MIT Intelligent Logistics Systems Lab i Mecalux zajednički su sproveli globalno istraživanje sa više od 2.000 iskusnih stručnjaka za lance snabdevanja i skladišne operacije, kako bi procenili trenutno stanje, obrasce ulaganja, izazove, uticaj na radnu snagu i perspektive razvoja veštačke inteligencije i mašinskog učenja (AI/ML) u skladišnim operacijama. Kako bi se osiguralo da rezultati odražavaju organizacije sa značajnim nivoom skladišne aktivnosti i tehnološkog usvajanja, istraživanje je bilo fokusirano na kompanije sa najmanje 100 zaposlenih.
Usvajanje AI/ML tehnologija se ne dešava u izolaciji, već predstavlja deo šire transformacije skladišta prema sve većoj automatizaciji. Pokretani zahtevima tržišta, rastućim troškovima radne snage i potrebom da se postigne veća preciznost i brzina, skladišni sistemi prelaze sa tradicionalnih ručnih operacija na digitalno upravljane i optimizovane tokove rada.
U ovom procesu, AI/ML tehnologije omogućavaju ne samo automatizaciju zadataka – što je posao tradicionalnih industrijskih robota i WMS Sistema, već i donošenje odluka u realnom vremenu i prilagođavanje promenama okruženja. Na primer, algoritmi za prediktivno modelovanje mogu optimizovati zalihe prema sezonalnosti potražnje, dok kompjuterski vid može detektovati oštećenu robu ili pogrešne etikete pre nego što se greška propagira kroz sistem.
Trenutno stanje usvajanja veštačke inteligencije i mašinskog učenja
- Skoro 9 od 10 magacina danas radi na nivou automatizacije koji prevazilazi osnovne procese.
- 57.5% organizacija posluje na naprednom ili potpuno automatizovanom nivou; samo 11.7% ostaje uglavnom manuelno.
- Potpuna automatizacija je najčešća u većim firmama sa većim prihodima, više lokacija i više zaposlenih
Investicije u AI/ML i povraćaj ulaganja
- Većina kompanija izdvaja 11–30% budžeta za magacinsku tehnologiju na AI/ML.
- Tipičan period isplate investicije: 2–3 godine.
- Glavni razlozi za ulaganje: smanjenje troškova, potrebe kupaca, dostupnost radne snage, kvalitet, bezbednost, održivost i konkurentski pritisak.
Trenutni izazovi i faktori koji ubrzavaju implementaciju AI/ML
Najveće prepreke u usvajanju:
- tehnička stručnost (6%)
- integracija sistema (7%)
- kvalitet podataka (2%)
- troškovi implementacije (1%)
Ključni faktori koji ubrzavaju primenu:
- bolji alati i platforme (5%)
- više internih stručnjaka (7%)
- veći budžeti (9%)
- jasne razvojne putanje – roadmap (50%)
- eksterni konsultanti (43%)
Uticaj AI/ML-a na radnu snagu
Dominantni su pozitivni trendovi u radnoj snazi:
- produktivnost je porasla kod 5% organizacija
- zadovoljstvo zaposlenih poraslo kod 4%
- zahtevi za obukom su porasli kod 4%
- broj zaposlenih povećao se kod 8%
AI stvara, ne zamenjuje, radna mesta, posebno za:
- inženjere za AI/ML (1%)
- specijaliste za automatizaciju (58%)
- eksperte za unapređenje procesa (9%)
- data naučnike (40%)
Perspektive i prioriteti za buduću AI/ML implementaciju
- 92.1% firmi već sprovodi ili planira AI projekte u skoroj budućnosti.
- Samo 1.7% nema planove.
- 6.2% već ima obimne implementacije.
- 87% planira da poveća AI budžete u naredne 2–3 godine (50.3% umereno, 36.7% značajno).
- Glavni ciljevi ulaganja:
- poboljšanje efikasnosti (47.9%)
- inovacije (31.1%)
- smanjenje troškova (10.5%)
- konkurentska diferencijacija (10%)
Dominantne metode i tehnologije
- Najviše korišćene AI tehnologije danas:
- generativna AI (70.3%)
- prediktivna AI (58.4%)
- mašinsko učenje (49.8%)
- učenje pod nadzorom (43.9%)
- NLP – obrada prirodnog jezika (42.5%)
- Vodeće upotrebe generativne AI:
- generisanje predloga/planskih rešenja (66.7%)
- optimizacija procesa (53.6%)
- optimizacija rasporeda (51.7%)
- dizajn vizuelnih elemenata (53.3%)
- generisanje koda (52.5%)
AI ne znači sve ili ništa
Važno je primetiti da AI usvajanje nije binarna kategorija, organizacije se kreću kroz različite faze tehnološke zrelosti. Manji broj kompanija ima „potpuno autonomne“ AI sisteme, ali to nije nužno preduslov za postizanje značajnih poslovnih benefita. Većina ispitanika uvodi AI u pojedinačne procese, integrisano sa postojećim sistemima, kao što su:
- planiranje radne snage
- upravljanje nabavkom i zaliha
- optimizacija rasporeda skladišta
- analiza produktivnosti
Takvi parcijalni pristupi omogućavaju brži ROI i niži početni rizik, dok organizacije stiču iskustvo i razvijaju internu stručnost.
Uticaj veličine kompanije
Podaci iz istraživanja pokazuju da veličina organizacije ima ključnu ulogu u stepenu usvajanja AI/ML tehnologija. Organizacije sa većim brojem zaposlenih i višestrukim skladišnim lokacijama znatno češće prijavljuju visoku ili potpunu automatizaciju.
U velikim organizacijama, AI često nastupa kao multiplikator: digitalni sistemi povezuju različite lokacije, standardizuju operacije i omogućavaju analizu na nivou celog lanca snabdevanja. Time se smanjuju fluktuacije performansi među skladištima i postižu ujednačeni standardi efikasnosti.
Nasuprot tome, manja skladišta često ostaju u fazi umerenog usvajanja – delom zbog ograničenog budžeta, ali i zato što su njihovi procesi jednostavniji i mogu biti uspešno vođeni konvencionalnim softverom i ljudskom analizom.
Automatizacija pre AI – tipična putanja
Ispitanici koji već imaju implementirane sisteme automatizacije navode da je ulaganje u AI bilo logičan sledeći korak. Automatizacija operacija, kao što je kretanje robe, naručivanje ili konsolidacija, uklanja manuelne barijere i obezbeđuje stabilnu osnovu za sofisticirane algoritme.
Drugim rečima:
AI se najbolje razvija u okruženju koje je već digitalizovano. Bez kvalitetnih podataka iz mašina, skenera, WMS-a, ERP-a i senzora, AI modeli ne mogu pravilno učiti i stvarati vrednost.
Primer implementacije — od „instrukcija“ ka „odlukama“
Tradicionalni automatizovani sistemi izvršavaju unapred određene instrukcije:
- „pomeri paletu sa A u B“
- „napuni odeljak X“
- „pokreni viljuškar na ruti 4“
AI sistemi uvode kontekst i predviđanje:
- „Ova paleta će verovatno uskoro biti potrebna – premeštamo je bliže isporuci.“
- „U sektoru X dolazi pik sezona – reorganizuj raspored.“
- „Optimizuj rutu na osnovu gužve i vremena čekanja.“
Ova sposobnost prilagođavanja postaje ključni element modernih skladišnih operacija.
I/ML ulaganje i ROI
Organizacije ulažu značajne resurse u AI/ML tehnologije, ali širina i dubina ulaganja variraju. Na osnovu odgovora ispitanika:
- Većina kompanija izdvaja između 11% i 30% svojih budžeta za skladišnu tehnologiju na AI/ML projekte.
- Investicije su najčešće fokusirane na digitalnu infrastrukturu: WMS integracije, data lake-ove, automatske skenere, robote i povezane senzorske mreže.
Period povrata: 2 do 3 godine
Očekivani ROI se kreće u rasponu od 24 do 36 meseci.
Ovaj period je relativno kratak u poređenju sa drugim kapitalnim ulaganjima, kao što su izgradnja skladišta ili nabavka teške opreme, što AI čini atraktivnom investicijom.
Trenutni izazovi implementacije AI/ML
Iako organizacije pokazuju snažan interes za AI/ML i priznaju njihov potencijal, proces implementacije često nailazi na značajne prepreke. Ove prepreke se ne odnose samo na tehnologiju – već i na ljude, procese i kulturu unutar kompanije.
- Tehnička stručnost i znanje
Najčešće istaknuti izazov je nedostatak stručnosti, sa gotovo polovinom ispitanika koji navode da njihovi timovi nemaju dovoljno internih veština da bi efikasno radili sa AI projektima.
Mnoge organizacije se i dalje oslanjaju na ručne metode ili konvencionalne automatizacione sisteme koji ne podrazumevaju rad sa modelima predviđanja, kontinuiranom obradom podataka ili obukom modela. Drugim rečima: AI projekti nisu samo tehnički – oni su organizacioni. Ako nema ljudi koji razumeju kako AI utiče na tok rada, logistiku i metrike performansi, tehnologija ostaje neiskorišćena.
Integracija sistema
Drugi najveći izazov je integracija AI platformi sa postojećim IT i operativnim sistemima. Čak i kada se AI modeli pokažu korisnim u pilot fazi, prelazak na realne operacije često je blokiran fragmentacijom sistema. Konzistentna razmena podataka u realnom vremenu između svih slojeva, od senzora do ERP-a, retko postoji „iz kutije“. Bez uvezanog digitalnog ekosistema: AI isporučuje uvid, ali nema kako da deluje.
Kvalitet i dostupnost podataka
AI sistemi zavise od podataka.
Ako su podaci:
- nepotpuni
- zastareli
- nedosledni
- neoznačeni
- fragmentirani po lokacijama ili timovima
… modeli postaju neprecizni, skloni greškama i neupotrebljivi u operacionom okruženju.
Tipični problemi u skladištima uključuju:
- neusaglašene nazive artikala između odeljenja
- razlike između fizičkog stanja i digitalnih zapisa
- ručne izmene bez sistemskog tragova
- događaje koji se ne loguju u realnom vremenu
AI ne može nadoknaditi loš proces – samo ga ubrzava.
Troškovi implementacije
Iako ROI može biti povoljan (2–3 godine), inicijalni trošak implementacije AI/ML rešenja je i dalje među najvećim barijerama.
Ovaj trošak ne čine samo „algoritmi“ , već:
- hardver (senzori, roboti, serveri)
- software licence
- prilagođena integracija
- obuka zaposlenih
- održavanje i iteracije modela
Mnoge organizacije potcenjuju stalni trošak treniranja modela, odnosno kontinuirano prikupljanje i čišćenje podataka kako bi AI ostao aktuelan.
Zaključak
AI/ML tehnologije postaju ključni pokretač transformacije skladišnih operacija, ali njihovo usvajanje ne dešava se preko noći. Rezultati istraživanja MIT-a i Mecaluxa pokazuju da kompanije napreduju postepeno – od osnovne automatizacije ka inteligentnim, adaptivnim sistemima koji optimizuju procese u realnom vremenu. Iako su najveće prepreke povezane sa nedostatkom stručnosti, integracijom sistema i kvalitetom podataka, organizacije koje jednom uspostave stabilnu digitalnu osnovu najbrže ostvaruju koristi: smanjenje troškova, brže isporuke, efikasniji rad i bolju kontrolu nad celokupnim lancem snabdevanja. AI danas nije luksuz već strateški resurs, a kompanije koje ga usvajaju na vreme grade dugoročnu konkurentsku prednost u logistici budućnosti.
