Blog JSystems - uwalniamy wiedzę!
Blog JSystems - uwalniamy wiedzę!
W skrócieAI w logistyce i TSL to wykorzystanie narzędzi takich jak ChatGPT i Microsoft Copilot do pracy, która w firmie logistycznej zabiera najwięcej godzin. Prognozują popyt, liczą rotację zapasów i koszty transportu, czytają listy CMR i faktury, porównują oferty przewoźników i piszą odpowiedzi klientom, na danych z Excela i bez programowania.
Ten przewodnik nie opisuje AI w logistyce z lotu ptaka. Pokazujemy, co już dziś da się zrobić w zwykłym czacie AI, bez wdrożeń i bez pisania kodu, i to na konkretnych danych. Wszystkie przykłady przeprowadziliśmy w ChatGPT na danych fikcyjnej firmy Kalmora Dystrybucja: hurtowni środków czystości, artykułów higienicznych i opakowań z magazynem w Strykowie, która wozi towar do klientów w całej Polsce, a czasem także za granicę, własną flotą i przez trzech przewoźników. Każdy plik możesz pobrać, a każde polecenie skopiować jednym kliknięciem i powtórzyć analizę u siebie.
Przechodzimy przez cały łańcuch: od prognozy popytu i zapasów, przez transport, przewoźników i dokumenty, po obsługę klienta, raporty, bezpieczeństwo danych i agentów AI. Przy każdym obszarze dostajesz przykład do wykorzystania od razu i wskazówkę, co w wyniku sprawdzić. Lektura zajmie około pół godziny.
Z tego artykułu dowiesz się:
Pliki do pobrania: na nich pracujemy w całym artykule
Wszystkie dane są fikcyjne, ale ułożone tak, jak wyglądają w prawdziwej hurtowni: z sezonowością, promocjami, nietypowymi tygodniami i spóźnionymi dostawami. Pobierz pliki i przetestuj polecenia u siebie.
Rozmowę o AI w logistyce warto zacząć od pieniędzy, nie od technologii. Pytanie nie brzmi „co potrafi sztuczna inteligencja”, tylko „który proces zjada nam najwięcej godzin i gdzie najczęściej się mylimy”. Na grafice poniżej rozpisaliśmy łańcuch logistyczny na siedem obszarów, w których model językowy realnie skraca pracę. W każdym działa tak samo: przejmuje czytanie, liczenie i pisanie pierwszej wersji, a człowiek sprawdza i decyduje.
Zwykła automatyzacja wykonuje reguły, które ktoś wcześniej zapisał: jeśli zamówienie przekracza limit, wyślij maila do kierownika. Model językowy, czyli program, który czyta i pisze tekst, jak ChatGPT albo Copilot, radzi sobie z tym, czego regułami opisać się nie da. Czyta skan listu przewozowego, rozumie reklamację po niemiecku i porównuje trzy oferty napisane na trzy różne sposoby. Gdy dostaje plik Excela, sam pisze i uruchamia obliczenia, więc liczby w odpowiedzi są policzone, a nie zgadnięte. Nie zwalnia to z kontroli, dlatego przy każdym przykładzie piszemy, co w wyniku sprawdzić.
Wystarczy jedno mnożenie: (czas ręcznie minus czas z AI, w godzinach) razy liczba powtórzeń w miesiącu razy koszt godziny pracy. Tabela pokazuje, jak to wygląda dla trzech czynności typowych dla firm z własną logistyką. Liczby są przykładowe, więc podstaw własne pomiary, bo to one powiedzą Ci, od czego zacząć.
| Czynność | Ręcznie | Z AI | Ile razy w miesiącu | Oszczędność |
|---|---|---|---|---|
| Odpowiedź na pytanie klienta o status przesyłki | 6 min | 1,5 min | 600 | 45 h |
| Przepisanie danych z listu przewozowego do systemu | 8 min | 2 min | 300 | 30 h |
| Tygodniowe zestawienie terminowości przewoźników | 3 h | 30 min | 4 | 10 h |
| Razem miesięcznie | 85 h |
Przy koszcie 60 zł za godzinę pracy z narzutami pracodawcy daje to 5 100 zł miesięcznie, czyli mniej więcej pół etatu oddanego do zadań, których AI nie zrobi. Druga część zysku w ogóle nie mieści się w godzinach pracy: mniej braków towaru, mniej pieniędzy zamrożonych w zapasie i tańszy przewoźnik na tej samej trasie. Te kwoty widać dopiero w analizach, które pokazujemy dalej.
Na początku października hurtownia z asortymentem zimowym musi odpowiedzieć na jedno pytanie: ile soli drogowej, płynu do spryskiwaczy i odmrażacza zamówić, żeby w grudniu nie zabrakło towaru, a w marcu nie został pełny magazyn. Odpowiedź leży w historii sprzedaży, tylko ktoś musi ją przeczytać: oddzielić sezon od trendu, promocje od zwykłych tygodni i jednorazowe zdarzenia od prawdziwego popytu.
Plik kalmora_sprzedaz_tygodniowa.xlsx zawiera tygodniową sprzedaż 12 produktów od stycznia 2024 r. do 40. tygodnia 2026 r., czyli 1 728 wierszy, z oznaczeniem tygodni promocyjnych. W drugim arkuszu jest stan magazynu, czas dostawy i minimalna partia zamówienia. W danych celowo zostawiliśmy kilka niespodzianek, jak w prawdziwym systemie: tydzień bez towaru i odrabianie zaległości tydzień później, tydzień z podwójnie zaimportowanymi dokumentami, jedno ogromne zamówienie, tydzień z awarią systemu zamówień u klienta oraz falę mrozów, która wygląda na anomalię, choć mieści się w sezonie.
Pobierz kalmora_sprzedaz_tygodniowa.xlsx Plik, który dołączasz do polecenia poniżej.
Polecenie 1: trend, sezonowość, nietypowe tygodnie i prognoza
ChatGPT znalazł wszystkie pięć nietypowych tygodni, które ukryliśmy w danych, i dla każdego zaproponował możliwą przyczynę. Przy folii stretch (FST-23) trafił: spadek do 105 sztuk przy oczekiwanych 1 619 to brak towaru, a skok tydzień później to realizacja zaległych zamówień. Przy rękawicach (RKN-M) też: to jednorazowe duże zamówienie. Przy kartonach (KAR-40) wśród możliwych przyczyn podał czasowe wstrzymanie zamówień, co jest bliskie prawdy, bo u klienta padł system zamówień. Przy papierze toaletowym (PTJ-12) obstawił zatowarowanie dużego klienta, a w naszych danych był to podwójny import dokumentów, czyli błąd w systemie. Dlatego dobrze, że pod tabelą sam zaznaczył, że przyczyny są hipotezami do weryfikacji. Fala mrozów ze stycznia 2026 r. nie trafiła na tę listę i to poprawne, bo mieści się w sezonie.
Wykres, o który prosiliśmy w punkcie 3, nie pojawił się w treści odpowiedzi. ChatGPT zapisał go jako plik PNG i na końcu odpowiedzi podał link do pobrania, obok arkusza Excela z wartościami prognozy.
Na wykresie od razu widać, z czym porównać prognozę. Szczyt dla soli drogowej, 2 753 worki w 49. tygodniu, wypada między dwiema poprzednimi zimami: w pliku najwyższa tygodniowa sprzedaż w sezonie 2024/2025 to 2 096 worków, a w sezonie 2025/2026 4 517 worków. Prognoza leży więc pośrodku, między słabszą a mocniejszą zimą, a model sam ostrzegł, że przy dwóch zakończonych sezonach przedziały niepewności są szerokie. Co się stanie, gdy zima okaże się ostrzejsza, sprawdzamy w sekcji o scenariuszach.
Sama prognoza nie odpowiada jednak na pytanie, które zadaje kupiec, więc w tej samej rozmowie poprosiliśmy o plan zamówień.
Polecenie 2 w tej samej rozmowie: propozycja zamówień
Sprawdziliśmy jedną pozycję ręcznie: przy podanych zamówieniach i prognozie stan soli drogowej na koniec listopada rzeczywiście wychodzi na około 6 400 worków. Model sam wskazał też słaby punkt planu: odmrażacz ma najdłuższy czas dostawy, 21 dni, i przed pierwszą dostawą zapas spadnie poniżej dwutygodniowego bufora, więc warto przyspieszyć dostawę.
Zapas to pieniądze, które leżą na regałach. Za dużo towaru zamraża gotówkę, za mało kończy się brakiem i utraconą sprzedażą. Klasyczne narzędzie do porządkowania asortymentu to klasyfikacja ABC/XYZ. Litery ABC dzielą produkty według wartości: grupa A to niewielka część indeksów, która odpowiada za większość obrotu. Litery XYZ mówią o przewidywalności: X sprzedaje się równo z tygodnia na tydzień, Z skokami. Pozycje AX warto uzupełniać automatycznie i pilnować ich najbardziej, a CZ to kandydaci do zamawiania pod konkretne zamówienie albo do wycofania.
Ręcznie, w Excelu, taka analiza dla kilkudziesięciu produktów zajmuje sporo czasu: średnie, odchylenia, sortowanie, sumy narastające. W pliku kalmora_zapasy.xlsx jest 60 produktów, ich stan magazynowy, cena zakupu, czas dostawy i sprzedaż z 13 ostatnich tygodni. Zwróć uwagę na ostatnie zdanie polecenia.
Pobierz kalmora_zapasy.xlsx Plik, który dołączasz do polecenia poniżej.
Polecenie: klasyfikacja ABC/XYZ, ryzyko braków i zapas zalegający
W jednej odpowiedzi dostajesz dwie listy do działania: 7 produktów, których zapas skończy się, zanim dojedzie dostawa, i 9 produktów z zapasem na ponad pół roku, w których leży 68 699,90 zł.
Produkty zimowe model pokazał w osobnej tabeli, tak jak prosiliśmy, a na końcu podał metodykę: wzory na średnią, pokrycie, wartość roczną i współczynnik zmienności. Dzięki temu każdą liczbę sprawdzisz w Excelu. Sam też uprzedził, że wartość roczna to ekstrapolacja z 13 tygodni, a nie faktyczna sprzedaż z całego roku.
Następny krok to rekomendacje poziomów zapasów: zapas bezpieczeństwa i punkt ponownego zamówienia dla każdej pozycji AX i BX, liczone z prognozy i z czasu dostawy. Tu liczy się znajomość własnych dostawców i warunków handlowych, a w programie szkolenia to osobne ćwiczenie: raport rotacji z rekomendacjami poziomów zapasów.
Transport to zwykle największy koszt logistyki, a jednocześnie obszar, w którym dane leżą odłogiem. System do zarządzania transportem (TMS) albo arkusz dyspozytora zapisuje każdą przesyłkę, ale rzadko ktoś ma czas, żeby co kwartał porównać przewoźników, sprawdzić, gdzie i kiedy się spóźniają, i znaleźć kursy, które dało się połączyć. W pliku kalmora_przesylki_q3_2026.xlsx jest 1 117 przesyłek z trzech miesięcy: przewoźnik, miasto, odległość, liczba palet, koszt, planowana i rzeczywista dostawa, kompletność, uszkodzenia i przyczyna opóźnienia.
Pobierz kalmora_przesylki_q3_2026.xlsx Plik, który dołączasz do polecenia poniżej.
Polecenie: przewoźnicy, opóźnienia i przesyłki do połączenia
Tabela pokazuje typowy dylemat działu transportu. Trevolt Logistics jest najtańszy, 120,42 zł za paletę, ale dowozi na czas tylko 76,1% przesyłek i ma najwięcej uszkodzeń. Jarvona Trans jest najdroższy i niemal zawsze punktualny. Flota własna wygląda najlepiej, tyle że w tych danych jeździ tylko na trasach do około 160 km, więc nie da się jej porównać jeden do jednego z przewoźnikami, którzy wożą towar przez całą Polskę. Takie zastrzeżenie musisz dopisać sam, bo model ocenia liczby, a nie to, jak w Twojej firmie dzieli się zlecenia.
Wykres, o który prosiliśmy w ostatnim zdaniu polecenia, pokazuje ten dylemat w jednym obrazie: im dalej w prawo, tym lepsza terminowość, a im niżej, tym niższy koszt na paletę. Wśród zewnętrznych przewoźników nie ma takiego, który byłby jednocześnie tani i punktualny: Trevolt Logistics leży w lewym dolnym rogu, Jarvona Trans w prawym górnym. Bliżej prawego dolnego rogu jest tylko flota własna, z zastrzeżeniem z poprzedniego akapitu.
Druga część odpowiedzi szuka przyczyn i robi to ostrożnie. Środa wyszła jako najsłabszy dzień, ale model sam sprawdził testem statystycznym (chi-kwadrat), że różnica między dniami może być przypadkowa. Miasto docelowe ma natomiast wyraźny związek z opóźnieniami: do Krakowa na czas dociera 72,2% przesyłek, do Rzeszowa 75%. Model od razu zastrzegł, że to nie dowodzi winy samego miasta, bo znaczenie mogą mieć też przewoźnik, odległość i organizacja tras.
Najwięcej mówi zestawienie przewoźnika z dniem tygodnia: Trevolt Logistics w środy dowozi na czas tylko 62,5% przesyłek, a Ostralis Cargo w piątki 73,7%. Zwróć też uwagę na drugą pozycję wśród przyczyn: 23% opóźnień to opóźniony załadunek we własnym magazynie, czyli problem, za który przewoźnik nie odpowiada.
Trzecia część to konkretne oszczędności do policzenia: 130 sytuacji, w których tego samego dnia do tego samego miasta jechały co najmniej dwie małe przesyłki, łącznie 297 przesyłek. Ile da się na tym zaoszczędzić, zależy od cennika przewoźników i ładowności aut, ale do policzenia tego wystarczy ten sam plik i jedno dodatkowe polecenie. Wyznaczanie optymalnych tras z wieloma punktami rozładunku i oknami czasowymi to już zadanie dla narzędzi do planowania tras. Planowanie optymalnych kosztowo tras i przewidywanie opóźnień z historii przesyłek to osobne tematy w programie szkolenia.
Oferty przewoźników rzadko da się porównać na pierwszy rzut oka. Jeden liczy za paletę, drugi za kurs, trzeci za kilometr, każdy inaczej dolicza paliwo, windę i awizację, a do tego proponuje inny termin płatności. Zanim powstanie tabela porównawcza, ktoś musi przeliczyć wszystkie warianty na ten sam załadunek. To praca, którą AI wykonuje w kilka minut, a potem ocenia przewoźników punktowo (to tak zwany scoring) i wyłapuje, czego w ofertach brakuje.
W przykładzie Kalmora zaczyna stałe dostawy do nowego odbiorcy w Gdańsku, dwa razy w tygodniu, i zebrała na tę trasę trzy oferty. Do Gdańska jeździły już wcześniej pojedyncze przesyłki, ale stała linia z rozładunkiem windą to nowe zlecenie. Wkleiliśmy je do polecenia w takiej postaci, w jakiej przyszły w mailach, i dołączyliśmy plik kalmora_przesylki_q3_2026.xlsx, żeby do ceny doszła historia terminowości tych samych przewoźników.
Pobierz kalmora_przesylki_q3_2026.xlsx Ten sam plik co w sekcji o transporcie. Dołączasz go do polecenia poniżej.
Polecenie: porównanie trzech ofert przewoźników i scoring
Model od razu oznaczył ceny warunkowe: Ostralis Cargo nie napisał nic o awizacji, a Trevolt Logistics o windzie, więc ich koszt może jeszcze wzrosnąć. Zrobił to w tabeli kosztów, zanim doszedł do listy braków, o którą prosiliśmy w punkcie 4.
Sprawdziliśmy obliczenia ręcznie i wszystkie się zgadzają, łącznie z kosztem miesięcznym, który model policzył dla 8 kursów i dla średniego miesiąca kalendarzowego (8,67 kursu). Sam też zauważył, że przy 12 paletach najtańsza dla 8 palet oferta Jarvona Trans staje się najdroższa, więc przy większych ładunkach trzeba negocjować stawkę. Historia z pliku dokłada do ceny jakość: Jarvona Trans miała 12 spóźnień i jedno uszkodzenie na 247 przesyłek. U Trevolt Logistics na czas dotarło 76,13% przesyłek, a uszkodzonych było 14 z 310.
W scoringu wygrywa Jarvona Trans z wynikiem 98,24 punktu: jest najtańsza przy typowym ładunku i najczęściej dowozi na czas. Trevolt Logistics, najtańszy w przeliczeniu na paletę w całym kwartale, spada na ostatnie miejsce przez terminowość i uszkodzenia.
Czwarta część odpowiedzi to braki w ofertach i pytania przed podpisaniem umowy: najpierw osobno dla każdego przewoźnika, a pod spodem wspólna lista kontrolna, od nośności windy i masy palet po zasady liczenia terminu płatności. Taką listę warto wysłać przewoźnikom jeszcze tego samego dnia.
Ten sam mechanizm działa przy dostawcach towaru. W pliku kalmora_dostawcy.xlsx jest pięciu dostawców Kalmory i ich wyniki z trzech kwartałów: liczba dostaw, dostawy na czas i kompletne, reklamacje, zmiana cen, udział w zakupach, kraj produkcji i to, czy towar powstaje w jednym zakładzie. Ryzyko trudno policzyć wprost, więc w poleceniu definiujemy je przez trzy konkretne sytuacje.
Pobierz kalmora_dostawcy.xlsx Plik, który dołączasz do polecenia poniżej.
Polecenie: scoring dostawców w skali 0-100
Przeliczyliśmy wszystkie 25 punktacji i zgadzają się z danymi. Pod rankingiem są zalecenia na rozmowy handlowe i są konkretne: Krystalmar podniósł ceny o 12%, więc model proponuje negocjować ograniczenie podwyżki w zamian za wcześniejsze potwierdzenie wolumenów soli przed sezonem.
Warto też przeczytać metodykę: polecenie nie mówiło, ile reklamacji to już zero punktów ani przy jakiej podwyżce cena dostaje zero. Model przyjął dwa własne progi, 10 reklamacji na 100 dostaw i 15% podwyżki, i wyraźnie to zaznaczył. Takie założenia potrafią zmienić kolejność w środku rankingu, dlatego przed rozmową z dostawcą ustal je sam albo dopisz do polecenia.
Listy przewozowe, CMR, specyfikacje, dokumenty WZ i faktury to w firmie logistycznej często setki stron miesięcznie, a ich treść ktoś przepisuje do systemu albo sprawdza z innym dokumentem. Model językowy czyta zarówno PDF, jak i zdjęcie czy skan, łącznie z odręcznymi dopiskami, i zwraca dane w tabeli. Pokażemy dwa zadania: odczyt listu przewozowego i porównanie dwóch dokumentów.
CMR, czyli międzynarodowy samochodowy list przewozowy, ma 24 numerowane pola, a najważniejsze informacje bywają dopisane ręcznie: zastrzeżenia przewoźnika przy załadunku i uwagi odbiorcy przy rozładunku. Do testu użyliśmy skanu kalmora_cmr_KLM-2026-10421.jpg: przesyłka 18 palet z Kalmory do niemieckiego klienta, z odręcznymi dopiskami po polsku i po niemiecku oraz pieczątką nachodzącą na tekst.
Pobierz kalmora_cmr_KLM-2026-10421.jpg Skan, który dołączasz do polecenia poniżej.
Polecenie: odczyt wszystkich pól listu CMR
Model odczytał wszystkie wypełnione pola bez błędu, łącznie z numerami rejestracyjnymi ciągnika i naczepy w polu 16, a niemiecką adnotację odbiorcy przetłumaczył na polski: jedna paleta uszkodzona, sześć kartonów wgniecionych, odbiór z zastrzeżeniem. Potem, zgodnie z poleceniem, wypisał osobno zastrzeżenie przewoźnika i uwagi odbiorcy.
Przy zastrzeżeniu przewoźnika model od razu zaznaczył rzecz ważną dla reklamacji: wpis potwierdza problem z opakowaniem przy załadunku, ale nie uszkodzenie samego towaru. Ciekawsza jest jednak dalsza część odpowiedzi.
Bez żadnej podpowiedzi model zestawił wpis przewoźnika z pola 18 z uwagą odbiorcy z pola 24, zauważył, że odbiór potwierdzono 5 godzin i 40 minut po terminie z instrukcji nadawcy, i wypisał, czego z dokumentu ustalić się nie da: czy uszkodzona paleta to ta sama paleta nr 7 i na jakim etapie zgniotły się kartony. To te same pytania, które zada osoba rozpatrująca reklamację, i do tej samej przesyłki wrócimy w sekcji o obsłudze klienta.
Drugie zadanie to porównanie dwóch dokumentów, które powinny się zgadzać, a często się nie zgadzają: zamówienia z fakturą, awizacji z dostawą, specyfikacji z dokumentem WZ. Kalmora zamówiła u dostawcy chemii pięć produktów z rabatem 3% i terminem płatności 45 dni. Faktura przyszła dwa tygodnie później. Oba dokumenty możesz pobrać: zamówienie ZK/2026/0917 i fakturę FV/2026/10/0388. Na pierwszy rzut oka wyglądają podobnie, ale ukryliśmy w nich pięć różnic.
Pobierz kalmora_zamowienie_ZK-2026-0917.pdf Pobierz petrovia_faktura_FV-2026-10-0388.pdf Oba pliki dołączasz do polecenia poniżej.
Polecenie: porównanie zamówienia z fakturą i mail z prośbą o korektę
Model znalazł wszystkie pięć różnic: 40 sztuk mydła (MYD-5) ponad zamówienie, wyższą cenę odmrażacza (ODM-500), opłatę za palety (PAL-OPL), choć zamówienie mówiło o paletach bez dodatkowych opłat, pominięty rabat 3% i termin płatności 30 zamiast 45 dni. Policzył łączną nadwyżkę, 2 165,96 zł netto i 2 664,13 zł brutto, i napisał mail do dostawcy z listą korekt, podpisany osobą kontaktową z zamówienia.
Przy dziesiątkach faktur miesięcznie to zadanie, które w całości można powierzyć agentowi: porównuje każdą fakturę z zamówieniem i przygotowuje taki mail, a człowiekowi zostawia tylko faktury z rozbieżnościami.
Chcesz przejść te ćwiczenia na danych swojej branży, z trenerem, który pomoże dopasować polecenia do Twoich procesów? Szkolenie AI w logistyce i TSL --> to dwa dni warsztatu przy komputerze, online albo w formie zamkniętej dla Twojego zespołu.
To szkolenie może być dofinansowane dla Ciebie z KFS lub BUR.
★★★★★Średnia ocena naszych szkoleń w Google: 5/5
Wróćmy do przesyłki z listu CMR. Niemiecki klient pisze reklamację: dostawa przyjechała prawie sześć godzin po awizowanej godzinie, jego zespół został po godzinach, jedna paleta jest uszkodzona, sześć kartonów płynu do szyb zgniecionych. Oczekuje korekty i wyjaśnienia, jak dopilnujemy następnej dostawy. Przy takich wiadomościach łatwo o dwa błędy: obiecać za dużo albo odpisać zbyt obronnie. Dlatego w poleceniu podajemy nie tylko treść reklamacji, ale też fakty z naszej strony i granice: co wolno zaproponować, a czego nie obiecujemy.
Polecenie: odpowiedź na reklamację po niemiecku z tłumaczeniem dla dyspozytora
Odpowiedź trzyma się podanych faktów: potwierdza godzinę dostawy, podaje przyczynę zgłoszoną przez przewoźnika, przywołuje zapis z listu CMR o naderwanej folii na palecie nr 7, prosi o zdjęcia przed wystawieniem korekty i proponuje dedykowane okno czasowe na dostawę 16 października. Sprawę nadgodzin przenosi do rozmowy, bez obietnicy zwrotu kosztów. Jeśli nie czytasz po niemiecku, sprawdzisz to w tłumaczeniu, które model dał pod spodem.
Pod tłumaczeniem model dopisał uwagę, o którą nie prosiliśmy: zanim wyślesz odpowiedź, potwierdź z przewoźnikiem, że dedykowane okno na 16 października jest w ogóle możliwe. Przypomniał też, że wiadomość nie gwarantuje punktualności ani zwrotu kosztów nadgodzin, a korekta zależy od zdjęć i weryfikacji szkody.
Plan zamówień z sekcji o prognozie zakłada przeciętną zimę i dostawców, którzy dowożą na czas. Scenariusz „co jeśli” sprawdza, co się stanie, gdy obie rzeczy zawiodą naraz: zima przyjdzie wcześniej, a jeden dostawca zacznie się spóźniać. Ręcznie trzeba przeliczyć arkusz tydzień po tygodniu, a w czacie wystarczy jedno polecenie zadane w tej samej rozmowie, w której powstała prognoza.
Pobierz kalmora_sprzedaz_tygodniowa.xlsx Plik z sekcji o prognozie. To polecenie wpisz w tej samej rozmowie, po poleceniach 1 i 2.
Polecenie 3 w tej samej rozmowie: scenariusz wczesnej zimy i opóźnień dostawcy
Przy sprzedaży wyższej o 30% od 45. tygodnia wszystkie trzy produkty skończą się między 7 a 9 grudnia, w środku szczytu sezonu. Do 27 grudnia zabraknie 30 175 sztuk, najwięcej płynu do spryskiwaczy. Opóźnienie dostaw soli samo w sobie nie powoduje braku w październiku i listopadzie, ale odbiera czas na reakcję, gdy popyt rośnie. Druga część odpowiedzi to trzy działania na dziś: zamówienia awaryjne w dwóch wariantach (minimum, które zapobiega brakom, i wersja z buforem), potwierdzenie możliwości dostawców i codzienna kontrola zapasu.
Tak wygląda planowanie operacyjne wsparte danymi: zamiast jednej prognozy masz kilka wersji przyszłości i plan na każdą z nich. Ten sam schemat przenosi się na inne pytania: co jeśli największy klient podwoi zamówienie, co jeśli przewoźnik wypadnie na dwa tygodnie, co jeśli dostawca podniesie ceny o 10%. Kolejny krok to wczesne sygnały zakłóceń i widoczność całego procesu w jednym miejscu, czyli to, co w logistyce nazywa się wieżą kontroli (control tower).
Podstawowy wskaźnik jakości dostaw w logistyce to OTIF (On Time In Full), czyli odsetek przesyłek dostarczonych na czas i w komplecie. Obok niego zarząd chce widzieć koszt na przesyłkę, koszt na paletę i uszkodzenia, najlepiej w podziale na miesiące i przewoźników. Składanie takiego raportu z arkuszy co miesiąc zabiera czas, a AI przygotuje go z tego samego pliku przesyłek, którego użyliśmy w sekcji o transporcie.
Pobierz kalmora_przesylki_q3_2026.xlsx Ten sam plik co w sekcji o transporcie. Dołączasz go do polecenia poniżej.
Polecenie: raport KPI logistyki dla zarządu
Na kafelkach od razu widać, że OTIF kwartału wyniósł 85,3%, czyli 6,7 punktu procentowego poniżej celu. To mniej niż 86,4% dostaw na czas z sekcji o transporcie, bo OTIF liczy tylko przesyłki, które dojechały na czas i w komplecie. Tabela miesięczna pokazuje, że sierpień był najlepszy pod względem OTIF i kosztu przesyłki, choć miał najwięcej uszkodzeń, a we wrześniu koszt przesyłki wzrósł z 762,99 do 830,56 zł przy gorszej terminowości. W tabeli przewoźników cel przekraczają tylko flota własna i Jarvona Trans.
Wykres pokazuje, że cel 92% nie został osiągnięty w żadnym z 14 tygodni, a najbliżej był tydzień 33, z wynikiem 91,9%.
Wnioski i działania nadają się do wklejenia do maila albo prezentacji dla zarządu. Ostatnią linijkę, z metodyką, czytaj zawsze: OTIF model policzył jako dostawę najpóźniej w planowanym terminie i ze statusem kompletnej. Jeśli w Twojej firmie „na czas” oznacza okno godzinowe z awizacji, a nie samą godzinę, wynik będzie inny, więc definicję wpisz w polecenie.
Na koniec poprosiliśmy w tej samej rozmowie o jeden pulpit z kafelkami i wykresami zamiast tabel. To on otwiera ten artykuł.
Polecenie 2 w tej samej rozmowie: pulpit dla zarządu
Raport z czatu robisz raz. Żeby co poniedziałek odświeżał się sam z danych z systemów, buduje się pulpit w Power BI, a Copilot w Power BI pozwala zadawać pytania o te dane zwykłym językiem.
Wolisz pulpit KPI, który odświeża się sam, zamiast raportu składanego w czacie? Szkolenie AI w logistyce i TSL --> poświęca temu osobny moduł: OTIF, koszt na przesyłkę, terminowość przewoźników i automatyczny raport w Power BI.
To szkolenie może być dofinansowane dla Ciebie z KFS lub BUR.
★★★★★Średnia ocena naszych szkoleń w Google: 5/5
Zanim ktokolwiek w zespole wklei do czatu plik z przesyłkami, ustalcie jedną rzecz: z jakiego narzędzia korzystacie. Darmowe i prywatne konta mogą używać rozmów do ulepszania modeli, chyba że użytkownik sam to wyłączy w ustawieniach. Konta firmowe, takie jak ChatGPT Business i Enterprise albo Microsoft 365 Copilot na koncie służbowym, z zasady nie trenują modeli na danych firmy, a dostawca oferuje firmie umowę powierzenia przetwarzania danych. W ChatGPT Business, na którym nagrywaliśmy przykłady z tego artykułu, przypomina o tym napis przy polu polecenia.
Czytaj też: ChatGPT w firmie: Plus, Business i Enterprise - co wybrać i ile kosztuje. Porównujemy tam plany ChatGPT dla firm: ceny, panel administratora, ochronę danych i RODO oraz to, który plan wybrać.
Najprostszą zasadę, którą przekażesz zespołowi, da się zmieścić w trzech kolorach. Zielone dane możesz wkleić wszędzie, żółte tylko do narzędzia firmowego, czerwonych nie wklejaj do publicznych czatów w ogóle. Osobno stoją loginy, hasła i klucze dostępu do systemów: tych nie wklejasz nigdzie, także do narzędzia firmowego.
Imię i nazwisko kierowcy, numer telefonu, ale też pozycja z telematyki (czyli z systemu GPS w ciężarówce) i ewidencja czasu pracy pozwalają zidentyfikować konkretną osobę, więc w rozumieniu RODO są danymi osobowymi. Do analizy punktualności, spalania czy przestojów nazwisk nie potrzebujesz. Zamień je na kody, zanim plik opuści Twój komputer:
X.WYSZUKAJ, zamień ją na wartości i usuń kolumnę z nazwiskami. Zamiana na wartości usuwa też powiązanie z plikiem z kodami.Od 2 lutego 2025 r. obowiązuje art. 4 unijnego AI Act: firma, która korzysta z systemów AI, ma zadbać o odpowiedni poziom kompetencji w zakresie AI u osób, które z nimi pracują. W praktyce oznacza to przeszkolenie zespołu i spisanie zasad korzystania z AI, najlepiej w jednej krótkiej polityce. Szczegóły obowiązków opisujemy w artykule AI Act 2026: co muszą zrobić polskie firmy, żeby być zgodne z prawem.
Czytaj też: AI Compliance 2026: poradnik dla firm (AI Act, ISO 42001, wdrożenie AI). To cztery bezpłatne artykuły w jednym miejscu: przegląd przepisów, lista kontrolna wdrożenia dla CTO i CISO, norma ISO 42001 i wdrażanie AI w zespole.
Dwie zmiany dotykają dokumentów, z którymi AI pracuje najczęściej. Od 2026 r. większość faktur krajowych wystawia się w KSeF, czyli w Krajowym Systemie e-Faktur, w ustrukturyzowanym formacie, więc odczyt danych z faktury przez AI traci znaczenie, a zostaje porównywanie faktur z zamówieniami i dostawami. Z kolei od lipca 2027 r. organy kontrolne w całej Unii mają przyjmować informacje o przewozie w formie elektronicznej, z certyfikowanych platform eFTI (to unijny standard elektronicznych informacji o przewozie towarów). Papierowe listy przewozowe i skany nie znikną jednak z dnia na dzień, zwłaszcza w kontaktach z zagranicznymi kontrahentami, więc wyciąganie z nich danych zostanie z nami na dłużej.
Wszystko, co pokazaliśmy do tej pory, wymaga, żeby ktoś otworzył czat, dołączył plik i wkleił polecenie. Agent AI różni się od czatu tym, że dostaje cel, dostęp do danych i narzędzi oraz harmonogram albo wyzwalacz, a potem sam wykonuje kolejne kroki. Czat odpowiada, gdy zapytasz. Agent zaczyna pracę, zanim dyspozytor przyjdzie do biura, i zostawia mu gotową listę spraw.
Program szkolenia „AI w logistyce i TSL” wymienia cztery agenty, od których najłatwiej zacząć w logistyce: agenta analizującego zapasy, monitorującego dostawy, analizującego reklamacje i przygotowującego raport dzienny. Pierwszy może co tydzień przeliczać pokrycie zapasu i wysyłać listę produktów zagrożonych brakiem razem z propozycją zamówień, czyli robić automatycznie to, co pokazaliśmy w sekcji o zapasach. Ostatni zbiera rano wskaźniki z poprzedniego dnia w jedną wiadomość dla kierownika.
Czytaj też: Jak stworzyć agenta AI: 10 przykładów dla firm z tutorialami krok po kroku. Dziesięć agentów AI dla firm, każdy z instrukcją budowy krok po kroku: od segregacji poczty i odczytu faktur, przez czat na stronie i infolinię głosową, po raporty z danych i agenta, który sam sięga po narzędzia. Na końcu: od czego zacząć i jakich błędów unikać w pierwszym wdrożeniu.
Agenta projektuje się na papierze, zanim wybierzesz narzędzie, bo te same decyzje trzeba podjąć w każdym z nich: co uruchamia agenta, skąd bierze dane, kiedy uznaje przesyłkę za problem, co robi sam, a co zostawia człowiekowi. Taką kartę możesz przygotować razem z AI na strukturze własnych danych. Dołączyliśmy plik przesyłek, żeby progi w regułach wynikały z danych, a nie z przeczucia.
Czytaj też: ChatGPT Business w firmie: wdrożenie, panel administratora, modele GPT-5 i agenci AI. W sekcji o Custom GPT znajdziesz instrukcję krok po kroku, jak w ChatGPT Business stworzyć takiego agenta jako własnego GPT: kreator z wypełnioną konfiguracją, gotowe instrukcje do skopiowania i pliki z wiedzą firmy. Kartę z tej sekcji wykorzystasz jako punkt wyjścia do jego instrukcji.
Czytaj też: Kurs Microsoft 365 Copilot: Agenci Copilot i Copilot Studio - własny asystent AI na wiedzy firmy. Alternatywa dla firm, które pracują w Microsoft 365: takiego agenta zbudujesz też w Copilot Studio. Lekcja prowadzi krok po kroku przez instrukcje, podpięcie wiedzy firmy, akcję przez łącznik (agent sam dopisuje wiersz do Excela) i udostępnienie agenta zespołowi.
Pobierz kalmora_przesylki_q3_2026.xlsx Ten sam plik co w sekcji o transporcie. Dołączasz go do polecenia poniżej.
Polecenie: karta agenta monitorującego dostawy
Model zaczął od celu i wyzwalacza, a przy danych wejściowych zauważył coś, o co nie pytaliśmy: w pliku nie ma bieżącej pozycji GPS, prognozowanego czasu dotarcia ani statusu „w drodze”. Bez nich agent oceni historię dostaw, ale nie przewidzi opóźnienia z wyprzedzeniem. Plik nadaje się więc do kalibracji i testów, a w codziennej pracy agent potrzebuje danych prosto z systemu transportowego.
Trzecia część karty to reguły: od jakiego opóźnienia przesyłka staje się problemem i jak pilnie trzeba się nią zająć.
Progi nie są przypadkowe. Model policzył, że w danych 90% przesyłek ma opóźnienie poniżej około 195 minut, a 95% poniżej około 435 minut, i na tej podstawie zaproponował granice 2 i 6 godzin dla priorytetów. Sam też zaznaczył, że to wstępne progi, które trzeba sprawdzić w pilotażu.
Najważniejsza decyzja w całej karcie to podział odpowiedzialności. Agent liczy, klasyfikuje, przygotowuje raport i szkice wiadomości, ale niczego, co ma skutki finansowe albo prawne, nie wysyła sam. W piątym punkcie model wypełnił wzór porannego raportu na ostatnim dniu z pliku i trafił na znaną już przesyłkę do Lipska, z opóźnieniem 5 godzin 40 minut i uszkodzeniem.
Ostatni punkt polecenia model rozpisał na dwie części: ryzyka z konkretnym zabezpieczeniem dla każdego i sposób sprawdzenia, czy agent się opłaca. Zaproponował 30-dniowy pilotaż i kalkulator z polami na własne liczby, a przykładowy wynik sam opisał jako scenariusz ilustracyjny, a nie wynik z pliku.
Kartę agenta wdraża się potem w narzędziu, które pasuje do Twojej firmy: w Microsoft 365 w Copilot Studio i Power Automate, w ChatGPT w zaplanowanych zadaniach albo w narzędziach do automatyzacji takich jak n8n. Który wariant wybrać i jak podłączyć agenta do systemu transportowego (TMS) czy magazynowego (WMS), zależy od systemów w firmie i od tego zaczyna się praca nad pierwszym wdrożeniem.
Kuszące jest rozpoczęcie od najtrudniejszego: prognozy dla całego asortymentu albo agenta z dostępem do wszystkich systemów naraz. Kolejność, która się broni, zaczyna się od pomiaru, a nie od zakupu licencji.
Zanim podpiszesz umowę, zadaj dostawcy trzy pytania: czy używa Twoich danych do trenowania modeli, gdzie i jak długo je przechowuje oraz czy podpisze umowę powierzenia przetwarzania danych. Gdy dane nie mogą opuścić firmy, alternatywą jest model uruchomiony na własnym serwerze. Daje pełną kontrolę nad danymi, ale wymaga sprzętu i ludzi do utrzymania, co pokazujemy w artykule Tutorial Ollama: lokalne modele LLM od zera.
Pobierz pliki z początku artykułu i przejdź jeden przykład z obszaru, który najbardziej obciąża Twój zespół: porównanie ofert przewoźników, odczyt listu CMR albo raport terminowości. Zmierz, ile ta czynność zajmowała dotąd ręcznie, i porównaj z czasem pracy z czatem. Potem powtórz to samo na własnych, zanonimizowanych danych i sprawdź wynik tak, jak pokazywaliśmy przy każdym przykładzie.
W tym przewodniku pokazaliśmy przykłady z każdego obszaru. Pełna praca z AI w logistyce to więcej: prognoza, która odświeża się co tydzień, poziomy zapasów dla całego asortymentu, pulpit KPI w Power BI, agenci podłączeni do systemów firmy i polityka AI, która porządkuje pracę całego zespołu. Te procesy przechodzimy krok po kroku na szkoleniu, a przykłady dopasowujemy do profilu grupy: dystrybucji, e-commerce, produkcji, spedycji albo przesyłek kurierskich.
Szkolenie AI w logistyce i TSL --> Dwa dni warsztatu przy komputerze: prognoza popytu, zapasy i klasyfikacja ABC/XYZ, transport i przewoźnicy, scoring dostawców, dokumenty przewozowe, obsługa klienta i reklamacji, pulpit KPI w Power BI, bezpieczeństwo danych i agenci AI do powtarzalnych zadań. Pracujemy w Excelu, Power BI, ChatGPT i Microsoft Copilot, bez programowania, a przykłady dopasowujemy do profilu grupy: dystrybucji, e-commerce, produkcji, spedycji albo przesyłek kurierskich. Prowadzi Sebastian Stasiak. Szkolenie odbywa się online na żywo z trenerem, a dla zespołu jednej firmy także w formie zamkniętej.
To szkolenie może być dofinansowane dla Ciebie z KFS lub BUR.
★★★★★Średnia ocena naszych szkoleń w Google: 5/5
Komentarze (0)
Brak komentarzy...