SAP Business AI w logistyce: architektura, ROI i plan wdrożenia

Sprawdź, jak SAP Business AI wspiera prognozowanie, optymalizację procesów logistycznych i podejmowanie decyzji biznesowych, jakie korzyści może przynieść przedsiębiorstwu oraz jak zaplanować jej wdrożenie w środowisku SAP.

Dyspozytor rozdzielający rano zlecenia między przewoźników, kierownik zmiany ustalający kolejność kompletacji przed odjazdem ciężarówki, planista, który musi przełożyć skok zamówień na liczbę ramp i kierowców – każdy z nich podejmuje dziesiątki decyzji dziennie, zwykle pod presją czasu i na niepełnych danych. SAP Business AI w logistyce nie zastępuje tych osób ani systemów, z których korzystają. Jego zadaniem jest przybliżenie prognoz, sygnałów ryzyka i rekomendacji do miejsca, w którym zapada decyzja: do SAP Transportation Management, SAP Extended Warehouse Management i SAP Integrated Business Planning.

W artykule pokazujemy, jak warstwa AI wpisuje się w architekturę SAP, w których decyzjach logistycznych zwraca się najszybciej, jak policzyć jej wartość biznesową i jak przeprowadzić wdrożenie etapami. Uwzględniamy przy tym polskie realia: KSeF, Pakiet Mobilności i AI Act.

SAP Business AI w logistyce to zestaw funkcji sztucznej inteligencji wbudowanych w aplikacje SAP – SAP S/4HANA, SAP TM, SAP EWM i SAP IBP, oraz asystent Joule. Funkcje te wykorzystują dane transakcyjne i kontekst procesów, które firma już przetwarza w SAP, aby prognozować zdarzenia (np. opóźnienia dostaw), porządkować wyjątki według wagi i wspierać decyzje planistów. Zakres dostępnych funkcji zależy od edycji produktu, modelu wdrożenia i licencji.

Dlaczego tradycyjne metody planowania nie wystarczają w polskiej logistyce

Polska jest największym rynkiem drogowego transportu towarów w Unii Europejskiej. Według Eurostatu w 2024 r. polscy przewoźnicy wykonali 368 mld tonokilometrów, czyli blisko 20% pracy przewozowej całej UE. Równolegle rośnie rynek magazynowy: według BNP Paribas Real Estate zasoby nowoczesnej powierzchni przemysłowo-logistycznej w Polsce przekroczyły w połowie 2026 r. 38 mln m².

Sama skala to jednak tylko część problemu. Planowanie komplikują czynniki, których nie da się zapisać w jednej, stałej regule:

• niedobór kadr – według raportu IRU w Europie nieobsadzonych pozostaje ponad 502 tys. stanowisk kierowców, a do 2030 r. na emeryturę ma przejść kolejne 660 tys. osób;

• ograniczenia wynikające z Pakietu Mobilności, m.in. obowiązek regularnego powrotu pojazdu do kraju siedziby przewoźnika i limity kabotażu;

• zmienność popytu i coraz krótsze cykle planowania, szczególnie w handlu, e-commerce i dystrybucji;

• rosnące koszty – paliwa, opłat drogowych, pracy i magazynowania;

• rozproszone dane między SAP, systemami przewoźników, telematyką floty, giełdami transportowymi i arkuszami kalkulacyjnymi;

• częstsze zakłócenia – kolejki na granicach, zatory w portach, pogoda, awarie infrastruktury.

Klasyczne narzędzia – reguły, solwery optymalizacyjne, raporty historyczne – nadal są potrzebne. Wraz ze wzrostem liczby zmiennych tracą jednak skuteczność, bo zakładają, że warunki z chwili planowania utrzymają się do chwili realizacji. AI pozwala przejść od rozpoznawania problemu po fakcie do wcześniejszego wykrywania tego, co najprawdopodobniej się wydarzy.

Przykład: system monitorujący informuje dyspozytora, że ciężarówka jest spóźniona. Proces wspierany przez AI może pójść dalej – oszacować nowy czas przyjazdu, wskazać zagrożone zobowiązania wobec klientów i postawić ten przypadek wyżej na liście niż dziesięć drobnych odchyleń bez znaczenia dla wyniku. Na tej różnicy – między raportowaniem tego, co się stało, a przewidywaniem tego, co nastąpi – opiera się logistyka predykcyjna.

Czym jest SAP Business AI w logistyce

SAP Business AI nie jest osobną aplikacją logistyczną instalowaną obok ERP. To podejście SAP polegające na osadzaniu funkcji AI w aplikacjach, danych i procesach, z których firma już korzysta. W logistyce oznacza to warstwę wspierającą decyzje, rozpiętą na kilka systemów. Komponenty i ich rola:

• SAP S/4HANA

Rola: rdzeń transakcyjny i dane podstawowe – sprzedaż, zakupy, zapasy, produkcja, finanse.
Jak AI wspiera procesy: kontekst biznesowy dla prognoz i rekomendacji bez ręcznego łączenia danych z wielu źródeł.

• SAP TM

Rola: planowanie i realizacja przewozów, umowy frachtowe, kalkulacja i rozliczanie kosztów frachtu. 
Jak AI wspiera procesy: sygnały predykcyjne (np. ETA), wsparcie wyboru przewoźnika, porządkowanie zakłóceń według wpływu.

• SAP EWM

Rola: przyjęcie, rozlokowanie, uzupełnianie, kompletacja, pakowanie, wydanie.
Jak AI wspiera procesy: priorytetyzacja zadań, analiza obciążenia, wykrywanie wąskich gardeł.

• SAP IBP

Rola: planowanie popytu, podaży, zapasów i reagowania na zmiany.
Jak AI wspiera procesy: prognozowanie z wykorzystaniem uczenia maszynowego, analiza scenariuszy, alerty o nierównowadze.

• SAP Business Network

Rola: współpraca z dostawcami, operatorami logistycznymi i przewoźnikami.
Jak AI wspiera procesy: dane spoza przedsiębiorstwa, które poszerzają kontekst decyzji.

• SAP BTP

Rola: integracja, rozszerzenia, usługi AI i dane.
Jak AI wspiera procesy: scenariusze międzysystemowe i modele dedykowane, zgodnie z zasadą Clean Core.

• SAP Joule

Rola: interakcja z aplikacjami SAP w języku naturalnym.
Jak AI wspiera procesy: szybszy dostęp do informacji i obsługiwanych funkcji bez przechodzenia przez wiele transakcji.

Logika planowania i wykonania pozostaje w aplikacjach SAP. AI ją uzupełnia, a nie nadpisuje. Optymalizator SAP TM nadal rozwiązuje zadanie przy twardych ograniczeniach – ładowności, oknach czasowych, czasie pracy kierowców, a model predykcyjny dostarcza optymalizatorowi i planiście bardziej aktualnych danych.

Ważne: nie każda funkcja opisana w tym artykule jest dostępna w standardzie. Dostępność zależy od produktu i jego edycji, modelu wdrożenia (np. w ramach RISE with SAP), poziomu licencji i konfiguracji systemu. Część scenariuszy wymaga dodatkowych usług SAP BTP, zewnętrznych źródeł danych lub prac rozwojowych.

Gdzie AI w logistyce zwraca się najszybciej

AI nie przynosi tej samej wartości w każdym procesie. Tam, gdzie decyzje są stabilne i dobrze opisane regułami, klasyczna automatyzacja i optymalizacja w zupełności wystarczą. AI ma sens wtedy, gdy decyzja zależy od wielu zmiennych, zmienia się w czasie albo wymaga interpretacji danych, których sztywna logika nie obejmie.

Reguły czy AI – według charakteru decyzji:

• Decyzja stała, powtarzalna (np. przypisanie strefy składowania według grupy materiałowej): reguły i optymalizacja wystarczą, AI zwykle zbędne.

• Decyzja zależna od wielu szybko zmieniających się czynników (np. ryzyko opóźnienia na trasie): reguły działają częściowo, AI jest uzasadnione.

• Decyzja oparta na wzorcach z historii (np. niezawodność przewoźnika na danej relacji): reguły działają częściowo, AI jest uzasadnione.

• Decyzja wymagająca wyboru spośród wielu alertów (np. które opóźnienie zatrzyma linię produkcyjną): reguły nie wystarczają, AI jest uzasadnione.

• Decyzja korzystająca z danych nieustrukturyzowanych (np. korespondencja z przewoźnikiem): reguły nie wystarczają, AI jest uzasadnione.

W praktyce najszybszy zwrot pojawia się zwykle w pięciu obszarach: planowaniu i monitorowaniu przewozów, priorytetyzacji pracy magazynu, prognozowaniu popytu, rozmieszczeniu zapasów oraz zarządzaniu wyjątkami. Wartość zależy jednak od konkretnej decyzji. Dyspozytor potrzebuje wcześniejszego ostrzeżenia o opóźnieniu. Kierownik magazynu – informacji, które zadania zagrażają zaplanowanemu odjazdowi. Planista – przełożenia zmiany popytu na zapotrzebowanie na zapas, ludzi i powierzchnię.

9 zastosowań AI SAP w logistyce

Korzyści biznesowe wynikające z zastosowania sztucznej inteligencji stają się bardziej oczywiste, gdy wiążą się one z konkretnymi decyzjami operacyjnymi. Poniższe przykłady zastosowań pokazują, w jaki sposób sztuczna inteligencja może wspierać procesy transportowe, magazynowe, planowanie, zarządzanie zapasami, zarządzanie aktywami oraz przepływy pracy pracowników w środowisku logistycznym opartym na systemie SAP.

SAP TM: od prognozy ETA do porządkowania zakłóceń

Planowanie przewozów to bilansowanie miejsc załadunku, wielkości floty, czasu pracy kierowców, okien dostaw i stawek frachtowych. SAP TM obsługuje te ograniczenia algorytmami planistycznymi, a uczenie maszynowe wnosi aktualizacje oparte na bieżących danych z realizacji.

Najlepiej widać to na przykładzie ETA. Model łączy bieżące pozycje GPS z historią przejazdów na danej relacji i potrafi zasygnalizować spóźnienie na kilka godzin przed zamknięciem okna dostawy. Gdy opóźnienia na konkretnej trasie się powtarzają albo przewoźnik coraz częściej odrzuca zlecenia, jest to znak, że pierwotne założenia planu przestały obowiązywać.

Podobnie wygląda wybór przewoźnika. SAP TM wspiera wybór przewoźników na podstawie zdefiniowanych kryteriów. Dodatkowe modele analityczne mogą rozszerzyć ten proces o dane dotyczące historycznej akceptacji zleceń, reklamacji i doświadczenia przewoźnika na danej trasie. Dyspozytor dostaje pełniejszy obraz, a standardowy proces przetargu frachtowego pozostaje bez zmian. Z kolei alerty o opóźnieniach można oceniać według wpływu biznesowego – wtedy uwaga zespołu trafia do przesyłek, od których zależy ciągłość produkcji lub kluczowy kontrakt, a nie do każdego przestoju po równo.

W polskich realiach model nie zwalnia z ograniczeń prawnych. Wymogi Pakietu Mobilności i zasady czasu pracy kierowców pozostają twardymi warunkami planu. AI pomaga wybrać najlepszy wariant w ich granicach, a nie je obejść. Joule w SAP TM obsługuje natomiast m.in. wyszukiwanie umów frachtowych i tabel stawek w języku naturalnym – w zakresie udostępnionym dla danej wersji systemu.

Wyniki: wcześniejsze alerty, dokładniejsze ETA, decyzje o przewoźnikach oparte na danych i uporządkowana obsługa opóźnień.

SAP EWM: które zadania nie mogą czekać

Magazyn generuje ogromną liczbę zdarzeń – na rampach przyjęć, w regałach, przy stanowiskach pakowania i w strefie wydań. Kierownik zmiany stale ocenia, które zadania wymagają natychmiastowej interwencji, zwłaszcza gdy wózki, kompletujący i bramy zbliżają się do granicy wydajności.

Dane z procesów SAP EWM mogą zasilać analizy wskazujące wąskie gardła i podpowiadające korekty uzupełnień oraz kolejności kompletacji. Przykład: niewykonane uzupełnienie lokalizacji kompletacyjnej grozi opóźnieniem zamówienia priorytetowego klienta. Analiza wychwytuje tę zależność wcześniej, dzięki czemu kierownik przesuwa pracowników, zanim zamknie się okno odjazdu przewoźnika. Ten sam mechanizm pokazuje niedobory obsady w poszczególnych strefach.

Uwaga – AI Act: priorytetyzacja zadań i zleceń to co innego niż ocena ludzi. Systemy AI, które przydzielają zadania na podstawie indywidualnych zachowań lub cech pracowników albo monitorują i oceniają ich wydajność, należą do kategorii wysokiego ryzyka z załącznika III do AI Act (obszar zatrudnienia). Zgodnie z pakietem Digital Omnibus wymogi dla tej kategorii mają być stosowane od 2 grudnia 2027 r. Projekt AI w magazynie warto od początku zaprojektować tak, by jasno oddzielić optymalizację procesu od oceny pracownika – i skonsultować go z działem prawnym.

Wyniki: lepsza kolejność zadań, szybsze usuwanie wąskich gardeł, dotrzymywanie okien odjazdu i bardziej równomierne wykorzystanie pracowników.

SAP IBP: prognoza popytu jako sygnał dla magazynu i transportu

Wahania popytu nie kończą się w dziale planowania. Zmieniają grafiki zmian, zapotrzebowanie na powierzchnię, liczbę aut i zobowiązania wobec przewoźników.

Uczenie maszynowe uzupełnia klasyczne modele statystyczne, wychwytując subtelne trendy w portfelu zamówień i sygnałach zewnętrznych. Nie eliminuje zmienności rynku, ale pozwala szybciej skorygować prognozę bazową, gdy zmieniają się zachowania klientów. W SAP IBP zaktualizowana prognoza trafia do obliczeń uzupełnień i dystrybucji. Przewidywany skok zamówień zwiększa oczekiwany wolumen wydań, a SAP EWM i SAP TM mogą wykorzystać ten kontekst przy decyzjach o obsadzie magazynu i zamówieniu przestrzeni ładunkowej – zanim dodatkowy wolumen trafi do realizacji.

Alerty wskazują też lokalizacje, w których prognoza i faktyczny zapas zaczynają się rozjeżdżać. Celem jest właściwe rozmieszczenie zapasu, a nie jego bezrefleksyjne cięcie.

Wyniki: planowanie zasobów z wyprzedzeniem, lepsze dopasowanie sprzedaży i logistyki, trafniejsze terminy uzupełnień.

Joule: rozmowa z danymi zamiast przechodzenia przez transakcje

Analiza opóźnienia często wymaga zebrania informacji z kilku ekranów, tabel frachtowych i historii zamówień. Tam, gdzie Joule jest zintegrowany, użytkownik może zapytać o te dane w języku naturalnym. Joule nie omija aplikacji wykonawczych, a dostęp do danych nadal wynika z uprawnień ról w SAP. Scenariusze dla magazynierów i dyspozytorów opisujemy szczegółowo w artykule SAP Joule w logistyce.

Predykcyjne utrzymanie ruchu floty i urządzeń

Awaria wózka, sortera czy ciągnika potrafi zniweczyć najlepszy plan. Telemetria i historia serwisowa przechowywane w SAP dostarczają kontekstu do oceny stanu technicznego. Modele analizują obciążenia, wiek i historię napraw, by wskazać narastające zużycie komponentów. Serwis może wtedy zaplanować naprawę w oknie planowanego postoju, zamiast reagować na awarię w trakcie zmiany – bez zmiany standardowych procesów utrzymania ruchu.

Polska specyfika: dane i regulacje, które trzeba uwzględnić w projekcie

Wdrażanie AI w polskiej logistyce wiąże się z uwzględnieniem lokalnych uwarunkowań, w tym specyfiki rynku transportowego, wymogów prawnych i dostępności danych. Część z nich to dodatkowe źródła danych, część – wymagania, które trzeba wbudować w architekturę od początku.

• KSeF

Od 2026 r. faktury ustrukturyzowane trafiają do Krajowego Systemu e-Faktur (najwięksi podatnicy od 1 lutego, pozostali od 1 kwietnia 2026 r.). Faktury od przewoźników w jednolitym formacie mogą ułatwić automatyczną weryfikację kosztów frachtu względem rozliczeń w SAP TM – pod warunkiem dobrze zaprojektowanej integracji KSeF z SAP.

• Pakiet Mobilności

Regularny powrót pojazdu do kraju siedziby, limity kabotażu i zasady delegowania kierowców to ograniczenia, które plan musi respektować. Modele predykcyjne działają w ich granicach i nie mogą traktować ich jak parametru do optymalizacji.

• SENT i e-TOLL

Część przewozów (np. towarów objętych systemem SENT) i opłaty drogowe wymagają lokalizatorów lub aplikacji telematycznych. Te same urządzenia bywają źródłem danych pozycyjnych dla ETA – warto to sprawdzić przed budową równoległych integracji.

• AI Act

Rozporządzenie (UE) 2024/1689 klasyfikuje systemy AI według poziomu ryzyka. Większość scenariuszy transportowych nie należy do systemów wysokiego ryzyka, ale przydział zadań pracownikom na podstawie ich zachowań i ocena ich wydajności – tak. Wymogi dla systemów z załącznika III mają obowiązywać od 2 grudnia 2027 r.

• Rynek pracy

Przy niedoborze kierowców i pracowników magazynowych business case AI częściej opiera się na lepszym wykorzystaniu istniejących zasobów niż na redukcji zatrudnienia.

Jak policzyć ROI z AI w logistyce

Najmocniejsze uzasadnienia biznesowe AI w logistyce opierają się na KPI operacyjnych, a nie na liczbie wdrożonych modeli. Lepszy wynik modelu nie jest jeszcze efektem biznesowym.

Gdzie powstaje wartość

• Niższe koszty transportu – wcześniejszy sygnał o braku przestrzeni lub opóźnieniu ogranicza frachty ekspresowe i kosztowne przeplanowania w ostatniej chwili.

• Wyższa terminowość – przewidziane opóźnienie ma wartość tylko wtedy, gdy jest jeszcze czas na reakcję: zmianę planu, korektę zasobów albo realistyczną informację dla klienta.

• Wydajność magazynu – nie tylko więcej zadań na godzinę, ale właściwa kolejność tam, gdzie opóźnienie kosztuje najwięcej.

• Trafniejsze planowanie – zmiana prognozy wpływa na zakupy, zapasy, obłożenie magazynu, produkcję i przestrzeń transportową, o ile szybko dociera do zespołów realizacyjnych.

• Mniej szumu w alertach – planiści poświęcają czas wyjątkom, w których ich decyzja zmienia wynik, zamiast przeglądać dziesiątki drobnych odchyleń.

• Odporność operacyjna – krótszy czas między pierwszym sygnałem zakłócenia a decyzją o zmianie trasy.

Punkt odniesienia: KPI do zmierzenia przed pilotażem

• Koszt transportu na przesyłkę – mierzy efektywność kosztową przewozów. Uwaga: spadek kosztu nie może ukrywać gorszej terminowości.

• OTD / OTIF – mierzy dotrzymanie terminów i kompletność dostaw. Uwaga: potrzebna jest jedna definicja we wszystkich lokalizacjach.

• Trafność prognozy (np. MAPE, bias) – mierzy jakość planowania popytu. Uwaga: porównuj na tym samym horyzoncie i poziomie agregacji.

• Czas cyklu zadań magazynowych – mierzy płynność realizacji. Uwaga: uwzględnij sezonowość.

• Rotacja zapasów – mierzy kapitał zamrożony w zapasie. Uwaga: nie optymalizuj kosztem dostępności.

• Wydatki na frachty ekspresowe – mierzą koszt reagowania w ostatniej chwili. Uwaga: wymagają poprawnego oznaczania takich zleceń.

• Czas planistów na obsługę wyjątków – mierzy obciążenie zespołu. Uwaga: warto zmierzyć go próbnie, np. przez dwa tygodnie.

Całkowity koszt wdrożenia i utrzymania AI

Opłaty licencyjne to tylko część wydatków. Realny budżet obejmuje:

• porządkowanie danych podstawowych i transakcyjnych;

• integracje i API, także z systemami przewoźników i telematyką;

• usługi infrastrukturalne i dodatkowe poziomy licencji;

• zarządzanie zmianą, szkolenia i aktualizację procedur;

• monitorowanie i okresową rekalibrację modeli.

Architektura mocno wpływa na koszty utrzymania. Funkcje natywne, korzystające bezpośrednio z danych SAP, zwykle są tańsze w utrzymaniu niż modele dedykowane pobierające dane z wielu systemów zewnętrznych – tam koszt integracji rośnie z każdym nowym źródłem.

AI wbudowane w SAP czy rozwiązanie dedykowane?

AI wbudowane w aplikacje SAP:

• kiedy wybrać: standardowa funkcja pokrywa kluczowe wymaganie;

• czas uruchomienia: zwykle krótszy;

• koszt utrzymania: niższy, aktualizacje po stronie SAP;

• elastyczność: ograniczona do zakresu produktu;

• Clean Core: zachowany.

Rozwiązanie dedykowane (np. na SAP BTP):

• kiedy wybrać: unikalna logika biznesowa lub własne źródła danych;

• czas uruchomienia: dłuższy, wymaga prac rozwojowych;

• koszt utrzymania: wyższy, integracje i modele po stronie firmy;

• elastyczność: wysoka;

• Clean Core: zachowany, jeśli rozszerzenia powstają poza rdzeniem systemu.

W praktyce warto zacząć od sprawdzenia standardu. Rozwiązanie dedykowane ma sens tam, gdzie standard nie obejmuje decyzji o istotnej wartości biznesowej.

Doświadczenia LeverX: od rozproszonych danych do generatywnej AI

Wdrożenie AI staje się wyjątkowo trudne, gdy dane transportowe są zamknięte w arkuszach, lokalnych bazach systemów flotowych i niepołączonych aplikacjach zewnętrznych.

Dobrze pokazuje to projekt LeverX dla globalnego producenta z pięcioma zakładami w Azji i Ameryce Północnej oraz ok. 200 punktami dystrybucji na świecie. Dane transportowe były rozproszone między arkuszami Excel, regionalnymi systemami i platformami dostawców, co opóźniało optymalizację tras, prognozowanie i raportowanie dla zarządu. Zespół LeverX zbudował dedykowaną aplikację logistyczną na SAP Business Technology Platform (SAP BTP) z wykorzystaniem narzędzi generatywnej AI. Według dokumentacji projektu wdrożenie przyniosło spadek kosztów operacyjnych o 15–20% i poprawę terminowości dostaw. Wynik dotyczy konkretnej architektury i zakresu tego projektu – nie jest gwarantowanym punktem odniesienia dla innych wdrożeń.

W drugim zrealizowanym projekcie LeverX duży operator logistyczny, zarządzający flotą 3500 pojazdów i przewożący ponad 10 mln ton ładunków rocznie, połączył z pomocą LeverX i SAP BTP odrębne systemy WMS i TMS, instancje SAP S/4HANA oraz starsze aplikacje zewnętrzne w jeden spójny obraz operacji. Raportowany efekt to spadek kosztów operacyjnych o 20%.

Wspólny wniosek z obu projektów: skalowanie AI w logistyce w dużej mierze zależy od niezawodnych przepływów danych między planowaniem, realizacją i systemami zewnętrznymi – oraz od dobrze zaprojektowanych procesów i nadzoru nad modelami.

Najczęstsze bariery wdrożenia AI w logistyce SAP

Jakość danych

Brakujące statusy przewozów, niespójne dane lokalizacji, nieaktualne czasy realizacji i zdublowane rekordy obniżają wiarygodność prognoz. Porządkowanie danych powinno być częścią harmonogramu projektu, a nie osobną inicjatywą IT odkładaną na później.

Rozproszone systemy

Prognoza oparta wyłącznie na danych magazynowych ma ograniczoną wartość dla dyspozytora. Zamówienia, zapasy, plany tras i dane zewnętrzne muszą się spotkać, aby rekomendacja dotyczyła realnej zmiany trasy.

Niejasno opisany proces

AI nie zrekompensuje niejasnej odpowiedzialności ani źle zdefiniowanej logiki decyzji. Przed uruchomieniem trzeba ustalić:

• której decyzji dotyczy usprawnienie;

• jakie dane ją zasilają i który system jest źródłem prawdy;

• jaki krok procesu uruchamia rekomendacja;

• kiedy dopuszczalne jest wykonanie automatyczne, a kiedy decyzję podejmuje planista;

• jak obsługiwać błędy modelu i przypadki brzegowe.

Nadzór i odpowiedzialność

Rekomendacje wpływają na zapas bezpieczeństwa, dotrzymanie SLA i wydatki na przewoźników. Potrzebne są uprawnienia, monitorowanie jakości modeli i jasna procedura nadpisywania rekomendacji, gdy kłócą się z regułami biznesowymi lub sytuacją na miejscu. Bez niej odpowiedzialność za decyzję rozmywa się dokładnie wtedy, gdy jest najbardziej potrzebna – podczas poważnych zakłóceń.

Gotowość zespołu

Najlepszy model przegra, jeśli kierownicy zmian mu nie ufają. Dyspozytor powinien rozumieć, skąd wzięła się rekomendacja, jakie dane za nią stoją i kiedy trzeba ją zignorować. Pomagają szkolenia według ról, zaktualizowane procedury i jasna ścieżka eskalacji.

Plan wdrożenia SAP Business AI w logistyce w 7 krokach

Aby zacząć korzystać z AI, nie trzeba przebudowywać całego krajobrazu logistycznego. Wdrożenie etapami jest bezpieczniejsze operacyjnie i łatwiejsze do obrony przed zarządem.

1. Zdefiniowanie problemu biznesowego

Najpierw problem, potem technologia: powtarzające się opóźnienia na konkretnych relacjach, zbyt dużo czasu planistów na sortowanie wyjątków, niska trafność prognoz, stałe wąskie gardła w magazynie. Punkt wyjścia „potrzebujemy AI” odwraca tę logikę. To scenariusz powinien przesądzić, czy AI jest w ogóle potrzebne i jakiego rodzaju.

2. Ustalenie punktu odniesienia KPI

Przed zmianą procesu trzeba udokumentować, jak działa dziś – inaczej nie będzie z czym porównać pilotażu. Projekt transportowy powinien śledzić jednocześnie koszt na przesyłkę i terminowość, aby pozorna oszczędność nie ukryła pogorszenia obsługi.

3. Ocena gotowości procesów i danych

Decyzję warto prześledzić od danych źródłowych do działania: które systemy dostarczają informacje, kto jest ich właścicielem, z jakim opóźnieniem są dostępne i co się dzieje, gdy rekomendacja trafi do użytkownika. Przegląd obejmuje źródła SAP i spoza SAP, spójność danych podstawowych, jakość historii transakcji, kompletność zdarzeń i opóźnienia integracji. Często ujawnia mniej efektowny problem: prawdziwym ograniczeniem są rozproszone dane albo źle zdefiniowany proces, a nie model.

4. Dobór komponentów SAP do scenariusza

Dopiero na tym etapie wybór technologii ma sens. Scenariusze transportowe opierają się zwykle na SAP TM, magazynowe – na SAP EWM, a prognozowanie i planowanie podaży – na SAP IBP. Scenariusze międzysystemowe mogą wymagać SAP BTP i odpowiednich funkcji SAP Business AI. Zestaw komponentów powinien wynikać z wymagań procesowych, a nie z gotowej listy produktów.

5. Pilotaż o ograniczonym zakresie 

Jedna relacja transportowa, jeden magazyn lub centrum dystrybucyjne, jedna grupa produktów albo jeden proces planistyczny. Zakres musi jednak zapewniać wystarczający wolumen i zmienność transakcji, by wyniki były wiarygodne. „Mały” ma znaczyć łatwy do kontrolowania, a nie bezużyteczny statystycznie.

6. Pomiar zmian w operacjach

Wynik pilotażu trzeba odnieść do punktu wyjścia. Czy spadły koszty transportu, poprawiła się terminowość, skrócił czas cyklu, zmniejszyła ręczna obsługa wyjątków? Jeśli model jest lepszy, a KPI prawie się nie zmienia, ograniczenie leży gdzie indziej: w opóźnieniach integracji, projekcie przepływu pracy, jakości danych, akceptacji użytkowników lub zdolności zespołu do działania na podstawie rekomendacji.

7. Skalowanie modelu operacyjnego

Działający model to tylko część skalowalnego procesu. Przed rozszerzeniem na kolejne lokalizacje warto ustandaryzować przepływy danych, odpowiedzialność, nadzór, monitorowanie i obsługę wyjątków. Kolejne wdrożenia mogą wtedy powielać wzorzec sprawdzony w pilotażu, z lokalnymi korektami tam, gdzie procesy, dane lub wymagania rzeczywiście się różnią.

Kierunki rozwoju AI w transporcie i logistyce

• Od prognozy do działania. Sama informacja o opóźnieniu to za mało. Rośnie znaczenie rekomendacji, która reakcja ma sens przy obecnych kosztach, dostępnej przestrzeni i wymaganym poziomie obsługi.

• Mniej sztywne granice planowania. Zakłócenie w transporcie szybko staje się problemem magazynu, zapasów, produkcji i obsługi klienta. AI może łączyć te sygnały wcześniej, zamiast zostawiać ich interpretację każdemu działowi osobno.

• Asystenci i agenci AI. Rola narzędzi takich jak Joule rozszerza się od wyszukiwania informacji w stronę wsparcia zadań wieloetapowych – przy zachowaniu reguł biznesowych, uprawnień i kontroli człowieka nad decyzjami krytycznymi.

• Krótsze cykle planowania. Szybszy dostęp do danych z realizacji pozwala aktualizować prognozy i założenia dotyczące przestrzeni ładunkowej na bieżąco, zamiast czekać na kolejny cykl.

• Nadzór jako część architektury. Pochodzenie danych, uprawnienia, zachowanie modeli i przegląd przez człowieka stają się elementem projektu, a nie formalnością po wdrożeniu – tym bardziej w świetle AI Act.

• Trudniej „naciągnąć” business case. O wartości AI zdecydują zmiany w kosztach, obsłudze, wydajności, ekspozycji zapasowej i ilości pracy ręcznej, a nie sama dokładność modelu.

Podsumowanie

SAP Business AI przynosi wartość w logistyce wtedy, gdy funkcje AI są zintegrowane z procesami SAP TM, SAP EWM i SAP IBP, również pracuje na spójnych danych i jest rozliczane z KPI operacyjnych. Najbezpieczniejsza ścieżka to wąski pilotaż na konkretnym problemie, z wcześniej zmierzonym punktem odniesienia, a dopiero potem skalowanie.

AI nie zastępuje systemów zarządzania transportem, magazynem i planowaniem ani doświadczonych logistyków. Zmienia sposób, w jaki informacje przepływają między nimi, i skraca czas od sygnału do decyzji. Dyspozytorzy wcześniej widzą ryzyko, magazyn skupia się na pracy zagrażającej terminom, planiści sprawniej analizują złożone wyniki, a obsługa klienta reaguje, zanim problem eskaluje. O wartości przesądza połączenie właściwej architektury SAP z kompetencjami logistycznymi, nadzorem i dyscypliną procesową.

Jak LeverX wspiera wdrożenia AI w logistyce SAP

Projekty AI w logistyce łączą projektowanie procesów, architekturę SAP, integrację, inżynierię danych i realizację operacyjną. Jako SAP Gold Partner z ponad 20-letnim doświadczeniem LeverX wspiera firmy w obszarach:

• wdrożenia funkcji SAP Business AI i rozwoju scenariuszy AI dla łańcucha dostaw;

• wdrożenia i optymalizacji SAP TM oraz SAP EWM;

• doradztwa w zakresie SAP IBP;

• transformacji do SAP S/4HANA;

• integracji i rozszerzeń na SAP BTP;

• usług utrzymaniowych SAP AMS.

W firmach z rozproszonym krajobrazem systemów lepsze efekty przynosi zwykle najpierw standaryzacja procesów, uporządkowanie danych podstawowych i stabilne integracje, a dopiero potem modele uczenia maszynowego. Dzięki temu analityka nie kończy się na odizolowanym teście, tylko trafia do codziennej pracy dyspozytorów i magazynu.