Cyfrowa odporność logistyki zaczyna się poza algorytmem

Automatyzacja planowania tras wchodzi w kolejną fazę. Agenci AI pomagają zespołom szybciej budować i modyfikować narzędzia, lecz odporność procesów logistycznych nadal zależy od czegoś bardziej podstawowego: od tego, czy system rozumie ograniczenia występujące poza ekranem.

Według badania Kardinal, przeprowadzonego od 1 lipca do 8 września 2026 r., 35% deweloperów, CTO i liderów technicznych korzysta z agenta AI codziennie, a 23% okazjonalnie. Najczęściej wymieniano Claude Code, następnie GitHub Copilot. Wiele zespołów korzysta z kilku narzędzi jednocześnie.

Od optymalizacji matematycznej do wykonalności

Największym problemem pozostaje rozdźwięk między planem a rzeczywistością. Wskazało go 56% respondentów. Wydajność i czas obliczeń uzyskały 47%, zmieniające się wymagania biznesowe 43%, a 39% badanych ma trudność z oceną, czy zoptymalizowana trasa jest naprawdę lepsza.

To istotne z perspektywy cyfryzacji przemysłu. Narzędzie może znaleźć krótką lub tanią trasę, lecz bez danych o oknach dostaw, dostępności ramp, pojazdach chłodniczych i przyzwyczajeniach klientów nie musi stworzyć planu możliwego do wykonania. Skutkiem mogą być opóźnienia, niewykorzystanie floty i dodatkowe przejazdy.

Własna technologia nie eliminuje ryzyka

56% zespołów rozwija planowanie wewnętrznie. 31% nadal używa arkuszy, a identyczny odsetek korzysta z gotowego oprogramowania lub API. Takie podejścia często są łączone. Mimo to problem dopasowania do warunków terenowych dotyczy 51% zespołów in-house i 50% pozostałych.

Własność rozwiązania oznacza również odpowiedzialność za jego utrzymanie. 35% organizacji posiadających własny system wykonuje regularne prace konserwacyjne, 18% potrzebuje do tego znacznych, dedykowanych zasobów, a tylko 12% wskazuje na niemal zerowy wysiłek.

Praktyczna digitalizacja wymaga także kontroli kosztów. 65% badanych źle ocenia brak publicznego cennika, 26% odrzuca taki produkt już na etapie oceny, a 41% obawia się rosnącego rachunku. Dla przedsiębiorstw oznacza to potrzebę oceniania nie tylko mocy algorytmu, ale również jakości danych i sposobu odwzorowania realnej pracy. Dopiero ta kombinacja może przełożyć automatyzację na odporność operacyjną.