Do czego są dziś zdolni agenci AI, jakie możliwości otwierają przed logistyką i z jakimi zagrożeniami wiąże się ich wykorzystanie? Niewiele trendów technologicznych budzi obecnie równie duże zainteresowanie. Siedem obserwacji DACHSER, przedstawionych w formie pytań i odpowiedzi, przybliża najważniejsze szanse i wyzwania związane z rozwojem agentów AI w logistyce.
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
Jaka jest różnica między agentem AI a asystentem AI?
Nie, ale granica między nimi coraz bardziej się zaciera. W idealnym scenariuszu agent AI działa jak w pełni autonomiczny system, który samodzielnie decyduje, czy i w jaki sposób zaangażować człowieka. W praktyce jednak nierzadko działa raczej jak asystent: niemal żadnego działania nie wykonuje bez zgody człowieka.
W zależności od jakości wyników generowanych przez AI oraz specyfikacji procesów powstają formy hybrydowe, które łączą cechy agentów AI i asystentów AI. Formalne granice między obiema definicjami coraz bardziej się rozmywają, a oba rozwiązania stopniowo się łączą.
Gdzie agenci AI już zmieniają procesy logistyczne?
Przede wszystkim w procesach, które łączą różnych uczestników łańcucha dostaw. Tam testowane są pierwsze systemy oparte na agentach. Jeden z przykładów to wprowadzanie niezbędnych danych o przesyłkach na platformy logistyczne.
Dane te mogą obejmować nieustrukturyzowane teksty i dokumenty, a także wiadomości głosowe -pochodzące zarówno od ludzi, jak i od innych agentów AI. Nowe możliwości otwiera Model Context Protocol (MCP). Dzięki niemu duże modele językowe coraz skuteczniej komunikują się z systemami zewnętrznymi i bazami danych. Powstaje w ten sposób nowa forma interfejsów wymiany danych, która ma szansę uzupełnić stosowane dziś rozwiązania oparte na EDI i API.
Drugi obszar to zakupy i sprzedaż. Agenci AI gromadzą tu wstępne informacje o właściwościach i dostępności produktów oraz usług, analizują warunki umów i negocjują ich zapisy. Dzieje się to już dziś w ramach pierwszych projektów pilotażowych.
Jak często agenci AI się mylą?
Jak wskazuje DACHSER, szacowana dokładność nawet najlepszych agentów AI nie przekracza obecnie 90–95%. Innymi słowy: w 5–10 przypadkach na 100 agent może wyciągnąć błędny wniosek, a co za tym idzie – nie uruchomić oczekiwanego działania. W wielu scenariuszach operacyjnych to fundamentalne wyzwanie.
Kolejny istotny czynnik to zdolność systemu agentowego do rozpoznania, na ile trafna jest jego własna decyzja, jaki proces właśnie zachodzi oraz które zasady podejmowania decyzji mają zastosowanie. Ta zdolność dodatkowo wpływa na jakość działań podejmowanych przez agenta.
Wniosek praktyczny: z powodu nieodłącznego poziomu błędów zawsze trzeba ocenić ryzyko. Jaki wpływ mają sporadyczne błędy? Jak model biznesowy sobie z nimi radzi? Obecnie istnieje wiele procesów, których właśnie ze względu na to ryzyko nie można jeszcze powierzyć agentom AI.
Jak pracować z agentami AI w zespole?
Jak z nowymi członkami zespołu – z jasnym zadaniem, kontekstem i nadzorem. 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 i potrafią współpracować z ludźmi. W przyszłości ludzie będą przydzielać zadania agentom AI i iteracyjnie współpracować z nimi aż do uzyskania pożądanego rezultatu. Nie chodzi przy tym o włączenie do procesu jednego, a kilku agentów działających równolegle – pojedynczy agent potrzebuje czasu na „myślenie”, więc praca kilku naraz przyspiesza proces.
Agenci skutecznie wykonują zadania tylko wtedy, gdy wielokrotnie otrzymują odpowiedni kontekst swoich działań: wysokiej jakości dane i instrukcje (prompty). Innymi słowy, wymagają profesjonalnego zarządzania i dobrej integracji z zespołami ludzkimi – tak, by 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.
Kto może tworzyć agentów AI?
Coraz częściej sami użytkownicy, nie tylko programiści. 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: wystarczy odpowiednio sformułować prompty oraz podłączyć źródła danych i systemy workflow. Przykładem z codziennej pracy biurowej są agenci Copilot firmy Microsoft.
Czy inwestycje w agentów AI już się opłacają?
Na ogół jeszcze nie. Mimo ogromnego potencjału systemów opartych na agentach oraz pierwszych konkretnych wzrostów efektywności w niektórych procesach agenci AI zwykle nie przynoszą jeszcze zwrotu z inwestycji (ROI). Wielu z nich znajduje się nadal na etapie MVP (Minimum Viable Product), trwają testy w ramach projektów pilotażowych, a rozwiązania wciąż pozostają daleko od pełnej integracji z modelami biznesowymi.
Na koszty składają się prace rozwojowe, licencje na systemy AI oraz zużycie tokenów przy zapytaniach do dużych modeli językowych, takich jak ChatGPT, Claude czy Mistral. Rosną one 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, by w średnim terminie stworzyć solidne podstawy ekonomiczne dla wykorzystania sztucznej inteligencji.
Jak agenci AI zmienią łańcuch dostaw?
Stopniowo wkroczą niemal do każdego procesu – mimo słabości, ryzyk i kosztów. 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. Przyszłość logistyki i zarządzania łańcuchem dostaw będą więc kształtować nie tylko ludzie, lecz także agenci AI.
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.
Źródło: Dachser