5 российских кейсов внедрения ИИ в логистике

Это Суинчик. Если вы устали слышать «ИИ в логистике — это для гигантов с миллиардными бюджетами» и хотите понять, что на самом деле уже работает в российских компаниях, — этот материал для вас. Я собрал 5 реальных отраслевых кейсов РФ: маршрутизация курьеров, предиктивный ремонт фур, контроль усталости водителей, умный склад и предиктивная аналитика на производстве.

Сразу честно: это кейсы разных компаний из открытых источников, а не клиенты SUIN.AI. Я не приписываю их себе. Но после каждого кейса я покажу мостик — как нечто похожее по логике (агент + база знаний + нужная модель) можно собрать у нас в СуперИнтеллекте, без своей команды дата-сайентистов и без многомесячной разработки.

Компания. СДЭК — оператор экспресс-доставки, работает в десятках стран, более 5400 пунктов выдачи и свыше 25 000 сотрудников. Задача. Вручную распределить заказы между курьерами и построить маршруты — это часы работы каждый день: нужно учесть плотность точек, пробки, расход топлива, срочные заказы «на сегодня» и заборы груза по пути. Плюс отдельная боль ВЭД — присвоить коды ТН ВЭД грузам, идущим за рубеж, по техническому описанию.

Что внедрили. Алгоритмы кластеризации и решения «задачи коммивояжёра» для маршрутов и классификатор для определения кодов ТН ВЭД. Для этого СДЭК вырастил отдельное ИТ-подразделение CDEK Digital (более 550 человек), а три продукта зарегистрировал в Роспатенте. Самым долгим и дорогим этапом, по словам компании, была подготовка качественных данных — и это типичная история (про неё ещё скажу в конце).

Свой движок маршрутизации уровня СДЭК — это серьёзная разработка. Но две из трёх задач кейса закрываются у нас без программистов. Первая — классификация ТН ВЭД: загрузите в базу знаний справочник кодов и примеры ваших грузов, и ИИ-агент будет подсказывать код по описанию (с пометкой «проверьте у декларанта»). Вторая — план дня курьера: в режиме «ИИ-агент» модель умеет считать и строить таблицы.

Подскажи код ТН ВЭД для груза по описанию: «детская коляска
трёхколёсная, алюминиевая рама, текстиль, без мотора».
Дай 1–2 наиболее вероятных кода из загруженного справочника,
обоснуй выбор и отметь, что финальное решение — за декларантом.

Найди на бирже ATI.SU свободные машины под груз: тент 20 т,
Москва → Казань, загрузка завтра, ставка до 65 000 ₽.
Отбери топ-5 по рейтингу перевозчика и цене, сведи в таблицу.
Если подходящих нет — подготовь черновик публикации МОЕЙ заявки
на груз с этими параметрами и покажи мне перед отправкой.

Компания. КамАЗ — ведущий производитель грузовиков в России. Задача. Фура, которая ломается в рейсе где-нибудь под Сызранью, — это сорванные сроки, дорогая эвакуация и недовольный клиент. Реактивный ремонт «по факту поломки» дорог и непредсказуем. Что внедрили. Нейросети анализируют данные с датчиков на автомобилях и прогнозируют оптимальное время техобслуживания каждой машины — чтобы менять узлы до отказа, а не после.

Похожий эффект показывают и западные кейсы для сравнения: Volvo Trucks с системой Active Monitoring заявляла о сокращении поломок на дороге на 25%. Суть одна — перейти от реактивного ремонта к проактивному.

Поток телеметрии с датчиков в реальном времени — это телематическая платформа, и её ИИ-чат не заменяет. Зато у нас отлично закрывается аналитический слой над выгрузкой: дайте агенту в режиме «ИИ-агент» CSV/Excel с пробегами, датами ТО и историей ремонтов — и он найдёт машины-кандидаты на скорое обслуживание и посчитает стоимость простоя. Подробнее — в гайде «Предиктивное обслуживание автопарка».

Вот выгрузка по автопарку (пробег, дата последнего ТО, регламент
замены по узлам, история поломок). Найди машины, у которых
пробег после ТО близок к регламенту или превысил его. Построй
таблицу «приоритет на ТО» и оцени риск простоя в рейсе словами
(низкий/средний/высокий).

Компания. Мосгортранс — крупнейший оператор общественного транспорта Москвы. Задача. Усталость водителя — одна из главных причин ДТП, особенно при плотном городском графике. Что внедрили. ИИ-комплекс «Антисон»: камера в кабине анализирует видеопоток и распознаёт признаки усталости или потери концентрации. При тревожном паттерне система подаёт звуковой сигнал водителю и шлёт сообщение в центр мониторинга.

Сам детектор сонливости — нет. А вот работа с данными вокруг безопасности — да: агент сведёт выгрузки/отчёты из телематики (CSV/Excel: резкие торможения, превышения, переработки по часам), составит рейтинг водителей и черновики уведомлений диспетчеру. И ещё — обучение: загрузите регламенты по режиму труда и отдыха в базу знаний, и агент будет отвечать водителям и логистам на вопросы по ним.

Вот журнал смен и выгрузка телематики за неделю (часы за рулём,
перерывы, резкие торможения, превышения) в формате Excel. Найди
водителей с признаками переработки или рискового стиля. Сделай
таблицу рейтинга безопасности и черновик короткого уведомления
диспетчеру по топ-3 группе риска.

Компания. Северсталь — один из крупнейших производителей стали в РФ. Задача. Управлять большим складом с разнообразным ассортиментом — это много времени и ресурсов: спрос плавает, излишки «морозят» деньги, дефицит срывает производство. Что внедрили. ИИ для автоматизации управления запасами и складскими операциями: система прогнозирует спрос, управляет размещением товаров и оптимизирует перемещения продукции. (Параллельно у компании работает интеллектуальный агент «Аделина» в управлении техпроцессом — рост производительности линии более чем на 5%.)

Это самый повторяемый кейс из пяти — потому что в его основе обычные табличные данные о продажах и остатках, а не датчики или видео. В режиме «ИИ-агент» загрузите выгрузку продаж за 1–2 года, и агент посчитает оборачиваемость, найдёт неликвиды и кандидатов на дозаказ, прикинет страховой запас. Глубже тема разобрана в гайде «ИИ для склада: прогноз спроса и запасы».

Вот история продаж и остатков по SKU за 18 месяцев. Посчитай
оборачиваемость, выдели: 1) кандидатов в неликвиды (лежат,
не продаются); 2) позиции с риском дефицита в ближайший месяц.
Предложи объём дозаказа по топ-20 ходовых SKU и поясни логику.
Итог собери в Excel-файл с листами «Неликвиды», «Дефицит», «Дозаказ».

А следом агент соберёт готовый Excel-отчёт (это реальный модуль режима «ИИ-агент») с листами «Неликвиды», «Дефицит» и «Дозаказ» — его можно сразу скачать и отправить в закупки. Финальное решение по заказу — за вами: агент готовит расчёт, а не нажимает «купить».

Компания. Госкорпорация «Росатом». Задача. На сложном производстве простой оборудования и брак продукции бьют по всей цепочке поставок: сорванные графики, пересортица, аварийные закупки. Что внедрили. Систему предиктивной аналитики «АтомМайнд» — она прогнозирует качество продукции и состояние оборудования, отслеживая более 2 млн технологических параметров. Это та же логика предиктива, что и в железнодорожной логистике, где предиктивная аналитика выходит на первый план для прогноза техсостояния узлов и безопасности перевозок.

Платформу на 2 млн параметров в реальном времени мы, конечно, не заменяем. Но слой раннего предупреждения по внешним рискам — наш конёк: подключите агенту веб-поиск, и он будет утром собирать сводку рисков для ваших маршрутов и поставщиков (погода, перекрытия, новости по таможне), а из выгрузок производства — искать аномалии в браке и отклонениях. Это дешёвый и быстрый «датчик» поверх существующих процессов.

Каждое утро собирай сводку рисков по нашим направлениям:
Москва → Казань, Новосибирск → Иркутск, порт Новороссийск.
Проверь погоду, перекрытия трасс, новости по таможне и
погранпереходам. Выдай таблицу: маршрут · риск · что сделать.
Только релевантное логистике, без воды.

А вот вторая половина кейса — аналитика брака из выгрузки — это уже режим «ИИ-агент» поверх ваших производственных данных. Дайте агенту выгрузку контроля качества, и он найдёт всплески брака по сменам/партиям/линиям и построит график отклонений.

Вот выгрузка контроля качества за квартал (дата, смена, линия,
партия, % брака, тип дефекта). Найди аномалии: смены и партии,
где брак заметно выше среднего. Построй график отклонений % брака
по дням, выдели топ-5 проблемных партий и собери Excel-сводку
аномалий с листом «Гипотезы причин».

Главный вывод из пяти кейсов: не вся «магия ИИ» одинаково доступна. Часть задач требует своей разработки, датчиков и команды — а часть собирается в чат-окне за один вечер. Вот честная карта, и сразу с подсказкой, какие данные подготовить, чтобы начать.

Отдельно отмечу строку про документы: это один из самых недооценённых сценариев. Загрузите в базу знаний ТТН, CMR, контракты и регламенты — и агент будет находить нужный пункт договора, сверять данные накладной, отвечать «что у нас прописано про демередж» за секунды вместо листания папок. RAG по документам поддерживается платформой «из коробки» и почти не требует подготовки, кроме самих файлов.

Это отраслевые кейсы разных компаний из открытых источников — СДЭК, КамАЗ, Мосгортранс, Северсталь, Росатом. Они показывают, что уже делают в логистике РФ. В СуперИнтеллекте можно собрать аналог по смыслу для своих задач, но мы не присваиваем себе чужие проекты.

Никаких гарантий. Цифры в кейсах — результат конкретных проектов с их данными и масштабом. У вас эффект будет зависеть от качества данных и процессов. Считайте их ориентиром «что в принципе достижимо», а не обещанием.

Для «лёгких» задач из таблицы выше — нет. Классификация ТН ВЭД, анализ запасов, работа с документами, сводка рисков, план ТО по выгрузке делаются в чат-окне без программистов. Своя команда нужна для маршрутизации в реальном времени и видеоаналитики — это отдельные инженерные проекты.

СуперИнтеллект — российский сервис: без VPN, оплата картой РФ, поддержка на русском, расчёт в нейронах. Данные вы загружаете сами и контролируете доступ к ним через команды и воркспейсы с ролями: можно разделить, кто видит выгрузки и документы, а кто может менять настройки и запускать действия. Держите человека в контуре (Human-in-the-Loop), давайте права по минимуму и не загружайте в чат то, что не должно туда попадать.

Короткий ориентир: для рассуждений и сложных расчётов (оборачиваемость, приоритет ТО, логика дозаказа) хорошо заходит GPT-5.5; для разбора больших таблиц и длинных выгрузок — Gemini 3.1 Pro с его большим окном контекста; для работы с документами и аккуратных формулировок — Claude Opus 4.8. Все они доступны в одном окне; подробный разбор — в гайде «Какая нейросеть лучше для логистики».

Зарегистрируйтесь на Free-тарифе (0 ₽, со стартовыми нейронами на счёте), выберите одну задачу с готовыми данными, прогоните фразу-промпт из этой статьи на своей выгрузке. Дальше — 25 промптов для логиста и мастер-класс по ИИ-агентам.

Если интересна тема документов — «Автоматизация логистических документов». Если last-mile и доставка — «ИИ для last-mile». Если международные перевозки — «AI-native фрахт».

Российские компании не ждут «идеального ИИ» — они берут одну понятную задачу, оцифровывают данные и получают −15…−30% там, где раньше теряли. Хорошая новость: чтобы повторить логику этих кейсов, вам не нужен свой CDEK Digital на 550 человек. Достаточно агента, базы знаний и подходящей модели.