7 obserwacji na temat przyszłości łańcucha dostaw
Do czego agenci AI są dziś zdolni, gdzie kryją się zagrożenia i jak będą kształtować logistykę przyszłości? Niewiele innych trendów technologicznych jest obecnie przedmiotem tak intensywnej dyskusji. Poniższe siedem obserwacji zwraca uwagę na najważniejsze szanse i zagrożenia przy dalszym rozwoju wykorzystywania agentów AI w logistyce w przyszłości.
Zdjęcie: DACHSER
Branża logistyczna dostrzega w tych cyfrowych pomocnikach ogromny potencjał. Jak to często bywa w przypadku mocno nagłaśnianych tematów, wiele osób o nich mówi, nie wiedząc dokładnie, czym właściwie są. Definicja agentowej sztucznej inteligencji (agentic AI) nieco różni się w zależności od przypadku. Agenci AI to zasadniczo aplikacje programowe. W przeciwieństwie do konwencjonalnych programów łączą jednak generatywną sztuczną inteligencję z przetwarzaniem opartym na regułach. Dzięki temu połączeniu powstają cyfrowe jednostki, które w ramach określonego zakresu zadań potrafią rozumieć zapytania i dane wejściowe, opracowywać strategie działania na podstawie zdefiniowanych celów, a następnie uruchamiać i monitorować odpowiednie działania.
Przykładowo, w procesie śledzenia przesyłek agent AI może analizować informacje z systemów statusowych, a nawet nieustrukturyzowane wiadomości na czacie, wyciągać wnioski na podstawie zdefiniowanych celów i uruchamiać odpowiednie działania. Gdy przesyłka osiągnie określony status, agent może albo bezpośrednio powiadomić danego klienta, albo przekazać sprawę pracownikowi obsługi klienta w celu jej sprawdzenia i dalszego przetworzenia.
Teza nr 1: Granice między agentami AI a asystentami AI coraz bardziej się zacierają
W idealnej sytuacji agent AI działa jak w pełni autonomiczny system, który samodzielnie decyduje, czy i w jaki sposób należy jeszcze zaangażować człowieka. W praktyce jednak obecnie nierzadko zdarza się, że agent AI działa bardziej jak asystent i nie wykonuje niemal żadnych działania bez zgody człowieka.
W zależności od jakości wyników generowanych przez AI oraz specyfikacji procesów powstają hybrydowe formy łączące cechy agentów AI i asystentów AI. Formalne granice między definicjami agenta AI i asystenta AI coraz bardziej się zacierają, a oba rozwiązania stopniowo się łączą.
Teza nr 2: Agenci AI zmieniają procesy logistyczne
Pierwsze systemy oparte na agentach są testowane przede wszystkim w procesach łączących różnych uczestników łańcucha dostaw. Jednym z przykładów jest wykorzystanie agentów AI do wprowadzania niezbędnych danych dotyczących przesyłek do platform logistycznych.
Dane te mogą obejmować nieustrukturyzowane teksty i dokumenty, a także wiadomości głosowe, pochodzące zarówno od ludzi, jak i innych agentów AI. Dzięki nowemu Model Context Protocol (MCP) duże modele językowe mogą coraz skuteczniej komunikować się z systemami zewnętrznymi i bazami danych, prowadząc do powstania nowej formy interfejsów wymiany danych, które mają szansę uzupełnić stosowane dziś rozwiązania oparte na EDI i API.
W zakupach i sprzedaży agenci AI gromadzą wstępne informacje na temat właściwości i dostępności produktów oraz usług, analizują warunki umów i negocjują ich zapisy. Dzieje się to już dziś w ramach pierwszych projektów pilotażowych.
Teza nr 3: Agenci AI popełniają błędy
Agent AI nie zawsze wyciąga właściwe wnioski, a co za tym idzie - nie zawsze jest w stanie uruchomić oczekiwane działanie. To fundamentalne wyzwanie w wielu scenariuszach operacyjnych.
Nawet w przypadku doskonałych agentów AI ich szacowana dokładność nie przekracza obecnie 90–95%. Kolejnym istotnym czynnikiem jest zdolność systemu agentowego do rozpoznania, na ile trafna jest jego własna decyzja, jaki proces właśnie zachodzi oraz które zasady podejmowania decyzji mają zastosowanie. Zdolność ta dodatkowo wpływa na jakość działań podejmowanych przez agenta AI.
Ze względu na nieodłączny poziom błędów agentów AI konieczne jest zawsze przeprowadzenie oceny ryzyka, która odpowiada na pytania: Jaki wpływ mają sporadyczne błędy i jak model biznesowy sobie z nimi radzi?
Obecnie istnieje wiele procesów, których, ze względu na to ryzyko, nie można jeszcze powierzyć agentom AI.
Teza nr 4: Agenci AI są częścią zespołu
Agenci AI mają mocne i słabe strony, które czasami zaskakująco przypominają cechy prawdziwych ludzi w codziennym życiu zawodowym. Wspólnie sprawiają one, że agenci są czymś więcej niż tylko programami komputerowymi - przypominają raczej członków zespołu.
Są przygotowywani i szkoleni do wykonywania różnych zadań, potrafią współpracować z ludźmi. W przyszłości ludzie będą przydzielać zadania agentom AI i iteracyjnie współpracować z nimi aż do uzyskania pożądanego rezultatu.
Nie chodzi tu o włączenie do procesu jednego, a kilku agentów AI, działających równolegle, ponieważ agenci AI potrzebują czasu na „myślenie”.
Aby skutecznie wykonywać swoje zadania, agenci AI muszą wielokrotnie otrzymywać odpowiedni kontekst swoich działań za pośrednictwem wysokiej jakości danych i instrukcji(promptów). Innymi słowy, wymagają profesjonalnego zarządzania i dobrego zintegrowania z zespołami ludzkimi, tak aby byli akceptowani jako „koledzy z pracy”.
Są to nowe kompetencje, których liderzy i menedżerowie na wszystkich szczeblach będą musieli bardzo szybko się nauczyć i wdrożyć je w praktyce.
Teza nr 5: Każdy może tworzyć agentów AI
Obok zarządzania agentami i korzystania z nich coraz większe znaczenie w codziennej pracy logistyków będzie miało również tworzenie własnych agentów.
Pod hasłem „Citizen Development” powstają środowiska, które umożliwiają wielu użytkownikom tworzenie i wdrażanie prostych agentów AI poprzez odpowiednie formułowanie promptów oraz podłączanie źródeł danych i systemów workflow.
Przykładem w codziennej pracy biurowej są agenci Copilot firmy Microsoft.
Teza nr 6: Agenci AI nie przynoszą jeszcze zwrotu z inwestycji
Pomimo ogromnego potencjału systemów opartych na agentach oraz pierwszych konkretnych wzrostów efektywności osiąganych w niektórych procesach, agenci AI na ogół nie przynoszą jeszcze zwrotu z inwestycji (ROI).
Wielu agentów AI znajduje się nadal na etapie MVP (Minimum Viable Product), trwają testy w ramach projektów pilotażowych i rozwiązania wciąż pozostają daleko od pełnej integracji z modelami biznesowymi.
Kosztują zarówno prace rozwojowe, jak i licencje na systemy AI oraz zużycie tokenów podczas zapytań do dużych modeli językowych, takich jak ChatGPT, Claude czy Mistral - szczególnie w przypadku nadmiernego uzależnienia od jednego dostawcy lub jednego LLM.
Do tego dochodzą szkolenia pracowników oraz czas potrzebny na zdobycie doświadczenia w pracy z agentami AI. Każdy proces innowacyjny wiąże się oczywiście z pewnym poziomem inwestycji w naukę właściwego wykorzystywania nowych technologii.
Jednak krok po kroku również konkretne KPI i analizy ROI muszą stać się narzędziami wyznaczającymi kierunek rozwoju agentów AI, tak aby w średnim terminie stworzyć solidne podstawy ekonomiczne dla wykorzystania sztucznej inteligencji.
Teza nr 7: Agenci AI kształtują przyszłość
Pomimo swoich słabości, ryzyka i kosztów agenci AI będą stopniowo wkraczać niemal w każdy proces w łańcuchu dostaw. Każdy powinien mieć tego świadomość.
W niektórych przypadkach agenci AI zmienią charakter współpracy tylko nieznacznie, w innych - w bardzo istotny sposób. W większości przypadków sprawią jednak, że współpraca będzie bardziej efektywna.
Nie chodzi przy tym wyłącznie o pojedynczych agentów AI, lecz także o systemy wieloagentowe (multi-agent systems), w których agenci będą współdziałać zarówno ze sobą, jak i z ludźmi.
W przyszłości zatem nie tylko ludzie, lecz także agenci AI będą kształtować przyszłość logistyki i zarządzania łańcuchem dostaw.
Oznacza to również, że praca z agentami AI stanie się elementem odpowiedzialności przywódczej. Stefan Hohm, Chief Development Officer (CDO) w firmie DACHSER, podsumowuje to następująco – AI nie zastąpi liderów. Ale liderzy, którzy korzystają z AI, zastąpią tych, którzy z niej nie korzystają.
