ИИ в логистике: как разгружают машины, подбирают упаковку и планируют доставку

Какие задачи склада и доставки подходят для ИИ

Складской конвейер не становится ИИ только из-за автоматической работы. Важно установить, где именно используются обучаемая модель, распознавание или адаптивный прогноз, а где — фиксированные правила и математическая оптимизация.

Кейс DHL и Stretch: разгрузка коробок с машинным зрением

DHL коммерчески использует Stretch в Северной Америке с 2023 года. В мае 2025 года компания сообщила о расширении применения и о достигавшейся скорости до 700 коробок в час. Одновременно был подписан меморандум о более чем 1 000 дополнительных роботов. Это намерение расширения, а не подтверждённое число уже установленных машин. Источник: DHL Group, 13 мая 2025.

Boston Dynamics описывает процесс: камеры помогают обнаруживать коробки, робот перемещает их на конвейер, далее они проходят сканирование и попадают в складскую систему. При изменении расположения коробок робот заново оценивает обстановку. Разработчик прямо указывает использование обученной системы зрения. Источник: кейс Stretch на площадке DHL, описание роли машинного обучения.

Практический вывод. Подбирать нужно связку разгрузки и приёмки. Пиковая скорость робота не равна среднему темпу смены: остаются подача машины, настройка, исключения и способность следующего участка принимать поток.

Кейс DHL OptiCarton: выбор коробки и размещения товаров

В апреле 2022 года DHL представила OptiCarton как ИИ-решение для подбора упаковки из существующего набора коробок. Система учитывает состав заказа и габариты, предлагает размер, визуальную инструкцию размещения, а при необходимости — разделение отправления.

По сообщению DHL, первые пилоты показывали экономию транспортных расходов в среднем около 15%, до 35% в отдельных случаях. Это результаты начальных тестов, а не гарантированный тарифный выигрыш любого склада. Важно и то, что экономия упаковочного объёма не всегда пропорциональна цене доставки: результат зависит от тарифа и условий отправления. Источник: DHL Supply Chain, 13 апреля 2022.

Практический вывод. Можно начать с программного пилота, если каталог содержит проверенные размеры и известны ограничения совместной упаковки. При плохих габаритах даже хороший расчёт выдаст неисполнимую инструкцию. Часть этой задачи решается обычной оптимизацией; название ИИ не заменяет сравнения результатов.

Кейс UPS ORION: маршрут с учётом текущей обстановки

В материале февраля 2026 года UPS описывает ORION как систему, которая использует ИИ и машинное обучение для определения маршрута по объёму посылок, местоположениям клиентов и дорожной обстановке. Компания также описывает обновление маршрутов на основе поступающих данных. Источник: UPS, 17 февраля 2026.

Это подтверждение использования в работе перевозчика, но источник не даёт методики, позволяющей перенести конкретный процент экономии на другую службу доставки. Кроме того, историческое развитие маршрутизатора сочетает задачи оптимизации с аналитикой; не каждый эффект старых версий следует приписывать современной нейросети.

Практический вывод. Для собственного внедрения важно учитывать ограничения, которые водитель раньше держал в голове: режим работы точки, допустимое время въезда, реальную длительность обслуживания и особенности транспорта. Короткий маршрут не полезен, если заказчик закрыт или машина не может подъехать.

С чего начать небольшому складу или перевозчику

Первый сценарий выбирают по потерям и готовности данных. Если коробки часто слишком велики и габариты измерены, удобно испытывать упаковку. Если маршрут ежедневно пересобирается вручную, можно проверять помощь диспетчеру. Роботизация имеет больше оснований при значимом и устойчивом объёме подходящих грузов.

Универсальная последовательность «сначала купить оборудование, потом искать задачу» плохо подходит для ограниченного бюджета. Сначала измерьте, где возникает очередь и сколько она стоит. Для каждого варианта перечислите, какие проблемы модель действительно может изменить, а какие зависят от организации смены и других участков.

Какие данные нужны для упаковки и маршрутов

Упаковка: проверяйте фактическую геометрию

Нужны наружные размеры товара в состоянии отгрузки, масса, допустимая ориентация, хрупкость и ограничения совместимости. У коробки — полезный внутренний размер, нагрузка и способ закрытия. Габарит изделия без заводской упаковки может не подходить для расчёта отправления.

Каталог должен различать похожие артикулы и комплектации. Если один товар измерен в миллиметрах, а другой внесён как число в сантиметрах без единиц, модель не исправит проблему надёжно. В журнале отказов упаковщика стоит сохранять причину: неверный размер, нехватка коробки, требование защиты или ошибочная ориентация.

Доставка: адрес — не вся задача

Для маршрута нужны координаты и правила обслуживания: время работы, обещанный интервал, длительность выгрузки, приоритет, масса и объём. По машине — вместимость, ограничения и начало смены. По выполнению — фактические прибытия, отказы и причины переноса.

Прогноз времени в пути и расчёт очередности — разные компоненты. В простом варианте достаточно хорошего оптимизатора с корректными ограничениями. Обучаемая модель может улучшать оценку времени обслуживания или задержек, но её вклад нужно измерять отдельно.

Как встроить ИИ в WMS и TMS

WMS управляет складскими операциями, TMS — перевозками. Предлагаемый контур интеграции должен сохранять их как источник статуса заказа, а рекомендации возвращать в привычное рабочее место упаковщика или диспетчера.

Для упаковки минимальное сообщение включает номер заказа, состав, выбранную коробку, инструкцию и причину ручного изменения. Для маршрута — список остановок, ограничения, версию расчёта и подтверждение диспетчера. Ручная корректировка не должна теряться при следующем автоматическом пересчёте.

Если сервис недоступен, полезно заранее определить запасной режим: действующие правила выбора коробки или последний утверждённый план. Иначе улучшение аналитики создаст новую зависимость, способную остановить отгрузку.

Дополнительный реальный сценарий — агенты HappyRobot в DHL Supply Chain. В публикации ноября 2025 года DHL описывает работу с телефонными и почтовыми взаимодействиями, включая назначение времени и запросы статуса. Для такого процесса особенно важно отличать полученное сообщение от подтверждённого факта перевозки. Источник: DHL Group, 11 ноября 2025.

Как должен выглядеть результат, который можно проверить

Редакционная схема. В обоих случаях исходные ограничения важнее убедительного объяснения алгоритма.

Для упаковки полезен не текст «эта коробка оптимальна», а исполнимая схема с размером, ориентацией и учётом защиты. Для маршрута — план с ожидаемыми прибытием и временем обслуживания, который можно сравнить с фактом.

Условный пример, не клиентский кейс: экономия 12 ₽ на транспортировке заказа выглядит выгодно, но дополнительная упаковка стоит 5 ₽, а средний ожидаемый ущерб от роста повреждений — 9 ₽. Итог составляет минус 2 ₽ на отправление до расходов на систему. Этот пример показывает, почему нельзя оценивать решение по единственной строке тарифа.

Похожая ситуация возникает на маршруте: уменьшение километража при росте числа опозданий может ухудшить итог. Сравнение должно учитывать качество услуги и стоимость повторной доставки.

План пилота: от истории заказов до работы смены

1. Снять базовые показатели. Партии заказов, загрузка, тарифы, ручное время, повреждения и опоздания. Укажите, какие дни и типы заказов вошли в измерение.
2. Проверить справочники. Повторно измерить проблемные позиции, исправить координаты, единицы и ограничения.
3. Проиграть историю. Использовать только информацию, доступную на момент исходного решения. Нельзя давать маршрутизатору будущую пробку как уже известный факт.
4. Запустить рекомендации без исполнения. Упаковщик или диспетчер сравнивает варианты и отмечает причины отказа.
5. Испытать ограниченный поток. Одна зона упаковки, тип заказов или группа маршрутов. Сохранять возможность обычной работы.
6. Проверить влияние на соседние участки. Приёмка, сортировка, погрузка, поддержка и возвраты могут получить дополнительную нагрузку.
7. Рассчитать полную экономику. Решение о расширении принимается после оценки реального эффекта, а не только тестовой скорости.

Календарная длительность зависит от сезонности и частоты исключений. Важнее охватить характерный поток и пиковую нагрузку, чем уложиться в заранее обещанное число недель.

Метрики и окупаемость

Для склада считайте время от прибытия до готовности груза к следующей операции, коробки за оплаченный час, исключения и повреждения. Для упаковки — полную стоимость отправления, долю исполнимых рекомендаций и ручных замен. Для доставки — своевременность, стоимость успешной остановки, повторные попытки и километраж.

Эффект = сокращение транспортных и складских потерь + высвобождённый ресурс − дополнительные материалы, оборудование, сервис и интеграции.

Экономию времени превращают в деньги с учётом загрузки. Если персонал остаётся в смене, результат может заключаться в обработке дополнительного объёма или отказе от сверхурочной работы. Это отличается от фактического сокращения расходов на штат.

У робота дополнительно учитывают обслуживание, ремонт, зарядку, перенастройку и простой. У программного сервиса — плату за операции, сопровождение справочников и стоимость обработки ошибок. Универсальных сроков окупаемости для всех складов нет.

Частые вопросы

Источники и ограничения

Проверено 25 октября 2026 года. Показатели DHL относятся к названным периодам и условиям. Меморандум о расширении не приравнивается к завершённой установке; эффект пилотов упаковки не считается гарантией для других клиентов.

• DHL: коммерческое применение Stretch и планы расширения, 13 мая 2025.
• Boston Dynamics: рабочий процесс Stretch в DHL.
• Boston Dynamics: машинное обучение в системе зрения Stretch.
• DHL: OptiCarton, 13 апреля 2022.
• UPS: ORION в описании логистических процессов, 17 февраля 2026.
• DHL: агенты HappyRobot, 11 ноября 2025.

Связанные материалы: ИИ на производстве, нейросети для маркетплейсов, обработка счетов в бухгалтерии. Все статьи — в оглавлении.