ИИ-агенты ускоряют реакцию на сбои в логистике, но люди замедляют процесс

Нарушения в цепочках поставок обошлись мировому бизнесу в 184 миллиарда долларов в 2025 году, согласно Global Risk Report от J.S. Held. Однако большая часть этих потерь вызвана не отсутствием информации о проблеме, а неспособностью организации быстро на неё реагировать. Компании успешно научились обнаруживать сбои раньше—на часы или дни быстрее, чем прежде,—но сама процедура реагирования осталась той же: нужно открыть тикет, созвать совещание и повторно внести одни и те же данные в несколько систем.

Последние десять лет индустрия вкладывалась в платформы видимости, контрольные башни, системы оценки рисков и цифровые двойники. Эти инструменты отлично сократили время между событием и его обнаружением, но практически не повлияли на время между обнаружением и реальным коммерческим действием. Когда спрашивают директоров по логистике, куда ушли деньги на ИИ, они называют спрос-прогноз, предсказание сроков доставки, оценку рисков поставщиков и оптимизацию запасов. Эти решения работают и снижают ошибки прогнозов, но не объясняют 184 миллиарда убытков. Счёт поступает позже: нужно срочно доставить товар или ждать, разделить заказ или потерять покупателя, переторговать маршрут или платить спот-цену, объединить два полупустых рейса или отправить оба отдельно. Это простые, повторяющиеся решения внутри уже установленных лимитов компании—но они остаются в очереди человеческого входящего почтового ящика.

Исследование 2026 года от Knosc показало, что специалисты по цепочкам поставок в средних компаниях-производителях и дистрибьюторах тратят 28 процентов рабочего времени на реакцию на сбои, в основном расследуя произошедшее, а не предотвращая следующее. При этом руководители логистики считают ИИ стратегическим приоритетом (70 процентов крупных компаний поставили «новое поколение» цепочки поставок в топ-три технологических тренда), но признают редкие измеримые финансовые результаты. Gartner выяснил в 2025 году, что только 23 процента организаций в логистике имеют формальную стратегию ИИ. Проблема не в недостатке моделей, а в том, что программному обеспечению не дано достаточно полномочий. Исследование FourKites и ABI Research показало, что только 27 процентов компаний позволяют ИИ действовать самостоятельно, в то время как 52 процента ограничивают его рекомендациями.

Большинство текущих развёртываний построены вокруг рабочего тикета: модель делает рекомендацию, рекомендация становится алертом, алерт становится заданием, и задание ждёт в очереди планировщика, занятого другой работой. К моменту, когда планировщик действует, варианты уже исчезли—у альтернативного перевозчика нет свободных мощностей, окно консолидации закрыто, следующий слот производства поставщика занят. Вендоры автоматизировали именно ту часть работы, которая не требует подписи, потому что видимость легко продемонстрировать и легко контролировать, а действия затрагивают деньги, контракты и ответственность. Результат: новая панель мониторинга редко улучшает EBITDA, цикл решений не ускорился, только украсился.

Лидерами станут не компании с красивейшей контрольной башней, а те, что предварительно одобрят узкий класс действий и позволят ИИ-агентам их выполнять, пока проблема ещё дёшева. Переторговать маршрут, когда сроки перевозчика сдвинулись и есть квалифицированная альтернатива в одобренном диапазоне цен; объединить волны отправки, когда это дешевле двух раздельных; переключить на авиа для определённых товаров, если цена воздуха ниже стоимости пропущенного окна продаж; перераспределить страховой запас между двумя распределительными центрами. Каждое решение записывается как политика: если такие условия, то это действие, внутри этого лимита трат, с таким логированием, человек только если случай выходит за границы. Это не полностью автоматизированная цепь, а тот же принцип управления станками—агент действует внутри условий безопасности и эскалирует за их пределами.

Реализация требует трёх изменений: во-первых, решения должны быть записаны как явные политики, а не неписаные правила (если эта логика живёт только в голове планировщика, агент её не выполнит); во-вторых, системы должны принимать машинные транзакции—TMS, WMS и API перевозчиков должны работать с ограниченным агентом так же, как с младшим покупателем с лимитом трат; в-третьих, ответственность должна переместиться с человека на политику (анализировать нужно саму политику и данные, а не искать, кто «должен был проверить»). До этой культурной смены каждый агент будет спроектирован ждать, потому что ожидание—это как выживают карьеры. Внешне оба подхода долго будут выглядеть одинаково на презентациях, но разница проявится в скорости от обнаружения до действия, а потом в сервисе и затратах. Компании, которые買ают только видимость, узнают о шторме раньше; те, что дают ИИ ограниченные полномочия, уже переторгуют маршрут, объединяют волну и переводят A-товары на авиа до того, как вообще созовут инцидент-колл.

Логика статьи опирается на предположение, что основная потеря денег происходит именно в промежутке между обнаружением и действием, однако издание не приводит прямого доказательства этой гипотезы—только косвенные свидетельства (время, потраченное на расследование, и редкость формальных ИИ-стратегий). Остаётся открытым вопрос, какую долю 184 миллиардов долларов действительно можно сэкономить, предоставив агентам полномочия, и насколько часто предварительно одобренные действия приводят к ошибкам, требующим обратной отмены (для общепита и небольших логистических операций масштаб этого риска может быть выше).