Кейс: как мы автоматизировали логистику с помощью AI-агентов

Клиент и задача

К нам обратилась международная логистическая компания с оборотом более 2 млрд ₽ в год. Проблема: маршруты для грузоперевозок составлялись вручную. Это занимало 3–4 часа работы логиста на каждый маршрут, а точность оставляла желать лучшего.

Цель: автоматизировать планирование маршрутов, учитывая погоду, трафик, загруженность портов и стоимость топлива.

Что мы сделали

Этап 1: Погружение (2 недели)

Провели 8 интервью с логистами и менеджерами. Выяснили:

• 60% времени уходит на сбор данных из разных источников
• Решения принимаются на основе опыта, а не аналитики
• Ошибки в маршрутах стоят компании до 5 млн ₽ в месяц

Этап 2: Архитектура AI-системы (3 недели)

Спроектировали систему из трёх AI-агентов:

1. Агент сбора данных — агрегирует информацию из 12 API (погода, трафик, порты, курсы валют)
2. Агент оптимизации — строит маршрут с учётом всех факторов, используя комбинацию классических алгоритмов и LLM для нестандартных ситуаций
3. Агент мониторинга — отслеживает маршрут в реальном времени и предлагает корректировки

Этап 3: Разработка (6 недель)

Стек:

• Python + FastAPI для бэкенда
• LangChain + LangGraph для оркестрации агентов
• React + Next.js для дашборда оператора
• PostgreSQL + TimescaleDB для хранения и аналитики

Этап 4: Пилот и масштабирование (4 недели)

Запустили пилот на 10% маршрутов. После подтверждения метрик — масштабировали на весь объём.

Результаты

Ключевые уроки

1. Начинайте с данных, а не с модели. Первые 2 недели мы только собирали и чистили данные.
2. AI не заменяет людей — он усиливает их. Логисты по-прежнему принимают финальное решение, но теперь у них есть аналитика.
3. Мониторинг критичен. Модели деградируют. Без системы мониторинга через 3 месяца качество упадёт.

Хотите подобный результат для своего бизнеса? Свяжитесь с нами.

Читайте также: AI в бизнесе — как внедрить и не потерять деньги и кейс Трекер задач — пример AI-аналитики, realtime-обновлений и автоматизации командной работы.