Firmy logistyczne nie powinny traktować sztucznej inteligencji jako celu samego w sobie. Matthew Sterner, Global Customer Marketing Leader for Transportation, Logistics and Warehousing w Honeywell, wskazuje, że pierwszym krokiem musi być znalezienie konkretnego problemu operacyjnego.
Największe znaczenie ma jakość informacji. AI może łączyć dane z systemów biznesowych z kontekstem operacyjnym, lecz duplikaty, braki i niezgłoszone wyjątki osłabiają wynik. Przedsiębiorstwa powinny ustalić, gdzie praca się zatrzymuje i jak szybko zespoły otrzymują informacje potrzebne do działania.

Analizowany proces wysyłki obejmował około 30 etapów oraz wielokrotne ręczne wpisywanie danych. Przesyłki mogły być kontynuowane mimo niezgodności informacji lub pominięcia sobotniej obsługi. Po rozpisaniu procesu część kontroli można było zautomatyzować, a decyzje wymagające oceny pozostawić pracownikom. Czas obsługi skrócił się z około sześciu minut do 30–45 sekund.
Dla biznesu oznacza to, że miarą automatyzacji powinny być sprawniejszy przepływ i lepsze decyzje, a nie sama obecność nowego narzędzia. Konieczne jest również określenie, kiedy system może działać samodzielnie, kiedy potrzebna jest akceptacja i kto odpowiada za wyjątki.
Potencjalne zastosowania obejmują prognozowanie zmian popytu, rozmieszczanie zapasów, dobór przewoźników i modyfikację tras. Połączenie pozycji pojazdu z informacjami pogodowymi może wcześniej wskazać opóźnienie i zaktualizować przewidywany czas dostawy.

Sterner zaleca rozpoczęcie od niewielkiego projektu z mierzalnym celem. Pilotaż pokaże słabości danych, sprawdzi akceptację użytkowników i dostarczy podstaw do większej inwestycji.







