие системы взаимодействуют между собой. Интеграция также зависит от людей, например, когда кто‑то вручную вводит заказы из клиентского портала или каждый утро сверяет вчерашние отгрузки в таблице. 3PL может не узнать о неудачной транзакции, пока клиент не позвонит и не спросит, где находится его заказ.

Ни один из этих факторов не отображается в списке ИТ‑активов, поэтому так легко недооценить проблему. 

Проблема в передаче

Самые крупные операционные проблемы, как правило, возникают при передаче, когда заказ, приход или отгрузка перемещаются из одной системы или компании в другую:

• Входящий заказ, поступивший с опозданием или в некорректном виде, может привести к пропуску волны и пропуску даты отгрузки. 
• Уведомление о предстоящей отгрузке, не совпадающее с тем, что фактически прибыло, может остановить прием, пока сотрудники проверяют каждую палету. 
• Подтверждение отгрузки, которое никогда не попадает в систему клиента, может вызвать задержку выставления счета и привести к возврату средств, когда розничный продавец удерживает штраф за нарушение требований.

Для 3PL эти проблемы умножаются, поскольку каждый клиент имеет свои форматы, правила и ожидания. Склад обычно работает без сбоев, но поток информации вокруг него нарушается. 

Это различие становится более важным, когда компании внедряют ИИ в свои процессы, поскольку ИИ может работать только с доступной ему информацией. Подключение чат‑бота или копилота к одной системе может стать хорошей демонстрацией, но не дает этой системе видимости в операцию, охватывающую несколько систем.

В логистике полезные вопросы часто пересекают эти границы, поэтому ответ о заказе может потребовать информацию из WMS, ERP и системы транспортировки или клиента. Инструмент ИИ, который видит только одну часть этого процесса, работает с неполной картиной.

Наблюдается растущий разрыв между компаниями, чья инфраструктура позволяет ИИ работать с необходимой ему информацией и компаниями, чьи системы остаются разрозненными, и именно здесь формируется следующий разрыв в ИИ. 

ИИ нуждается в основе, с которой он действительно может работать

По‑настоящему готовая к ИИ инфраструктура должна описываться в операционных, а не технологических терминах. Каждое важное событие, такое как заказ, приход, перемещение запасов или отгрузка, должно проходить через общий центр вместо набора отдельных соединений. Формат, который отправляет торговый партнер, не должен оставаться проблемой склада. X12, EDIFACT, XML или JSON должны нормализоваться до единого заказа, прежде чем кто‑то дальше по цепочке будет думать о формате.

Командам необходимо знать о сбое в течение нескольких минут, до того как проблема дойдет до клиента. Та же информация, которую сотрудники используют для выявления и устранения этих проблем, должна быть доступна программному обеспечению и ИИ‑агентам через чистые API, сохраняющие существующие разрешения. Также нужен журнал того, что произошло, чтобы когда ИИ предлагает решение, человек мог проверить причину. 

Когда эти условия выполнены, внедрение ИИ становится гораздо проще. Это не означает, что компании среднего уровня необходимо заменять весь технологический стек. На самом деле, среднему 3PL почти никогда не требуется новая WMS или ERP лишь для готовности к ИИ. Более практичный подход — оставить основные системы нетронутыми и исправить соединения между ними.

Единый центр, к которому подключаются все системы и партнеры, гораздо проще управлять, чем сеть разовых соединений.

ИИ может помочь построить инфраструктуру

Здесь ИИ также может быть особенно полезен для компаний среднего уровня. Традиционно интеграция требовала от людей чтения спецификаций партнёров, ручного сопоставления полей и тестирования этих сопоставлений по одному торговому партнёру за раз. Одна карта партнёра может занимать недели практической работы, тестирования и взаимных обменов с партнёром.

Современные модели ИИ способны читать спецификации и образцы файлов, предлагать сопоставления и проверять их на реальных транзакциях. Затем человек может просмотреть и одобрить результат.

ИИ может сократить ручную работу, необходимую для создания первой версии сопоставления EDI. Специалист может начать с черновика, затем проверить и исправить его перед отправкой через существующий цикл проверки партнёра, позволяя специалистам тратить меньше времени на построение сопоставлений поле за полем, сохраняя контроль над окончательным результатом.

Но существует важное различие между использованием ИИ для интеграции и доверием ИИ в процессе интеграции.

При этом я использую подход, который называю «Предложить, Обосновать, Проверить, Подтвердить».

ИИ предлагает настройку партнёра и сопоставление полей. Он основывается на реальной спецификации и образцах файлов, а не придумывает поля или коды. Отдельный процесс проверки сравнивает сопоставление поле за полем с реальным документом. Затем человек подтверждает результат, прежде чем он попадёт в живой клиентский поток. 

Мы узнали, почему эта дисциплина важна, тестируя карты, сгенерированные ИИ, на реальных производственных документах.

В одном тесте карта, созданная ИИ, прочитала документ о перемещении товаров со склада без ошибок, но всё равно пропустила все 15 строк. В другом случае она сохранила всех шесть сторон в заказе на отгрузку, но потеряла код, определяющий, какая сторона является получателем, а также уличный адрес. Наш автоматический контроль назвал карту чистой, и специалист по EDI обнаружил пробел.

Даже справочные данные могут быть неверными. Файл стандартов, который, как утверждалось, был проверен, расходился с опубликованным стандартом по каждому спорному сегменту, который мы тестировали.

Урок заключается в том, что частичный результат может быть труднее заметить, чем полностью отсутствующий. Проверка должна сравнивать каждое поле в реальном документе с тем, что зафиксировано в карте. Подтверждение того, что документ разбирается, недостаточно. 

Надёжные результаты зависят от дисциплины, окружающей модель, от того, как её используют и как проверяют её выводы.

Ценность начинается до того, как ИИ принимает решение

Работа по инфраструктуре имеет ценность задолго до того, как ИИ‑агент начинает давать операционные рекомендации. Один из 3PL, с которым мы сотрудничали, запускал SAP параллельно со своей складской системой. Каждый входящий приход занимал от трёх до пяти минут ручного ввода, а инвентарь в SAP отставал от дока примерно на 20 минут.

Как только две системы были соединены напрямую, задержка стала почти в реальном времени. Операция сэкономила более 980 трудочасов в год, включая 775 часов на отгрузочных работах. Таблицы в электронных таблицах исчезли, а этикетки, накладные и упаковочные листы начали генерироваться автоматически. Склад сохранил свои существующие рабочие процессы, поэтому никому на площадке не пришлось переобучаться. 

Урок, который мы извлекли из этого проекта, был больше, чем экономия труда. Как только две системы делят одну актуальную картину, именно эту картину нужен ИИ‑агенту, чтобы быть полезным.

Соединение их — это шаг, который делает возможным всё, что следует после него. 

Готовность к ИИ начинается с интеграции

Для компаний, решающих, с чего начать, интеграция должна быть первой, а ИИ выполнять большую часть работы по интеграции. Слишком часто ошибка операций состоит в том, что ИИ рассматривают как нечто, принадлежащее только к концу процесса. Он может помочь ускорить и удешевить работу по интеграции в начале, затем помочь с принятием решений как только эта основа будет создана. 

Средние логистические компании не обязательно нуждаются в большем количестве технологий. Многие уже имеют необходимые системы. Возможность состоит в том, чтобы заставить эти системы работать вместе. Именно здесь ИИ может сыграть роль, выходящую за рамки простого генератора ответов на экране.