W kartotece macie 11 tysięcy indeksów, a w ostatnim roku sprzedało się 1200. Pozostałe to nie zapas, to zamrożone pieniądze — i to jest pierwsze miejsce, w którym AI w magazynie zarabia, zanim ktokolwiek kupi robota

Dlaczego ten tekst nie jest o robotach

Automatyzacja fizyczna w magazynie ma sens i nie zamierzamy jej podważać — tylko ma zupełnie inny profil ryzyka i inny próg wejścia. Wózek autonomiczny, sorter albo regał automatyczny to inwestycja, którą liczy się w setkach tysięcy złotych, zwraca w latach i którą da się uzasadnić przy odpowiedniej skali przepływu. Dla większości firm, z którymi rozmawiamy, ta skala jest poniżej progu, a rozmowa o robotach jest wygodnym sposobem odłożenia tematu: skoro to kosztuje tyle, to nie teraz.

Drugi problem z tym otwarciem jest poważniejszy. Automatyzacja fizyczna przyspiesza przepływ, ale nie naprawia danych. Jeżeli stan ewidencyjny rozjeżdża się z rzeczywistym, szybszy wózek tylko szybciej jedzie po towar, którego w tej lokalizacji nie ma. Jeżeli ten sam artykuł jest w kartotece pod trzema indeksami, automat będzie je traktował jako trzy różne towary. Dlatego w naszej praktyce kolejność jest zawsze taka sama: najpierw dane o zapasie, potem decyzje na tych danych, a sprzęt — jeżeli w ogóle — na końcu i już z wiedzą, co właściwie ma obsługiwać.

Trzecia rzecz, którą warto powiedzieć wprost: w magazynie nie brakuje systemów. Jest ERP, często jest WMS, są skanery, są terminale. Brakuje czegoś innego — jednego miejsca, w którym widać strukturę zapasu w czasie, i kogoś, kto codziennie patrzy na to, co się w niej zmienia. I to jest luka, którą zamyka się oprogramowaniem, nie żelazem.

Trzy liczby, których prawdopodobnie nie znacie o własnym magazynie

Zanim w ogóle pojawi się słowo „model”, warto sprawdzić, czy potraficie w ciągu kwadransa podać trzy liczby. Z naszego doświadczenia firma, która je zna, zwykle nie potrzebuje już dużego projektu. Firma, która ich nie zna, znajduje w nich uzasadnienie dla całego wdrożenia.

• Ile pozycji z kartoteki miało w ostatnich dwunastu miesiącach zerowy wydanie, a leży fizycznie na półce. To nie jest pytanie o wartość zapasu — to pytanie o liczbę indeksów, bo każdy z nich zajmuje miejsce, wchodzi do spisu, trzeba go policzyć, oznaczyć, przenieść, a czasem zutylizować. W firmach, które liczymy po raz pierwszy, odpowiedź regularnie wynosi od jednej trzeciej do połowy kartoteki.
• Jaka część wartości zapasu stoi w pozycjach, które odpowiadają za ostatnie 5% obrotu. To ta sama informacja, tylko od strony pieniędzy, i zwykle ona przekonuje zarząd. Zapas nie jest jednorodny: kilkaset pozycji robi większość obrotu, a kapitał rozkłada się zupełnie inaczej, bo kupowano całymi opakowaniami zbiorczymi, z rabatem za ilość albo „na zapas, bo było tanio”.
• Jaki jest średni czas, przez który pozycja o najwyższej rotacji była w ostatnim roku niedostępna. Braki w pozycjach szybkoobrotowych są najdroższym rodzajem błędu w magazynie i najtrudniejszym do zobaczenia, bo nie zostawiają śladu w księgach — zostawiają ślad w zamówieniu, które nie przyszło drugi raz. Jeżeli nie potraficie tego odtworzyć z danych, to jest pierwszy wniosek z audytu, nie powód do wstydu.

Czym projekt AI w magazynie nie jest

Granicę stawiamy wcześnie, bo pod hasłem „AI w magazynie” sprzedaje się dziś co najmniej cztery różne rzeczy i tylko jedna z nich jest tym, o czym tu piszemy.

To nie jest prognozowanie popytu. Prognoza odpowiada na pytanie, ile zamówić i kiedy; pracuje na historii sprzedaży i jest osobnym projektem z osobnym rachunkiem, osobnym punktem odniesienia i osobnym sposobem testowania — rozpisaliśmy go w tekście o prognozowaniu popytu. Tu chodzi o warstwę wcześniejszą: co już macie, gdzie to leży i czy dane o tym są prawdziwe. Prognoza postawiona na stanach, które się rozjeżdżają, jest kosztownym sposobem na mylenie się precyzyjniej.

To nie jest też projekt zakupowy. Analiza wydatków, porównanie oferty z fakturą i wybór dostawcy to inny proces i inne dane — opisaliśmy je przy AI w zakupach. Magazyn jest miejscem, w którym widać skutki decyzji zakupowych, ale naprawianie ich zaczyna się od pokazania skutków, a nie od negocjacji.

To nie jest kontrola jakości ani wizja komputerowa na linii. Rozpoznawanie uszkodzeń, braków w opakowaniu czy niezgodności wyrobu to wizyjna kontrola jakości — projekt sprzętowy, z kamerami, oświetleniem i zestawem testowym zdjęć. Bywa, że pojawia się przy przyjęciu towaru, ale nigdy nie jest pierwszym krokiem.

I nie jest to wymiana WMS. Najczęstszy błąd w tych projektach polega na tym, że pod hasłem AI firma kupuje nowy system magazynowy, czyli wymienia narzędzie, w którym dane są wprowadzane, nie zmieniając ani tego, kto je wprowadza, ani tego, czy ktoś je potem czyta. Po roku jest nowy interfejs i te same rozjazdy.

Warstwa pierwsza: jedna tabela zapasu, czyli najtańsza wygrana

Pierwsze wdrożenie, które proponujemy w magazynie, w ogóle nie wymaga modelu i warto to powiedzieć bez owijania. Wymaga połączenia w jednym miejscu czterech zbiorów, które w firmie już są: kartoteki towarowej, stanów z lokalizacjami, historii ruchów za dwa lata i kosztu jednostkowego. Z tego powstaje tabela, w której każdy indeks ma kilka kolumn obliczanych raz na dobę.

Rotacja i pokrycie zapasu w dniach — ile dni sprzedaży stoi na półce przy obecnym tempie wydań. Klasa obrotu i klasa zmienności, czyli to, co w logistyce nazywa się analizą ABC i XYZ: czy pozycja jest ważna i czy jej popyt jest przewidywalny. Data ostatniego wydania i data ostatniego przyjęcia. Wartość zapasu i jej udział w całości. Oraz flaga, która w praktyce decyduje o całym projekcie: czy pozycja kwalifikuje się jako zapas nierotujący, wolnorotujący albo nadwyżkowy, według progów ustalonych przez Was, a nie przez dostawcę.

Dopiero w tym miejscu AI zaczyna cokolwiek robić — i robi dwie rzeczy, których arkusz nie potrafi. Pierwsza: ujednolicenie kartoteki. Ten sam towar występuje pod kilkoma indeksami, bo wpisywał go ktoś inny, w innym roku, z innej specyfikacji dostawcy; model językowy porównuje nazwy, opisy, jednostki miary, kody producenta i numery katalogowe i wskazuje kandydatów do scalenia. Nie scala — wskazuje, a decyzję podejmuje człowiek, bo scalenie indeksów jest operacją, której nie da się cofnąć w księgach. Druga: opis. Z surowej tabeli powstaje kilka zdań, które ktoś faktycznie przeczyta: co się zmieniło od ostatniego tygodnia, które pozycje właśnie wpadły do zapasu nierotującego, gdzie pokrycie w dniach urosło najbardziej i w których miejscach opłaca się zadziałać w tym miesiącu.

Brzmi nieefektownie i dokładnie dlatego to polecamy jako pierwszy krok. To jest etap, który u większości firm zwraca się w pierwszym kwartale, bo pokazuje pozycje do wyprzedaży, do zwrotu do dostawcy, do przeceny albo do utylizacji — a każda z tych decyzji uwalnia gotówkę i miejsce. O tym, co trzeba uporządkować po swojej stronie, żeby taka tabela w ogóle powstała, pisaliśmy osobno w tekście o danych gotowych na AI.

Warstwa druga: rozjazd stanów, zanim znajdzie go spis

Druga warstwa jest tą, w której AI wnosi coś naprawdę nowego, bo zadanie nie polega na policzeniu, ale na wskazaniu, co policzyć. Stan ewidencyjny rozjeżdża się z rzeczywistym cały czas i z bardzo prozaicznych powodów: pomyłka w kompletacji, wydanie bez dokumentu, zwrot przyjęty na inną lokalizację, przesunięcie międzymagazynowe zrobione tylko fizycznie, towar pobrany na produkcję „na szybko”, uszkodzenie spisane z opóźnieniem, pomyłka w jednostce miary przy przyjęciu opakowania zbiorczego.

Klasyczna odpowiedź to spis raz w roku albo raz na dwa lata, czyli stwierdzenie różnicy po fakcie, często wiele miesięcy po tym, jak powstała, i bez możliwości wskazania przyczyny. Odpowiedź, którą stosujemy, nazywa się priorytetyzacją spisów ciągłych i jest zadaniem wykrywania anomalii: system codziennie przelicza wzorce ruchów i wskazuje pozycje oraz lokalizacje, w których coś nie trzyma się kupy.

Sygnały są zaskakująco konkretne i w większości firm nikt ich nie obserwuje. Pozycja, która ma w systemie stan dodatni, ale od tygodni nie została wydana, choć wcześniej schodziła codziennie — to klasyczny objaw zapasu, którego fizycznie nie ma, bo kompletujący nie znalazł towaru i wziął zamiennik. Lokalizacja, w której korekty po spisie powtarzają się rok po roku. Indeks, w którym wydania zawsze są wielokrotnością opakowania, a raz pojawiła się liczba niepełna. Przyjęcie zaksięgowane w innym miesiącu niż dokument dostawy. Dwie lokalizacje tego samego towaru, z których jedna nie ruszyła się nigdy. Ujemny stan przejściowy, który ktoś wyrównał dokumentem korygującym bez opisu.

Efekt praktyczny jest taki, że zamiast liczyć cały magazyn, liczycie w każdym tygodniu kilkadziesiąt pozycji wskazanych przez system — tych, w których prawdopodobieństwo różnicy jest najwyższe, i tych, które najdrożej kosztują, jeśli różnica istnieje. To jest zmiana jakościowa, bo rozjazd przestaje być coroczną niespodzianką i staje się strumieniem drobnych korekt z opisaną przyczyną. A przyczyna jest tu ważniejsza niż korekta: po trzech miesiącach widać, że połowa różnic pochodzi z jednej zmiany, jednego regału albo jednego dostawcy, który wysyła mieszane palety.

Warstwa trzecia: dokumenty na przyjęciu

Trzecia warstwa to miejsce, w którym do magazynu wchodzą dane, i jednocześnie najbardziej niedoceniany punkt całego procesu. Towar przyjeżdża z dokumentami: specyfikacją dostawy, listem przewozowym, WZ dostawcy, certyfikatem, atestem, kartą partii, deklaracją zgodności. Część przychodzi mailem jako PDF, część jako skan, część tylko na papierze w kabinie kierowcy. Ktoś to przepisuje do systemu — ręcznie, przy rampie, pod presją czasu.

Zadanie dla modelu jest tu dokładnie takie, w jakim modele językowe są najmocniejsze: z nieuporządkowanego dokumentu wyciągnąć strukturę i dopasować ją do Waszej kartoteki. Pozycje, ilości, jednostki, numery partii, daty ważności, numery zamówień, numery katalogowe producenta. Potem porównanie trzech rzeczy, które dziś porównuje się wyrywkowo albo wcale: co zamówiliśmy, co jest w dokumencie dostawy i co faktycznie przyjęto. Rozbieżność — ilościowa, w jednostce miary albo w indeksie — ma wyjść na rampie, a nie przy rozliczeniu faktury dwa tygodnie później.

Drugi pożytek jest cichy, ale ważniejszy w dłuższym terminie: dopasowanie nazw. To dostawca decyduje, jak nazywa towar, i każdy nazywa go inaczej. Ręczne dopasowywanie tych nazw do kartoteki jest głównym źródłem duplikatów indeksów, a duplikaty indeksów są głównym źródłem fałszywych braków i fałszywych nadwyżek. Model, który podpowiada istniejący indeks z oceną pewności i wymusza decyzję człowieka przy niskiej pewności, zatrzymuje ten mechanizm u źródła.

Jedna uwaga bezpieczeństwa, którą trzeba postawić właśnie tutaj, bo dotyczy dokumentów od podmiotów z zewnątrz. Jeżeli model czyta pliki przychodzące mailem i ma prawo czegokolwiek w systemie dotknąć, to treść tych plików staje się potencjalnym wektorem ataku — mechanizm opisaliśmy w tekście o prompt injection w agentach AI. W magazynie reguła jest prosta i nie ma od niej wyjątków: z dokumentu wolno wyciągać dane, a nie przyjmować z niego polecenia.

Warstwa czwarta: pytania do magazynu zadawane normalnym językiem

Kiedy te trzy warstwy stoją, pojawia się rzecz, której firmy nie planują, a która w ankietach po wdrożeniu dostaje najwyższe oceny: możliwość zapytania o własny magazyn bez składania zgłoszenia do działu IT. Ile mamy pozycji z datą ważności krótszą niż sześćdziesiąt dni i jaka to wartość. Które indeksy kupiliśmy w tym roku, choć leżały już na magazynie w innej lokalizacji. Co leży w strefie, którą chcemy zwolnić pod nową linię. Które pozycje od pół roku tylko przyjmujemy.

Technicznie jest to warstwa pytań w języku naturalnym nad danymi magazynowymi, opisana szerzej w tekście o pytaniach do danych firmy, a połączenie modelu z ERP i WMS realizuje się dziś zwykle przez MCP. Warunek jest jeden i bezwzględny: dostęp wyłącznie do odczytu. Model, który może zadać pytanie i może jednocześnie zmienić stan, jest projektem o zupełnie innym profilu ryzyka i nie powinien być pierwszym wdrożeniem w magazynie.

Jest też ograniczenie, które warto znać przed demem, bo rozczarowuje w trzecim tygodniu. Takie pytania działają dobrze na danych, których struktura jest opisana, a nazwy pól mają znaczenie dla człowieka. Jeżeli tabela zapasu ma kolumny nazwane skrótami z lat dziewięćdziesiątych, a pojęcie „zapas dostępny” znaczy w Waszej firmie coś innego niż w dokumentacji systemu, trzeba to najpierw spisać. Ta praca — glosariusz pojęć i definicje wskaźników — jest nudna, zajmuje kilka dni i jest jedyną częścią projektu, która nie dezaktualizuje się przy zmianie dostawcy narzędzia.

Inwentaryzacja: czego AI nie zdejmie z Was nigdy

Tu trzeba być precyzyjnym, bo w rozmowach pojawia się nadzieja, że skoro system codziennie pilnuje stanów, to spis przestaje być potrzebny. Nie przestaje. Nie jesteśmy kancelarią ani biurem rachunkowym i konkretny przypadek warto potwierdzić z księgowością albo audytorem, ale ramy są jasne i wynikają z ustawy o rachunkowości.

Artykuł 26 ustawy nakłada obowiązek przeprowadzenia inwentaryzacji na ostatni dzień roku obrotowego, a zapasy objęte są spisem z natury. Dla większości składników uznaje się termin za dochowany, jeżeli spis rozpoczęto nie wcześniej niż trzy miesiące przed końcem roku obrotowego i zakończono do 15 dnia następnego roku — przy roku kalendarzowym jest to okres od 1 października do 15 stycznia. Dla zapasów materiałów, towarów, produktów gotowych i półproduktów znajdujących się w strzeżonych składowiskach i objętych ewidencją ilościowo-wartościową ustawa dopuszcza spis raz w ciągu dwóch lat. Dla zapasów w punktach obrotu detalicznego objętych ewidencją wartościową — raz w roku. Artykuł 27 wymaga udokumentowania inwentaryzacji, powiązania jej wyników z zapisami w księgach i rozliczenia ujawnionych różnic w księgach tego roku obrotowego, na który przypadał termin spisu.

Wniosek praktyczny jest odwrotny do intuicji i dlatego go podkreślamy. AI nie zastępuje spisu — AI sprawia, że spis przestaje boleć. Jeżeli przez cały rok wskazujecie i liczycie pozycje o najwyższym ryzyku różnicy, to spis roczny albo dwuletni przestaje być operacją ratunkową, przy której wychodzą różnice za osiemnaście miesięcy i nikt nie potrafi wskazać przyczyny. Staje się potwierdzeniem stanu, który już znacie, z krótszą listą niespodzianek i z opisanymi przyczynami tych, które zostały. To również argument, który najlepiej rozumie Wasz audytor i Wasza księgowość — a jeżeli rozliczenie prowadzi biuro zewnętrzne, warto zestawić ten proces z tym, co opisaliśmy przy AI w biurze rachunkowym.

Jest też granica, której nie wolno przekroczyć i która w ofertach bywa zatarta. Korekta stanu w księgach jest czynnością, która wymaga decyzji człowieka i udokumentowania. System może wskazać pozycję, zaproponować korektę, policzyć jej wartość i przygotować dokument. Nie może zaksięgować różnicy sam, choćby był jej pewny, i każdy dostawca, który proponuje inaczej, sprzedaje Wam problem na kolejny audyt.

Dane: tu rozbija się większość takich projektów

Na dane w magazynie patrzymy inaczej niż w projektach biurowych, bo tutaj najbardziej brakuje nie ilości, a kompletności zdarzeń. Model wykrywający rozjazd stanów potrzebuje nie stanów, a historii ruchów — każdego przyjęcia, wydania, przesunięcia, korekty i zwrotu, ze znacznikiem czasu, lokalizacją, dokumentem źródłowym i identyfikatorem osoby albo stanowiska. Jeżeli przesunięcia międzymagazynowe są robione zbiorczo raz na tydzień jedną pozycją, historii faktycznie nie ma i żaden model tego nie nadrobi.

Druga rzecz to jednostki miary i przeliczniki. Sztuka, opakowanie zbiorcze, karton, paleta, metr, kilogram, komplet — i przeliczniki, które w kartotece bywają historyczne albo błędne. To jest najczęstsze źródło pozornych anomalii i pierwszy powód, dla którego wdrożenie traci zaufanie zespołu: system zgłasza nadwyżkę, która jest wyłącznie skutkiem tego, że ktoś przyjął towar w kartonach, a wydał w sztukach.

Trzecia to lokalizacje. Jeżeli magazyn nie ma adresacji miejsc albo adresacja istnieje tylko w teorii, bo towar stoi „gdzieś w strefie B”, to część korzyści z wykrywania rozjazdów po prostu nie wystąpi — nie da się wskazać miejsca do policzenia. Wprowadzenie realnej adresacji jest wtedy pierwszym etapem projektu, nie częścią AI, i trzeba to uczciwie wpisać do harmonogramu, zamiast odkrywać w trzecim tygodniu.

Czwarta to partie i daty ważności, jeżeli Was dotyczą. Tam, gdzie obowiązuje identyfikowalność, dane o partiach są jednocześnie najcenniejsze i najgorzej utrzymane, bo ich uzupełnianie opóźnia przyjęcie. To zwykle najlepszy kandydat na automatyzację odczytu z dokumentów, bo korzyść jest podwójna: szybsze przyjęcie i kompletna identyfikowalność, której i tak od Was wymagają.

I piąta rzecz, o której nikt nie myśli jako o danych: historia spisów. Arkusze inwentaryzacyjne z poprzednich lat, z różnicami na poziomie pozycji, są najlepszym zbiorem do kalibracji takiego systemu, jaki istnieje w firmie. Jeżeli leżą jako skany w segregatorze, warto zacząć od ich przeniesienia do postaci tabeli, bo bez nich pierwsze trzy miesiące wdrożenia będą zgadywaniem progów.

Czego temu systemowi nie wolno oddać

Lista uprawnień jest w tym wdrożeniu ważniejsza niż wybór modelu i ustalamy ją przed startem, a nie po pilocie. Zasada jest jedna: system może liczyć, wskazywać, proponować i opisywać. Nie może działać sam tam, gdzie skutek jest nieodwracalny albo kosztowny.

• Nie koryguje stanów w księgach. Może przygotować dokument korygujący z uzasadnieniem i wartością. Zatwierdza człowiek, zgodnie z Waszą procedurą i z art. 27 ustawy o rachunkowości.
• Nie scala indeksów w kartotece. Scalenie zmienia historię sprzedaży, powiązania z dokumentami i rozliczenia; wskazanie duplikatu to podpowiedź, nie decyzja.
• Nie zamawia towaru. Uzupełnianie zapasu jest decyzją zakupową z konsekwencjami finansowymi i to zupełnie inny projekt, z innym progiem zaufania. Pierwsza wersja proponuje listę do zamówienia, a nie składa zamówienie.
• Nie przecenia i nie utylizuje. Decyzja o wyprzedaży, przecenie, zwrocie do dostawcy albo likwidacji zapasu ma skutek podatkowy i wymaga dokumentacji. System pokazuje pozycje i liczy koszt trzymania ich dalej.
• Nie blokuje wysyłek ani nie zmienia priorytetów kompletacji bez nadzoru. Fałszywy alarm w tym miejscu zatrzymuje zamówienie klienta, a to jest najszybszy sposób, żeby zespół wyłączył narzędzie i już nie wrócił.

Zgodność: dlaczego to zwykle prostszy przypadek, niż się wydaje

Dobra wiadomość jest taka, że narzędzie, które liczy zapas i wskazuje pozycje do spisu, nie jest systemem wysokiego ryzyka w rozumieniu przepisów o AI, bo nie podejmuje decyzji dotyczących ludzi ani nie dotyczy obszarów wymienionych w załącznikach. To nie znaczy, że nie dotyczą Was żadne obowiązki — od 28 października 2026 roku działa polska ustawa o systemach sztucznej inteligencji wraz z nadzorem, o której pisaliśmy przy okazji kontroli KRiBSI, a podstawowym oczekiwaniem wobec firmy jest umiejętność wskazania, gdzie w ogóle używa AI. Dlatego wpis do rejestru systemów AI robimy od razu przy wdrożeniu, a nie przy pierwszym zapytaniu z zewnątrz.

Dwa miejsca wymagają jednak uwagi i obydwa są łatwe do przeoczenia. Pierwsze: dane osobowe. Historia ruchów magazynowych zawiera identyfikatory osób — kto przyjął, kto skompletował, kto zrobił korektę. Jeżeli system wskazuje, że różnice koncentrują się na jednej zmianie albo jednym stanowisku, przestaje być narzędziem o zapasie i staje się narzędziem, które dotyka oceny pracy. To wymaga przejrzystości wobec zespołu, podstawy prawnej i decyzji, co wolno z takim wnioskiem zrobić; ramy opisaliśmy w tekście o RODO przy wdrożeniu AI. W praktyce najczęściej ustalamy, że analiza po stanowiskach jest dostępna wyłącznie w formie zagregowanej i służy do zmiany procesu, nie do rozliczania ludzi — i mówimy o tym zespołowi na starcie, bo inaczej narzędzie zostanie odebrane jako kontrola i straci dane wejściowe.

Drugie: dostęp do systemów. Model, który czyta ERP i WMS, ma potencjalnie wgląd w ceny zakupu, marże i warunki handlowe z dostawcami. Zakres danych i lista osób, które mogą o nie pytać, muszą być ustalone przed uruchomieniem, a nie przy pierwszym niezręcznym pytaniu zadanym narzędziu przez osobę z innego działu.

Rachunek: co policzyć przed rozmową z dostawcą

Ten projekt wyceniamy od strony zamrożonego kapitału, nie od strony liczby zapytań do modelu, bo tam są pieniądze i tam jest uzasadnienie dla zarządu. Cztery liczby wystarczą na jedno popołudnie pracy z arkuszem.

Pierwsza: wartość zapasu w pozycjach bez wydania w ostatnich dwunastu miesiącach. To Wasz kapitał zamrożony, a nie zapas, i to on finansuje cały projekt. Przyjmując powszechnie stosowane w logistyce założenie, że koszt utrzymania zapasu — kapitał, powierzchnia, ubezpieczenie, obsługa, starzenie się i straty — wynosi rocznie około jednej piątej jego wartości, dostajecie od razu kwotę, którą płacicie za trzymanie tego, czego nie sprzedajecie. Dla magazynu o wartości zapasu kilku milionów złotych, w którym trzecia część nie rotuje, to pozycja rzędu kilkuset tysięcy złotych rocznie.

Druga: koszt braków w pozycjach szybkoobrotowych. Liczba zamówień niezrealizowanych w terminie albo zrealizowanych częściowo, pomnożona przez marżę i powtórzona dla utraconych klientów, jeżeli potraficie to oszacować. Ta liczba jest mniej dokładna, ale zwykle większa, niż się spodziewacie.

Trzecia: godziny wokół inwentaryzacji. Spis, przygotowanie, zamknięcie magazynu albo praca po godzinach, wyjaśnianie różnic, korekty, ponowne liczenie pozycji spornych. Warto doliczyć czas księgowości i czas kierownictwa, bo on jest w tym najdroższy, oraz koszt wstrzymania wydań, jeżeli występuje.

Czwarta: koszt błędów kompletacji. Wydania niezgodne z zamówieniem, zwroty z tego powodu, transport powrotny, obsługa reklamacji — czyli to, co po stronie klienta opisaliśmy przy AI w reklamacjach i zwrotach. Część tych błędów ma źródło właśnie w rozjeździe stanów i w duplikatach indeksów.

Po stronie kosztów są cztery pozycje i trzecia jest tą, o której nikt nie pamięta przy podpisywaniu umowy. Integracja z ERP i WMS oraz miejsce, w którym dane będą leżeć. Przygotowanie danych: przeliczniki jednostek, adresacja, historia spisów. Czas Waszych ludzi z magazynu na ustalenie progów, opisanie przyczyn i przejrzenie pierwszych wskazań — tej pracy nie da się kupić na zewnątrz i to ona decyduje o jakości wyniku. Oraz utrzymanie po starcie, czyli to, co rozpisaliśmy w tekstach o koszcie wdrożenia AI i o utrzymaniu AI po wdrożeniu. Zapytania do modelu są w tym rachunku pozycją marginalną, bo liczenie zapasu to głównie zwykłe przetwarzanie danych, a model dochodzi tam, gdzie jest tekst.

Wdrożenie w cztery tygodnie

Kolejność poniżej jest ułożona tak, żeby po każdym tygodniu zostało coś użytecznego, nawet gdyby projekt stanął, i żeby żadna automatyzacja nie wyprzedziła zaufania do danych.

1. Tydzień pierwszy: jedna tabela zapasu. Eksport kartoteki, stanów, dwóch lat ruchów i kosztów jednostkowych. Policzenie rotacji, pokrycia w dniach, klas obrotu i zmienności oraz wartości zapasu nierotującego. Rezultatem jest lista pozycji do decyzji handlowej i pierwsza kwota, którą płacicie za trzymanie zapasu. Ten tydzień ma wartość sam w sobie, niezależnie od tego, czy projekt będzie kontynuowany.
2. Tydzień drugi: duplikaty i porządek w kartotece. Model wskazuje kandydatów do scalenia i błędne przeliczniki jednostek, człowiek zatwierdza. Równolegle sprawdzenie adresacji lokalizacji i przeniesienie historii spisów do postaci tabeli. To najmniej efektowny tydzień i ten, który najbardziej poprawia wszystko, co przyjdzie później.
3. Tydzień trzeci: wykrywanie anomalii i lista pozycji do policzenia. Pierwsze progi ustawiane wspólnie z kierownikiem magazynu, pierwsza tygodniowa lista kilkudziesięciu pozycji, pierwsze spisy ciągłe na tej liście. Mierzymy jedną rzecz: ile wskazań okazało się trafnych. To jest Wasz zestaw testowy i jedyny uczciwy sposób oceny takiego systemu, opisany szerzej przy testowaniu wdrożeń AI.
4. Tydzień czwarty: dokumenty na przyjęciu i pytania do danych. Odczyt specyfikacji dostaw, dopasowanie do kartoteki z progiem pewności i decyzją człowieka przy niskiej pewności, porównanie zamówienia z dostawą. Dostęp do pytań w języku naturalnym wyłącznie do odczytu, dla wskazanych osób.
5. Po czterech tygodniach, nie wcześniej: decyzja o zakresie dalszym. Kryterium to dwie liczby — trafność wskazań do spisu i wartość zapasu, o którą zmniejszyliście pozycje nierotujące. Jeżeli pierwsza jest niska, wracamy do danych, a nie do modelu.

Pięć sygnałów, że poszło w złą stronę

Te projekty psują się przewidywalnie i prawie zawsze widać to w pierwszym miesiącu. Każdy z poniższych objawów traktujemy jako powód do zatrzymania się, a nie do rozszerzania zakresu.

• Lista pozycji do policzenia przychodzi, ale nikt jej nie liczy. To nie jest problem narzędzia — to brak właściciela procesu po stronie magazynu. Jeżeli w drugim tygodniu nikt nie przeliczył ani jednej wskazanej pozycji, wdrożenie jest już martwe i warto to nazwać, zanim pochłonie kolejne tygodnie.
• Trafność wskazań spada pod połowę i nikt nie zmienia progów. System, który wysyła na magazyn ludzi po nic, traci zaufanie w trzy tygodnie i nie odbuduje go żadną późniejszą wersją. Lepiej wskazywać dziesięć pozycji tygodniowo z wysoką trafnością niż sto z przypadkową.
• Zespół czyta narzędzie jako kontrolę ludzi. Jeżeli pierwsza rozmowa o wynikach dotyczy tego, kto popełnił błąd, a nie tego, w którym miejscu procesu błąd powstaje, dane wejściowe zaczną się pogarszać natychmiast: korekty będą opisywane ogólnie, a problemy rozwiązywane bez dokumentu. O tym, jak to się odbywa i co z tym robić, pisaliśmy przy okazji tekstu o tym, dlaczego zespół nie używa AI.
• Projekt urósł do wymiany systemu magazynowego. W trzecim tygodniu pojawia się wniosek, że najpierw trzeba wymienić WMS. Czasem to prawda, ale jest to wtedy inny projekt, z innym budżetem i innym harmonogramem — a nie etap tego wdrożenia.
• Model dostał prawo zapisu, żeby „było szybciej”. To zwykle ostatnia decyzja przed pierwszą kosztowną pomyłką: automatycznie scalone indeksy, automatycznie zaksięgowana różnica, automatycznie złożone zamówienie na pozycję, której brak był pozorny. Każda z tych rzeczy kosztuje więcej, niż oszczędza czas zatwierdzania.

Od czego zacząć

Najtańszy pierwszy krok nie wymaga ani dostawcy, ani budżetu i zajmuje jedno popołudnie. Wyciągnijcie z systemu dwie listy: pozycje z zerowym wydaniem za ostatnie dwanaście miesięcy wraz z wartością zapasu oraz dwadzieścia pozycji o najwyższym obrocie z informacją, ile dni w ostatnim roku miały stan zerowy. Pierwsza lista mówi, ile pieniędzy leży bez ruchu. Druga mówi, ile Was kosztuje to, że te pieniądze leżą tam, a nie gdzie indziej. Jeżeli którejkolwiek z tych list nie da się wyciągnąć bez pytania dostawcy systemu, macie już wynik: problemem nie jest brak AI, a brak dostępu do własnych danych — i to jest pierwsza rzecz do naprawienia, zanim ktokolwiek pokaże Wam demo.

Tak prowadzimy takie projekty: najpierw audyt tego, jakie dane o zapasie realnie macie i w jakim stanie, potem jedna tabela zapasu i decyzje handlowe, które z niej wynikają, potem wykrywanie rozjazdów i spisy ciągłe na wskazaniach, a dokumenty i pytania do danych na końcu — bo mają sens dopiero wtedy, gdy kartoteka jest uporządkowana. Zakres konsultingu i wdrożeń AI opisaliśmy osobno, stawki znajdziecie w cenniku, a jeśli chcecie sprawdzić, ile kapitału stoi dziś w Waszym magazynie bez ruchu i co z tego da się uwolnić w pierwszym kwartale — umówcie bezpłatną konsultację.