AI w logistyce to wciąż marzenie?

Jednymi z pierwszych trudności, które dostrzegają firmy z branży logistycznej, są jakość oraz dostępność danych. Systemy logistyczne – takie jak TMS (Transport Management System), WMS (Warehouse Management System) czy ERP (Enterprise Resource Planning) – często działają w odizolowaniu, tworząc tzw. silosy danych. Dane są rozproszone, niespójne, nieustrukturyzowane lub niekompletne, co uniemożliwia efektywne wykorzystanie ich do trenowania modeli AI. Tymczasem dane przetwarzane i wymieniane między tymi systemami muszą być ustandaryzowane
(rozumiane i zapisane w ten sam sposób), aktualne i pozbawione błędów. Przed wykorzystaniem w procesie uczenia AI należy je odpowiednio przygotować i „oczyścić”.

Dodatkowo, integracja tych systemów to wyzwanie samo w sobie. Niejednokrotnie przedsiębiorstwa logistyczne borykają się z problemem interoperacyjności, korzystają z oprogramowania pochodzącego z różnych „epok”, często bez wsparcia dla nowoczesnych protokołów komunikacyjnych, takich jak API. Integracja oznacza konieczność migracji, modernizacji, a przede wszystkim – dużych kosztów. To bariera nie tylko technologiczna, ale i finansowa.

Logistyka wymaga analizy ogromnej ilości danych w czasie rzeczywistym, a do tego niezbędna jest odpowiednio duża moc obliczeniowa. Można temu sprostać, inwestując w odpowiednio wydajną infrastrukturę lokalną lub korzystać z chmury obliczeniowej – obie opcje są kosztowne. Do tego dochodzi ryzyko związane z bezpieczeństwem danych – zarówno w kontekście ataków cybernetycznych, jak i zgodności z przepisami. Ujmując krótko, firmy muszą skorzystać z dostawców gwarantujących odpowiedni poziom bezpieczeństwa, ale jednocześnie same muszą zadbać o bezpieczeństwo tych elementów, które pozostają w ich odpowiedzialności, muszą przemyśleć i dostosować się do regulacji dotyczących ochrony danych (RODO) i nie zapomnieć o szeroko rozumianym problemie ataków czy manipulacji algorytmów.

W raporcie PwC Global AI Jobs Barometer 2024 69% respondentów wskazuje, że nie posiada wewnętrznych kompetencji, aby samodzielnie wdrożyć AI. Ta sytuacja dotyczy wielu branż, również logistyki. Na rynku brakuje specjalistów z doświadczeniem w data science, machine learningu czy inżynierii danych, którzy równocześnie rozumieją specyfikę łańcucha dostaw.

Kolejnym problemem jest ludzki czynnik – opór pracowników przed zmianą. Obawy o utratę pracy, konieczność nabycia nowych umiejętności czy brak zaufania do nowych technologii skutecznie hamują wdrożenia AI. Dlatego firma wdrażająca AI musi być przygotowana na budowanie zaufania do sztucznej inteligencji poprzez demonstrację przypadków, sukcesów i edukację.

AI rozwija się szybciej niż legislacja, co tworzy lukę prawną. Kwestie odpowiedzialności za decyzje podejmowane przez algorytmy, przejrzystość ich działania czy etyczne użycie danych – to wszystko stawia przed firmami trudne pytania. Czy odpowiedzialność za błąd AI ponosi producent oprogramowania, firma wdrażająca, czy może użytkownik końcowy? Brak jasności sprawia, że firmy wolą „poczekać i zobaczyć”, zamiast ryzykować.
Kwestie etyczne są równie ważne. AI nie jest wolna od uprzedzeń – jeśli dane treningowe są obciążone błędami lub nierównościami, modele mogą powielać te same schematy. Tymczasem dla branży logistycznej, która często operuje na danych klientów, przewoźników i dostawców, transparentność i zaufanie są kluczowe. Cały proces przygotowania danych musi być zatem bardzo dobrze przemyślany i przeprowadzony, żeby nie budzić wątpliwości etycznych.

Kolejną barierą – może najtrudniejszą do wychwycenia – jest brak strategicznego podejścia do AI. Wdrożenie to często długi i kosztowny proces. ROI (Return on Investment) bywa nieoczywisty i odłożony w czasie. Z tego również powodu wiele firm traktuje sztuczną inteligencję jako eksperyment lub ciekawostkę technologiczną, bez przypisania jej konkretnych celów. Tymczasem sztuczna inteligencja powinna być zsynchronizowana z celami organizacji – takimi jak reedukacja lead time’u, poprawa jakości obsługi klienta czy optymalizacja kosztów transportu. Bez tego pozostanie „innowacyjnym projektem” zamiast stawać się realnym narzędziem operacyjnym.

Duże firmy, dysponujące infrastrukturą, specjalistami i budżetem, eksperymentują z AI już od dłuższego czasu, pogłębiając przewagę konkurencyjną nad mniejszymi graczami. Dla tych drugich oznacza to ryzyko utraty rynku, ale jednocześnie może być ogromnym motywatorem do zmian. W tym wyścigu nie pomaga fakt, że bardzo trudno znaleźć partnera, który jednocześnie ma szeroką wiedzę w obszarach AI i równie szeroką dotyczącą specyfiki logistycznej. Rozwiązaniem może być współpraca z uczelniami wyższymi, start- -upami, a także pozyskiwanie środków z funduszy unijnych.

Mimo wszystkich wyzwań i barier sztuczna inteligencja nie jest chwilową modą – AI ma w logistyce ogromny potencjał. Optymalizacja kosztów, elastyczność w zarządzaniu łańcuchem dostaw i zwiększenie konkurencyjności wymagają cyfrowej transformacji, w której AI odgrywa kluczową rolę. Ale nie da się jej wdrożyć bez solidnych fundamentów – spójnych danych, przemyślanej strategii i ludzi, którzy rozumieją zarówno technologię, jak i specyfikę operacyjną. To nie jest projekt IT – to transformacja całego modelu działania.