AI w polskim sektorze logistycznym — case studies z 3 firm

Polska branża logistyczna generuje 6,2% PKB i zatrudnia ponad milion osób. To też branża, gdzie marże są wąskie, a każda godzina kierowcy lub każdy km „pustego biegu" boli. Pokazujemy 3 realne wdrożenia AI z polskich firm transportowych — bez upiększeń, z liczbami, błędami i okresami zwrotu.

Case 1 — firma transportowa, 47 ciężarówek, woj. wielkopolskie

Klient prowadzi krajowy transport całopojazdowy. Główny problem: planowanie zwrotnego ładunku ze zlecenia, żeby ciężarówka nie wracała pusta. Wcześniej decyzja była ręczna, dyspozytor sprawdzał 4 giełdy ładunków (Trans, Timocom, Teleroute, Logintrans), porównywał ceny i odległości, dzwonił.

Co wdrożyliśmy

Asystent dla dyspozytora — model pobiera oferty z 4 giełd przez API, ocenia opłacalność na podstawie kosztu km, prognozy czasu jazdy (z uwzględnieniem polskich ograniczeń BHP kierowcy) i marży zleceniodawcy. Dyspozytor widzi top 5 ofert posortowanych po marży netto. Decyzja zostaje przy człowieku.

Wyniki po 4 miesiącach

• Spadek „pustych biegów" z 18% do 11% kilometrażu.
• Oszczędność rocznie: 270 000 zł (przy 47 ciężarówkach i 12 000 km/mies każda).
• Czas decyzji dyspozytora: z 14 minut na 3 minuty per zlecenie.
• Koszt wdrożenia: 38 000 zł jednorazowo + 1 800 zł/mies.
• Okres zwrotu: 2,1 miesiąca.

Case 2 — spedycja międzynarodowa, automatyzacja CMR

Spedycja w Łodzi, 220 zleceń tygodniowo, każde z dokumentem CMR (list przewozowy). Ręczne wpisywanie do systemu zajmowało 18 godzin tygodniowo jednemu pracownikowi.

Co wdrożyliśmy

Pipeline: skan CMR (fotka z telefonu kierowcy w aplikacji firmowej) → OCR → ekstrakcja 23 pól (numer, daty, miejsca, ładunek, waga, ilość pakietów) → walidacja zgodności z zamówieniem w systemie → flagging niezgodności do operatora.

Wyniki po 6 miesiącach

• Czas obróbki spadł z 18 godzin do 4,5 godziny tygodniowo (tylko sprawdzenie flag).
• Trafność ekstrakcji: 96,8% (na próbie 2 400 CMR).
• Wykryto 14 fałszywych CMR (drobne fraudy kierowców — np. wpisanie wagi mniejszej niż rzeczywista).
• Koszt: 22 000 zł jednorazowo + 980 zł/mies.

Case 3 — magazyn 3PL, predykcja popytu

Klient prowadzi 3PL (logistyka kontraktowa) dla e-commerce. 6 magazynów, 14 000 SKU, sezonowość bardzo wyraźna (Black Friday, świąteczna szóstka). Problem: pracownicy najmowani z agencji, w sezonie wąskie gardło, w martwym sezonie nadmiar.

Co wdrożyliśmy

Model prognozy zapotrzebowania na pracowników magazynowych z 14-dniowym wyprzedzeniem. Dane wejściowe: historia 24 miesięcy (zlecenia per godzina, dzień tygodnia, święta), aktualne zaplanowane zlecenia od klientów, kalendarz marketingowy ich kampanii.

Wyniki

• Trafność prognozy w 14-dniowym horyzoncie: MAPE 9,2%.
• Spadek nadgodzin: -32% w pierwszym sezonie.
• Spadek braku pracowników (zlecenia nadrabiane następnego dnia): -64%.
• Roczna oszczędność: ok. 410 000 zł.
• Koszt wdrożenia: 84 000 zł + 3 200 zł/mies.

Trzy błędy, które popełniliśmy

• Case 1 — w pierwszej wersji asystent nie uwzględniał czasu pracy kierowcy (rozporządzenie 561/2006). Zaproponował 3 trasy, które wymuszały naruszenie odpoczynku. Dopisaliśmy moduł zgodności z BHP kierowcy.
• Case 2 — pierwsza wersja OCR-a nie radziła sobie z odręcznymi adnotacjami kierowców. Dodaliśmy warstwę „handwriting OCR" tylko dla wybranych pól.
• Case 3 — model nie uwzględniał świąt katolickich a klient miał magazyny obsługujące głównie rynek niemiecki. Dodaliśmy kalendarz świąt per kraj odbiorcy.

Co jest specyficzne dla polskiej logistyki

Polski rynek transportowy ma cechy, które różnią go od UE-15: dominacja małych firm (12 ciężarówek to średnia, 47 to już duża firma), bardzo silne giełdy ładunków, problem z kierowcami z zagranicy (Ukraina, Białoruś, Filipiny) i specyficzny zestaw kosztów (ETS-2 od 2027). Modele uniwersalne tego nie ogarniają — trzeba dostroić.

Macie firmę transportową lub magazyn? Zróbmy 60-minutowe spotkanie inwentaryzacyjne — wyjdziecie z 3-4 konkretnymi pomysłami opartymi na danych Waszej firmy. Napiszcie.