ИИ и цифровые двойники в логистике: где они реально работают и как запустить пилот
67% цифровых инвестиций в цепочки поставок уже приходится на искусственный интеллект, но 55% директоров по цепочкам поставок не могут внятно оценить отдачу от этих вложений – такие данные Gartner опубликовал в августе 2026 года. Проблема чаще не в алгоритмах, а в данных и в том, как рекомендации встроены в работу. Разбираем, где ИИ и цифровые двойники в логистике дают измеримый эффект, какие данные для этого нужны и как провести пилот, результат которого можно проверить.
Контекст
Искусственный интеллект в логистике появился не вчера: алгоритмы построения маршрутов и статистические прогнозы продаж работают десятилетиями. Изменилось другое. Данных стало на порядки больше: сканеры, телематика и электронные документы фиксируют каждый шаг груза. Вычисления подешевели, а машинное обучение научилось находить закономерности, которые человек не может описать правилами. Недавно добавился генеративный ИИ, который понимает текст и документы.
Сейчас это важно, потому что у отрасли мало запаса прочности: людей не хватает, спрос колеблется, и процент точности прогноза или загрузки машины – прямые деньги. Но растет и разочарование: модели, которые хорошо смотрятся на презентации, не дают эффекта в операциях. Параллельно из промышленности пришел цифровой двойник – модель склада, парка или сети, на которой решение проверяют до изменений в реальности.
Где ИИ работает: семь задач
| Задача | Что делает модель | Где рекомендация становится действием |
|---|---|---|
| Прогноз спроса | Предсказывает продажи и отгрузки по товарам, складам и дням с учетом сезона, акций и цен | План закупок и пополнения, график смен |
| ETA – прогноз времени прибытия | Пересчитывает время прибытия по треку, пробкам и истории простоев | Окно разгрузки, уведомление получателя, расписание ворот |
| Планирование запасов | Подбирает страховой запас и точку заказа под целевой уровень сервиса | Параметры пополнения в ERP и WMS |
| Маршруты и загрузка | Строит рейсы с учетом окон доставки, веса, объема и режима труда водителей | Рейсы и задания в TMS |
| Динамический слоттинг | Переставляет товар вслед за спросом: ходовой – ближе к зоне отбора | Задания на перемещение в WMS |
| Предиктивное обслуживание | По телематике, кодам ошибок и истории ремонтов находит признаки скорой поломки | График ТО, заказ запчастей до отказа |
| Поиск аномалий | Находит отклонения: странные остатки, перерасход топлива, необычные простои, подозрительные счета | Очередь проверок для сотрудника |
Цифровой двойник: репетиция до изменений в реальности
Цифровой двойник – модель склада, транспортной сети или парка, на которой проигрывают сценарии: что будет, если добавить станцию, поменять график волн или закрыть один из складов. От разовой имитационной модели его отличает связь с фактом: двойник регулярно сверяется с реальной операцией и уточняется. Ошибиться можно в модели, а не на складе в пиковый сезон.
Где двойник полезнее всего:
- Пропускная способность склада – где возникнет узкое место при росте потока: на приемке, упаковке, у ворот.
- Число роботов и станций – сколько нужно под обычный и пиковый день и когда новые роботы перестают добавлять производительность.
- Волны заказов – как часто и какого размера запускать волны, чтобы успевать к отгрузке.
- Маршруты и загрузка транспорта – как изменятся пробег и число машин при новом графике или новой точке сети.
- Сценарии сбоев – что будет при остановке сортировщика, закрытии трассы или задержке поставщика.
Как оценить двойник
| Критерий | Что проверить | Тревожный сигнал |
|---|---|---|
| Качество исходных данных | Откуда взяты нормы времени, скорости, профиль заказов | Паспортные данные и «средние» заказы |
| Проверка на истории | Воспроизводит ли модель известную прошлую неделю | Проверки не было, точность не названа |
| Связь с фактом | Как часто модель получает реальные данные и кто ее обновляет | Сделана один раз и больше не обновлялась |
| Понятность выводов | Объясняет ли модель, где очередь и какой ресурс узкий | Одна итоговая цифра без объяснений |
Как запустить пилот: шесть этапов
- Определить решение и KPI. Какое решение улучшает модель: сколько заказать, когда приедет машина, куда положить товар. Свяжите его с одним-двумя показателями – точностью прогноза, долей доставок вовремя, пробегом на заказ – и снимите базовую линию.
- Проверить качество и владение данными. Есть ли история нужной глубины без провалов и дублей, с едиными справочниками – мастер-данными. Кто владеет каждым источником и можно ли передавать данные поставщику.
- Провести ограниченный пилот. Один склад, одна категория, один регион или часть парка, фиксированный срок – и реальный процесс, а не выгрузка для презентации.
- Сравнить с контрольной группой. Часть решений принимается по-старому на сопоставимых объектах в тот же период. Только так эффект отделяется от сезона и рынка, которые смешивает сравнение «до и после».
- Оставить человека в контуре и вести аудит. Сотрудник видит рекомендацию и объяснение, принимает или отклоняет ее, причины отказа записываются. Журнал показывает, где модель ошибается; ответственность за решение – на человеке.
- Масштабировать при подтвержденном эффекте. Расширять пилот стоит, только если эффект выдержал сравнение с контрольной группой, и с регламентом: кто следит за точностью модели и когда ее переобучать.
Факты: деньги в ИИ идут, отдачу видят не все
| Показатель | Значение |
|---|---|
| Доля ИИ в цифровых инвестициях в цепочки поставок (опрос Gartner, 394 специалиста, ноябрь 2025 – февраль 2026) | 67% |
| Директора по цепочкам поставок, не способные внятно оценить отдачу от ИИ (Gartner, август 2026) | 55% |
| Компании, вложившие в автоматизацию планирования, включая ИИ, от 3 млн $ (опрос Gartner, 243 руководителя крупных компаний, конец 2025 года) | 83% |
| Прогноз Gartner на 2030 год: компании, автономно принимающие хотя бы 10% решений по планированию | 5% (среди автоматизирующих планирование) |
| Мировой рынок control tower – систем сквозного мониторинга цепочки поставок, 2026 (Mordor Intelligence) | 11,57 млрд $; к 2031 – 25,76 млрд $ |
| Специалисты по автопаркам, использующие GPS-трекинг / видеотелематику (Verizon Connect, 2026) | 80% / 46% |
Как читать эти цифры. Опросы Gartner показывают разрыв между вложениями и измерением результата. Сам Gartner считает, что быстрее автоматизируются рутинные решения – пополнение запасов и приоритизация заказов, а проектирование сети и политика запасов еще долго будут требовать человеческого суждения. Отсюда совет аналитиков: мерить улучшение решений, а не факт внедрения. Данные Verizon Connect показывают другое: источники данных для моделей ETA у большинства автопарков уже есть.
Собственная аналитика Логипедии
Какие данные нужны и как мерить эффект
| Задача | Какие данные нужны | Как мерить эффект |
|---|---|---|
| Прогноз спроса | Продажи по товарам и складам минимум за два сезона, акции, цены, периоды дефицита | Ошибка и смещение прогноза против текущего метода, уровень сервиса |
| ETA | Треки GPS, плановое и фактическое время прибытия, простои на точках | Средняя ошибка в минутах, доля прибытий в обещанное окно |
| Планирование запасов | Спрос и его разброс, сроки поставки и их колебания, цена дефицита | Уровень сервиса, оборачиваемость, деньги в запасах |
| Маршруты и загрузка | Адреса с координатами, окна доставки, вес и объем заказов | Пробег на заказ, коэффициент загрузки, доставки вовремя |
| Динамический слоттинг | Частота отбора, габариты, товары из одного заказа, карта ячеек | Путь комплектовщика, строк в час |
| Предиктивное обслуживание | Телематика, коды ошибок, история ремонтов | Внеплановые простои, доля отказов, пойманных заранее |
| Поиск аномалий | Операции WMS и TMS, расход топлива, счета, возвраты | Доля подтвержденных сигналов, сохраненные деньги |
Четыре условия, без которых ИИ не дает эффекта
- Качество данных. Модель воспроизводит ошибки учета: неверные остатки и адреса без координат превращаются в неверные прогнозы и маршруты.
- Понятная бизнес-задача. «Внедрить ИИ» – не задача. Задача – «снизить ошибку прогноза по ходовым товарам и сократить дефицит».
- Обратная связь. Модель должна узнавать, чем закончилась ее рекомендация, иначе она не учится и незаметно деградирует.
- Встраивание в процесс. Рекомендация в отдельном отчете не работает – она должна появляться там, где принимают решение: в WMS, TMS, на экране диспетчера.
Моя интерпретация. ИИ дает эффект там, где решение повторяется часто, результат быстро становится известен, а цена ошибки ограничена: ETA, пополнение, слоттинг, маршруты. Стратегические решения – где строить склад, как менять сеть – принимаются редко и проверяются задним числом; здесь ИИ полезнее как часть цифрового двойника, который сравнивает сценарии, а не выбирает за человека. Главная причина неудач – не слабые алгоритмы, а отсутствие базовой линии и контрольной группы: без них эффект не доказать, и проект закрывают как «непонятную отдачу». Двойник стоит заказывать под конкретное решение – закупку роботов, перепланировку, график волн, – иначе он превращается в дорогую трехмерную картинку.
Что учесть в России. Часть зарубежных платформ планирования после 2022 года ушла из России: проверяйте команду внедрения в стране и возможность развернуть модель на своих серверах. Данные водителей и получателей – персональные, закон требует хранить их в базах на территории России, что ограничивает зарубежные облака и внешние ИИ-модели. Есть и плюс: с 1 сентября 2026 года перевозочные документы оформляются в электронном виде (подробнее об ЭПД), и копится структурированная история рейсов – материал для моделей ETA, маршрутов и поиска аномалий.
Практика: чек-лист пилота
До старта:
- Сформулируйте решение, которое улучшает модель, один-два KPI и снимите базовую линию за период с сезонностью
- Проверьте глубину истории, пропуски, дубли и справочники; назначьте владельца каждого источника данных
- Определите, где будут храниться данные и на каком экране сотрудник увидит рекомендацию
Во время пилота:
- Выделите контрольную группу, которая работает по-старому
- Записывайте каждое отклонение рекомендации и его причину
- Для цифрового двойника прогоните прошлый период и сравните результат с фактом
Решение о масштабировании:
- Сравните KPI пилота и контрольной группы, а не «до и после»
- Посчитайте полную стоимость: лицензии, интеграцию, очистку данных, время сотрудников
- Закрепите, кто следит за точностью модели и когда ее переобучать
Выводы
- ИИ – набор задач, а не одна технология. Каждой задаче, от прогноза спроса до поиска аномалий, нужны свои данные и своя метрика.
- Деньги идут, отдачу видят не все. По данным Gartner, на ИИ приходится 67% цифровых инвестиций в цепочки поставок, но 55% директоров по цепочкам поставок не могут внятно оценить отдачу. Доказать эффект помогают базовая линия и контрольная группа.
- Ценность определяет процесс, а не алгоритм. Качество данных, понятная задача, обратная связь и рекомендация в рабочей системе важнее выбора модели.
- Человек остается в контуре. По прогнозу Gartner, к 2030 году лишь 5% компаний будут автономно принимать хотя бы 10% решений по планированию.
- Цифровой двойник – для проверки до вложений. Он окупается, когда проверяет конкретный сценарий – число роботов, график волн, новую точку сети – и сверен с историей и фактом.
