To różnica między samą widocznością a realnym działaniem. I to właśnie w tym momencie AI w operacjach logistycznych przestaje być eksperymentem, a staje się standardowym elementem zarządzania ryzykiem, jakością i kosztami. Według badania przeprowadzonego przez BCG i Alpegi w styczniu tego roku wśród 180 ekspertów reprezentujących dostawców usług logistycznych (LSP) oraz nadawców, ponad 40% nadawców bierze już pod uwagę możliwości AI dostawcy usług logistycznych przy wyborze partnera. AI nie jest jeszcze wymogiem, ale przestało być już tylko ciekawostką.

W logistyce tradycyjne systemy BHP działają reaktywnie. Analizują coś, co już się wydarzyło: kolizję, uszkodzony towar, reklamacje, opóźnione okno czasowe... Przy takim podejściu organizacja dowiaduje się o ryzyku dopiero po poniesieniu straty. Powstaje w ten sposób tzw. luka informacyjna, czyli okres między pojawieniem się zagrożenia a jego ujawnieniem w raporcie. Vision AI zamyka tę lukę.

Modele computer vision wykorzystują istniejące sieci kamer IP (Internet Protocol) i IR (podczerwień), analizując obraz w czasie rzeczywistym i nakładając na niego warstwę interpretacji: kto się gdzie znajduje, z jaką prędkością porusza się wózek widłowy, jaka jest odległość między pieszym a maszyną, czy operator ma na sobie pełne środki ochrony osobistej... Algorytmy są w stanie jednocześnie klasyfikować setki obiektów, monitorować wektory ich ruchu oraz precyzyjnie obliczać odległość między wózkami widłowymi a pracownikami. Decyzje systemu zapadają w mniej niż 300 milisekund, czyli szybciej, niż jest w stanie zareagować człowiek.

Skala problemu, który adresuje Vision AI, jest mierzalna. Według amerykańskiej Occupational Safety and Health Administration (OSHA), działającej w ramach Departamentu Pracy USA, wózki widłowe odpowiadają rocznie za od 35 000 do 62 000 obrażeń w całym kraju, przy czym 36% śmiertelnych wypadków z udziałem wózków widłowych dotyczy pieszych. Nie są to zdarzenia, którym można zapobiec wyłącznie za pomocą szkoleń i oznakowania. Stanowią systemowy obszar ryzyka, którego nie da się wyeliminować przy użyciu klasycznych narzędzi.

W dyskusjach o AI w magazynach powraca powszechne uproszczenie, że mamy do czynienia z jednym systemem, jedną kamerą i jednym alertem. W praktyce dojrzała architektura składa się z trzech warstw, które działają równolegle i wzajemnie się wspierają. Badanie BCG i Alpegi potwierdziło ten obraz na poziomie priorytetów rynkowych. Nadawcy i dostawcy usług logistycznych (LSP) są zgodni, że trzema najważniejszymi obecnie obszarami zastosowania AI są planowanie transportu, prognozowanie oraz widoczność na całej długości łańcucha dostaw (end-to-end). Obejmuje to trzy zasadniczo różne sposoby, w jakie AI zaczyna działać w funkcjonalnych strefach magazynu, przy bramie oraz w biurze administracyjnym.

To najczęstszy punkt wyjścia. Działając w czasie rzeczywistym, Vision AI ocenia trajektorię ruchu wózka widłowego i pieszego, identyfikuje strefę zagrożenia, weryfikuje kompletność środków ochrony indywidualnej (PPE) i podejmuje działanie zanim dojdzie do kontaktu. Sygnał trafia bezpośrednio do interfejsu człowiek-maszyna (HMI) operatora oraz do lokalnego systemu ostrzegawczego lub programowalnego sterownika logicznego (PLC), który może zatrzymać linię produkcyjną lub bramę. W literaturze branżowej ta architektura opisywana jest jako „inteligencja kolaboracyjna” — synergia człowieka i maszyny, w której system nie zastępuje pracownika, lecz dostarcza mu informacji, które bez warstwy AI byłyby po prostu niedostępne.

Co istotne, każde takie zdarzenie jest rejestrowane jako sytuacja „bliska wypadku” (near miss) — dane, których nie znajdziemy w klasycznym modelu, ponieważ nikt nie zgłasza takich sytuacji, czy to z powodu presji czasu, czy obawy przed konsekwencjami. Na podstawie tych danych tworzone są dynamiczne mapy cieplne ruchu, pokazujące punkty w funkcjonalnych strefach magazynu, w których naruszenia zdarzają się najczęściej. Korekta oznakowania lub tras transportowych w tych miejscach trwale redukuje ryzyko, koszty operacyjne, a w niektórych przypadkach również składki ubezpieczeniowe.

Drugi obszar to brama i tunel kontrolny. Tradycyjne kontenery morskie, czyli jednostki TEU (twenty-foot equivalent unit), naczepy i cysterny są obsługiwane w czasie od ośmiu do dwunastu minut na jednostkę, w oparciu prawie wyłącznie o percepcję człowieka. Przy dużym natężeniu ruchu generuje to zator. Jednocześnie same oceny są subiektywne i podatne na błędy wynikające z pośpiechu lub trudnych warunków pogodowych. Brak obiektywnej, twardej dokumentacji stanu technicznego w momencie przekazania odpowiedzialności jest jedną z najczęstszych przyczyn długotrwałych spornych reklamacji.

Splotowe sieci neuronowe, takie jak You Only Look Once (YOLO), single-shot multibox detections (SSD) oraz YOLO-Neural Architecture Search (YOLO-NAS), zaadaptowane z branży motoryzacyjnej, analizują obrazy przy bramie w ułamku sekundy. Optyczne rozpoznawanie znaków (OCR) rozpoznaje numery kontenerów i pojazdów. Vision AI segmentuje wszelkie uszkodzenia: korozję, wgniecenia, zarysowania, przecieki... Wyniki są przesyłane bezpośrednio do systemu operacyjnego terminala, placu lub magazynu (TOS/YMS/WMS). Jeśli nie wykryto uszkodzeń, brama otwiera się automatycznie; jeśli wykryto uszkodzenia lub naruszenia, pojazd jest przekierowywany do korekty. Tworzona jest również niepodważalna dokumentacja fotograficzna powiązana z listem przewozowym oraz znacznik czasu, co znacząco usprawnia proces reklamacyjny. W modelu zarządzania przez wyjątki (management-by-exception) ręczne przetwarzanie jest zarezerwowane wyłącznie dla przypadków spornych, a pozostałe 90% ruchu jest przetwarzane automatycznie.

Trzeci powiązany obszar to tunele wizyjne na liniach pakowania w centrach dystrybucyjnych. Każda przesyłka jest porównywana z cyfrowym wzorcem pod kątem dokładności etykiety (OCR), integralności opakowania oraz zgodności rozmiaru i koloru. Jeśli wykryto jakiekolwiek niezgodności, PLC wyodrębnia taką przesyłkę zanim opuści ona dok, a WMS generuje zadanie dla operatora. Ma to bezpośredni wpływ na nadwyżki, niedobory i uszkodzenia (OS&D), które według danych branżowych mogą pochłaniać 5-10% budżetów logistycznych. Każda przesyłka zatrzymana w doku oznacza brak zwrotnej trasy transportowej, brak dodatkowych emisji CO₂ i brak zwrotu środków za reklamację, która nadszarpnęła zaufanie klienta końcowego.

Trzecia warstwa dotyczy danych, które nigdy wcześniej nie zostały połączone w jeden spójny obraz. Vision AI przekształca obrazy z magazynu i placu manewrowego w mapę zajętości w czasie rzeczywistym, kolejek przy dokach załadunkowych oraz czasu postoju pojazdów. System YMS oparty na danych wizyjnych samodzielnie ustala priorytety pojazdów, przydziela doki i wysyła komunikaty do kierowców. W ujęciu operacyjnym umożliwia to przejście od statycznego planowania do dynamicznej orkiestracji przedziałów czasowych. Kamery zainstalowane przy bramach oraz mobilne systemy wizyjne montowane na wózkach VNA i/lub dronach mogą również realizować zadania inwentaryzacyjne, aktualizując statusy w systemie EMS z dokładnością przekraczającą 98%, bez konieczności przerywania pracy magazynu.

W działach zaopatrzenia/zakupów duże modele językowe (LLM) są integrowane z systemami zarządzania cyklem życia umów (CLM) oraz systemami planowania zasobów przedsiębiorstwa (ERP). Analizują one umowy globalnych przewoźników i tworzą porównania odpowiedzi na zapytania RFI/RFP pod kątem całkowitego kosztu posiadania (TCO) oraz stabilności finansowej oferentów, natomiast funkcja autoredline modyfikuje projekty umów zgodnie z wewnętrznym playbookiem organizacji. Ten nadzór nie kończy się w momencie podpisania umowy. System analizuje następnie odchylenia od wskaźników KPI oraz od raportów regulacyjnych i rynkowych, sygnalizując ryzyka ESG u podwykonawców i/lub problemy finansowe kluczowych partnerów. Połączenie LLM z grafem wiedzy organizacji zmniejsza ryzyko halucynacji, które w literaturze przedmiotu (Richey et al., Journal of Business Logistics, 2023) wskazywane jest jako jedno z głównych ryzyk operacyjnych związanych z wykorzystaniem LLM w łańcuchach dostaw. Zapewnia to również pełną wyjaśnialność każdej rekomendacji.

Dane porównawcze pochodzące z wdrożeń u liderów branży rysują dość spójny obraz tego, co dzieje się w pierwszych miesiącach po kalibracji modelu. Należy je jednak traktować raczej jako punkt odniesienia niż obietnicę, ponieważ konkretne rezultaty zawsze będą zależeć od specyfiki danego obiektu, jego kultury operacyjnej oraz jakości procesu wdrożenia.

•    Liczba zdarzeń potencjalnie niebezpiecznych (near miss) spada o około 30–50% w ciągu pierwszych trzech do sześciu miesięcy od kalibracji modelu.

•    Zgodność z wymogami dotyczącymi środków ochrony indywidualnej (PPE) rośnie powyżej 95% po ośmiu do dwunastu tygodniach ciągłego monitorowania i szkoleń zespołu.

•    Czas reakcji ulega skróceniu, będąc krótszym o 15–25% liczonym od momentu wykrycia zagrożenia do pełnego zabezpieczenia miejsca zdarzenia.

•    Skuteczne wykrywanie osób w strefach krytycznych osiąga poziom recall powyżej 95%.

•    Automatyzacja ruchu terminalowego sięgająca 90% na bramach wyposażonych w Vision AI. Ręczna obsługa jest wymagana wyłącznie w przypadkach spornych.

Ekonomiczny wymiar tych zmian to nie tylko mniejsza liczba wypadków. Obejmuje on również niższe koszty przestojów powypadkowych, silniejszą pozycję negocjacyjną wobec ubezpieczycieli oraz odczuwalne ograniczenie kosztownej logistyki zwrotów. Badanie BCG i Alpegi pokazuje, że niemal 80% nadawców i dostawców usług logistycznych (LSP) wskazuje efektywność operacyjną i redukcję kosztów jako główne powody sięgania po AI, wyprzedzające zdecydowanie motywy strategiczne i presję konkurencyjną.

W 2024 roku Gartner prognozował, że do 2027 roku połowa firm prowadzących operacje magazynowe będzie wykorzystywać systemy Vision AI do zastąpienia tradycyjnych procesów inwentaryzacji cyklicznej opartych na ręcznym skanowaniu. W grudniu 2023 roku przebadano 506 specjalistów ds. łańcucha dostaw; 20% z nich wdrożyło już tego rodzaju system. Najnowsze prognozy Gartnera, pochodzące z kwietnia 2026 roku, idą jeszcze dalej. Do 2030 roku połowa nowych obiektów magazynowych w krajach rozwiniętych zostanie zaprojektowana jako „human-optional” – innymi słowy, tak, by móc działać przy minimalnej obecności ludzi.

Bardziej szczegółowy, aktualny obraz sytuacji przedstawia badanie BCG i Alpega, w którym około 40% ankietowanych LSP zadeklarowało, że wdrożyło AI poza etap pilotażowy, jednak tylko co dziesiąty zintegrował AI z kluczowymi procesami w całej organizacji. Zaledwie 13% z nich odnotowało wymierny efekt biznesowy. W przypadku spedytorów wyniki są jeszcze niższe. Niemal 70% wciąż znajduje się na etapie eksploracji lub pilotażu, a tylko 7% jest w stanie wykazać konkretne usprawnienia w swoich operacjach logistycznych.

Wiele mówi też geograficzne rozmieszczenie wdrożeń. Region Azji i Pacyfiku (APAC) przoduje pod względem dojrzałości AI — 31% LSP zgłasza tam udane wdrożenia w kluczowych obszarach działalności. W Ameryce Północnej wskaźnik ten wynosi 14%, a w Europie zaledwie 6%. Dla LSP konsekwencje tego stanu rzeczy są jednoznaczne. Czas zadawania pytania „Czy warto wdrażać AI?” już minął. Najważniejsze pytanie brzmi teraz: jaka kolejność wdrożeń ma największy sens biznesowy? A jeśli ktoś myśli o europejskim horyzoncie działania, to tempo, jakie narzucają konkurenci w Azji i USA, powinno być argumentem decydującym o wyborze.

Najbardziej zaskakujący wniosek z badania BCG i Alpega dotyczy nie tempa wdrożeń, lecz tego, co je hamuje. Około 40% respondentów zarówno wśród LSP, jak i spedytorów, wskazało niejednoznaczny zwrot z inwestycji oraz braki kompetencyjne wewnątrz organizacji jako główne bariery. Koszt i złożoność techniczna znalazły się znacznie niżej na liście, zwłaszcza w przypadku dużych graczy. Trzy lata temu dyskusja wokół AI koncentrowała się na tym, czy technologia organizacji jest gotowa i czy stać ją na wdrożenie. Dziś, gdy technologia jest dostępna, a koszty spadły, kluczowe pytanie brzmi inaczej. Czy organizacja wie, jak ją wdrożyć?

Obraz regionalny jest jeszcze bardziej zróżnicowany. W regionie APAC 54% respondentów wskazało brak kompetencji jako główną przeszkodę. W Ameryce Północnej, przy wyniku 38%, głównym tematem jest zaufanie i wyjaśnialność działania systemów, co wynika z oczekiwań regulacyjnych i nadzorczych. Jedna czwarta respondentów w Europie wskazała opór organizacyjny wobec zmian jako kluczową barierę. To trzy zupełnie różne pierwsze kroki we wdrożeniu. Reprezentują one także trzy różne zestawy kompetencji, które musi zapewnić partner technologiczny organizacji.

Jakość modelu rzadko bywa dziś wąskim gardłem. Znacznie częściej stanowi je fundament, na którym model ma działać.

•    Architektura klasy korporacyjnej: systemy bezpieczeństwa muszą działać 24/7/365. Jeśli infrastruktura nie jest w stanie tego zagwarantować, kluczowe decyzje — od wykrywania kolizji po sygnalizowanie OLC — tracą sens.

•    Edge AI i prywatność: analiza obrazu przeprowadzana lokalnie na urządzeniu brzegowym oznacza, że surowe nagrania nie opuszczają obiektu. Do chmury trafiają wyłącznie zanonimizowane metadane. Takie podejście, znane jako „privacy by design”, rzeczywiście ułatwia zgodność z RODO, a większość europejskich klientów uczyniła z niego warunek akceptacji rozwiązania.

•    Integracja z warstwą operacyjną: Vision AI generuje wartość dopiero wtedy, gdy jego wyniki zasilają systemy, w których zapadają decyzje — business intelligence (BI), WMS, YMS, TOS, ERP... Detekcja bez integracji to jedynie kosztowny rejestrator zdarzeń. W badaniu BCG i Alpega około 60% LSP wskazało integrację AI jako priorytet inwestycyjny, stawiając ją przed partnerstwami technologicznymi i pozyskiwaniem utalentowanych pracowników.

•    Operacje uczenia maszynowego (MLOps) i uczenie ciągłe: oświetlenie, układ regałów, nowe rodzaje uszkodzeń, sezonowa rotacja zapasów... magazyn to środowisko, które zmienia się każdego dnia. Bez pipeline'u ponownego trenowania skuteczność detekcji szybko spada.

•    Warstwa bezpieczeństwa AI: filtr pomiędzy logiką systemu a pracownikami w strefach funkcjonalnych magazynu, który analizuje scenariusze i dopiero na tej podstawie generuje instrukcje. Ogranicza to ryzyko dotarcia błędnego komunikatu do danej strefy i wywołania chaosu decyzyjnego.

Sensible Vision AI deployments in logistics are a three-step process that moves from pilot to scale and not the other way round. This is also consistent with a BCG recommendation whereby AI success today is viewed more as a challenge in terms of the operating model than the choice of tools.

•   Discovery: involving the precise mapping of processes, identification of critical risk points and auditing of the available camera and network infrastructure, this is the stage that most often gives rise to the first savings. Numerous organisations already have more resources than they think.

•   PoC and pilot: deployment in one area that plays a major business role, such as the entry gate with the highest volume of traffic, the corridor with the highest number of reported near misses, the packing tunnel with the highest turnover... Model validation takes place under real conditions rather than in a test environment.

•   Rollout and optimisation: scaling up to the entire facility and full integration with the IT ecosystem. Implementing predictive analytics within the EHS system, continuous model training and traffic heat maps as a tool for reorganising the layout of the storage zones. At this stage, the technology ceases to be a design and becomes part of the process.

•    Traktowanie Vision AI jako zamiennika BHP: Vision AI uzupełnia i wzmacnia istniejące procedury. Nie zastępuje ich. Kultura bezpieczeństwa nie bierze się z kamery.

•    Prowadzenie pilotażu w strefie, w której niewiele się dzieje: bez rzeczywistego ruchu i incydentów oszacowanie wartości biznesowej jest niemożliwe, a sam pilotaż interpretowany jest jako „niejasny ROI”.

•    Brak integracji z systemem WMS, YMS, TOS lub ERP: zdarzenie, które zostaje wykryte, ale nie dociera do systemu decyzyjnego, nie zmienia procesu. Generuje jedynie raport, którego nikt nie czyta.

•    Pominięcie RODO na etapie projektowania: korygowanie architektury po wdrożeniu jest znacznie droższe niż uwzględnienie ochrony prywatności już od samego początku projektowania.

•    Wykorzystanie LLM w zakupach bez grafu wiedzy: sama elastyczność modelu językowego, bez ścisłych powiązań z danymi ERP/CLM, zwiększa ryzyko halucynacji w decyzjach o wysokiej stawce. Problem ten jest opisywany zarówno w praktyce wdrożeniowej, jak i w literaturze naukowej.

•    Wdrożenie bez planu przekwalifikowania pracowników: badanie BCG & Alpega pokazuje, że około 50% dostawców usług logistycznych (LSP) przewiduje istotne potrzeby w zakresie przeszkolenia swoich zespołów. Jeśli ten aspekt zostanie pominięty, AI funkcjonuje obok procesu, a nie w jego ramach.

W MakoLab nie postrzegamy sztucznej inteligencji w logistyce jako samodzielnego produktu, który można po prostu podłączyć do magazynu. Traktujemy ją jako warstwę współpracy między ludźmi a systemem – innymi słowy, inteligencję kolaboracyjną, w której technologia przejmuje te zadania, których ludzie nie są w stanie wykonać szybciej ani dokładniej. Nasza struktura pracy opiera się na trzech wzajemnie uzupełniających się filarach.

1.  Głęboka wiedza ekspercka: autorskie standardy wykrywania uszkodzeń, które przenosimy z branży motoryzacyjnej do transportu drogowego i intermodalnego, zapewniają poziom precyzji dotąd nieznany w logistyce. Nasze rozwiązanie MakoLab Automotive Damage Detection opiera się na konwolucyjnych sieciach neuronowych YOLO, SSD i YOLO-NAS, zaadaptowanych z rygorystycznie regulowanego sektora motoryzacyjnego.

2.  Integracja pełnego stosu technologicznego: łączymy Vision AI z warstwą danych BI, modelami wspierającymi zakupy oraz systemami operacyjnymi ERP, WMS, YMS i TOS. Detekcja to jedynie sygnał. Wartość rodzi się z decyzji, która po niej następuje.

3.Bezpieczeństwo klasy enterprise: wykorzystujemy lokalną (on-premises) sztuczną inteligencję brzegową (edge AI), zanonimizowane metadane, pełną zgodność z RODO, a w obszarze zakupów – izolowane środowisko chmurowe lub instalację lokalną, zapewniając pełną prywatność Państwa danych handlowych oraz 100% identyfikowalność źródła każdej decyzji.

Nie zajmujemy się sprzedażą kamer ani modeli. Naszą rolą jest wspieranie organizacji w przejściu od obrazu do działania i zapewnienie, że na końcu tej drogi czeka je nie tablica z przypiętym raportem, lecz proces bardziej bezpieczny, skuteczny i przewidywalny.

Źródła

1. BCG & Alpega (styczeń 2026): AI Is Already Moving the Logistics Industry Forward; https://www.bcg.com/publications/2026/ai-is-already-moving-the-logistics-industry-forward.

2. Gartner (2024): Half of Companies With Warehouse Operations Will Leverage AI-Enabled Vision Systems by 2027; https://www.gartner.com/en/newsroom/press-releases/2024-06-12-gartner-predicts-half-of-companies-with-warehouse-operations-will-leverage-ai-enabled-vision-systems-by-2027.

3. Gartner (kwiecień 2026): Half of New Warehouses Built in Developed Markets Will Be Human-Optional Facilities by 2030; https://www.gartner.com/en/newsroom/2026-04-13-gartner-predicts-half-of-new-warehouses-built-in-developed-markets-will-be-human-optional-facilities-by-2030.

4. U.S. Department of Labor Occupational Safety and Health Administration (OSHA): Powered Industrial Trucks – Pedestrian Traffic; https://www.osha.gov/etools/powered-industrial-trucks/workplace/pedestrian-traffic.

5. OSHA.com: 5 Common Forklift Accidents and How to Prevent Them; https://www.osha.com/blog/5-most-common-forklift-accidents-and-how-to-prevent-them.

6. Richey, R. G. i in. (2023): Artificial intelligence in logistics and supply chain management: A primer and roadmap for research, w Journal of Business Logistics, 44(4), 532–549; https://onlinelibrary.wiley.com/doi/10.1111/jbl.12364.

7. SupplyChainBrain: How AI-Enabled Vision Systems Will Transform Yard and Warehouse Management; https://www.supplychainbrain.com/blogs/1-think-tank/post/43151-how-ai-enabled-vision-systems-will-transform-yard-and-warehouse-management.