Логистика — это данные, документы и бесконечная координация. И почти всё это так или иначе про текст: заявки перевозчикам, переписка о задержках, таблицы поставок, объяснительные клиенту. Именно тут языковые модели работают лучше всего. А вот там, где нужна оптимизация по сотням ограничений в реальном времени, обычная LLM пасует — и важно понимать границу, чтобы не ждать от чата того, на что он не рассчитан.
Ниже — по задачам: где AI экономит часы прямо сейчас текстом, а где без специализированной системы не обойтись.
Прогноз спроса: помощник, а не оракул
Полноценный прогноз спроса строят на исторических продажах, сезонности, акциях и внешних факторах — это работа аналитических моделей и BI-систем, а не чата. Но LLM полезна на подступах: она быстро превращает сырые цифры в гипотезы и объясняет, что в них смотреть.
Вот продажи SKU по месяцам за два года: [ТАБЛИЦА].
1. Опиши сезонность: какие месяцы пиковые, какие провальные.
2. Найди аномалии и предположи причины (акция, дефицит, разовый опт).
3. Грубо оцени потребность на следующий квартал и явно укажи,
каких данных не хватает для точного прогноза.Ключевое — последняя строка. Модель честно перечислит, чего ей не хватает, и вы не примете прикидку за расчёт. Для реальных закупок цифры всё равно проверяет человек, а лучше — отдельная система прогнозирования.
Документы: где LLM закрывает рутину целиком
Транспортные накладные, заявки на перевозку, акты приёма-передачи, претензии — это шаблонный текст с переменными. Тут нейросеть заменяет копипасту из старых файлов и снимает с логиста полчаса в день.
Составь шаблон заявки на перевозку груза.
Перевозчик: [тип]. Груз: [описание]. Маршрут: [откуда — куда].
Укажи: наименование, вес, объём, упаковку, условия перевозки,
сроки подачи машины, ответственность сторон.
Формат — официальный, с полями для подписи и печати.Тот же подход — для претензий и актов. Модель держит деловой тон и не забывает обязательные реквизиты, если их перечислить в промте. Важно: юридически значимые документы перед отправкой проверяет ответственный сотрудник — нейросеть готовит черновик, но не отвечает за его правовую корректность.
Переписка с перевозчиками и поставщиками
Половина рабочего дня логиста уходит на письма: согласовать сроки, выбить компенсацию за просрочку, мягко надавить на подрядчика. LLM пишет такие письма за секунды и подстраивает тон под ситуацию.
Напиши письмо перевозчику о срыве сроков доставки.
Что произошло: [описание]. Наши потери: [сумма/последствия].
Чего хотим: [компенсация / новые сроки / приоритет].
Тон — деловой, твёрдый, без угроз. Дай два варианта:
жёсткий и компромиссный.Два варианта тона — приём, который экономит ещё один заход. Вы сразу видите спектр и выбираете под отношения с контрагентом. Если нужно глубже разобраться с самим механизмом запросов, загляните в материал про то, как написать промт — на переписке это даёт больше всего отдачи.
Кстати, всё это удобно держать в одном кабинете. В Крафти ведущие LLM собраны без VPN, на русском и с оплатой картой РФ — раздел для текста закрывает и заявки, и письма, и разбор таблиц. Попробовать.
Разбор данных по складу
Выгрузка из учётной системы — это таблица, а с таблицами LLM работает уверенно: находит закономерности, считает доли, формулирует выводы человеческим языком. Это не замена WMS, но быстрый способ понять, что вообще происходит на складе.
Проанализируй данные поставок за квартал: [ТАБЛИЦА].
Найди:
1. Поставщиков с наибольшим процентом задержек.
2. Средний срок доставки по направлениям.
3. Пиковые периоды загрузки склада.
4. Позиции, которые залёживаются (низкая оборачиваемость).
5. Три конкретные рекомендации по запасам — с обоснованием.Такой разбор за минуту даёт то, на что вручную ушёл бы вечер в Excel. Подробнее про этот сценарий — в отдельном разборе про анализ данных нейросетью. Оговорка та же: модель видит только то, что вы ей дали в таблице, и не знает контекста за её пределами.
Оптимизация маршрутов: вот тут осторожно
Маршрутизация — самый частый запрос и самая частая ошибка ожиданий. Настоящая оптимизация развозки (десятки точек, временные окна, грузоподъёмность, пробки, возвраты) — это задача TMS-систем с алгоритмами VRP, а не языковой модели. LLM не считает оптимальный маршрут, она его правдоподобно сочиняет.
Где она реально помогает — на маленьких задачах и для объяснения логики:
5 точек доставки по Москве с временными окнами: [АДРЕСА И ОКНА].
Предложи разумный порядок объезда с учётом окон.
Объясни логику. Честно укажи, где можешь ошибаться
и почему для большого парка нужна TMS.Для пяти точек это сэкономит время. Для пятидесяти — даст красивый, но недостоверный ответ. Граница проходит примерно там, где задачу уже нельзя прикинуть в голове: дальше нужен софт со строгими алгоритмами.
Поддержка и ответы клиентам
Статусы заказов, ответы на «где моя посылка», объяснения задержек — типовой поток, который LLM разгружает. Можно собрать набор заготовок под частые ситуации и адаптировать их под конкретный заказ.
Клиент спрашивает о задержке заказа. Ситуация: [описание].
Напиши ответ: признай проблему, объясни причину без оправданий,
дай конкретный новый срок и небольшой жест доброй воли.
Тон — спокойный, на стороне клиента.Это не чат-бот на сайте (для него нужна интеграция), а ускоритель для оператора: основу пишет модель, человек правит под факты и отправляет.
Честно об ограничениях
Главное, что стоит держать в голове:
- LLM не считает, она формулирует. Любые цифры — задержки, сроки, маршруты — это прикидка по тому, что вы дали. Точные расчёты остаются за TMS, WMS и системами прогнозирования.
- Нет доступа к вашим системам. Модель не подключена к 1С, учётке или GPS-трекерам. Она работает только с текстом и таблицами, которые вы вставили вручную.
- Реальное время — не её задача. Пробки, отмены, перепланировка на лету — это про специализированный софт с актуальными данными.
- Ответственность на человеке. Документы, претензии, обещания клиенту перед отправкой проверяет сотрудник.
Проще говоря: AI снимает текстовую и аналитическую рутину, но не управляет логистикой за вас. Это инструмент логиста, а не его замена.
Итог
Начните с самого скучного и частого — переписки и документов. Возьмите три письма, которые пишете чаще всего, и сделайте под них промты с переменными в скобках. Затем подключите разбор выгрузок со склада: одна таблица, один промт — и вы видите задержки и залежавшиеся позиции без часа в Excel. А вот маршрутизацию для большого парка и точный прогноз спроса оставьте профильным системам — здесь LLM полезна как помощник, но не как движок. Если хочется системнее подойти к автоматизации рутины, посмотрите подборку про то, как автоматизировать бизнес — логистика там один из самых благодарных участков.
Попробуйте в Крафти
Соберите такой результат сами: Крафти — нейросети для текста, изображений, видео и музыки в одном кабинете. Без VPN, на русском, оплата картой РФ.
Telegram-бот: @KraftiAI_bot · промты и разборы в канале @aidea_lab.