Внедрение методов искусственного интеллекта

Еще недавно разговоры об искусственном интеллекте в логистике часто звучали как модная дань времени. Много красивых презентаций, много общих слов про “цифровую трансформацию”, но не всегда было понятно, где именно заканчивается маркетинг и начинается реальная польза для бизнеса.

Сегодня эта граница стала гораздо отчетливее.

Логистика слишком сложна, слишком капиталоемка и слишком чувствительна к ошибкам, чтобы игнорировать инструменты, которые позволяют точнее прогнозировать, быстрее принимать решения и эффективнее использовать активы. Именно поэтому искусственный интеллект и машинное обучение постепенно переходят в логистике из категории “интересных экспериментов” в категорию практических управленческих инструментов.

На мой взгляд, в контейнерной логистике это особенно важно.
Потому что здесь слишком много факторов, которые невозможно качественно удерживать только за счет ручного управления:

• оборот контейнера,
• работа платформ,
• загрузка терминалов,
• сроки доставки,
• порожние перемещения,
• прогноз грузопотока,
• стоимость хранения,
• устойчивость маршрутов.

И чем сложнее становится логистическая система, тем выше роль моделей, которые умеют видеть закономерности в данных быстрее человека.

Почему ИИ и ML стали нужны логистике именно сейчас

Причина очень простая: данных стало много, а времени на решение стало мало.

Современная логистика работает в среде, где одновременно приходится учитывать:

• расписания поездов и судов,
• состояние инфраструктуры,
• окна терминалов,
• погодные факторы,
• простои,
• отклонения по срокам,
• стоимость топлива,
• стоимость хранения,
• доступность оборудования,
• изменения спроса.

Раньше значительная часть этих решений принималась на опыте, в Excel, по телефону, “по памяти” и “по чутью рынка”. Такой подход долго работал. Но в логистике будущего его уже недостаточно.

DHL прямо пишет, что AI and machine learning are reshaping logistics by changing how decisions are made — from forecasting demand to routing shipments and predicting delays. И это очень точная формулировка. Речь уже не про “робота ради робота”, а про переход к более качественному управлению в условиях высокой неопределенности.

Первая мировая тенденция: прогнозирование становится важнее реакции

Одна из самых сильных тенденций в мировой логистике — переход от реактивного управления к прогнозному.

Раньше логистика в значительной степени жила по принципу:
сначала случилось отклонение — потом система начала на него реагировать.

Теперь задача другая:
увидеть отклонение заранее и принять решение до того, как проблема станет затратой.

В Maersk это направление прямо связано с advanced analytics and machine learning. Например, в сервисе NeoNav компания использует интеграцию внутренних и внешних данных, расширенную аналитику и машинное обучение для прогноза спроса, планирования запасов и повышения устойчивости цепочки поставок.

Это очень важная мысль. Логистика будущего выигрывает не там, где быстрее тушат пожар, а там, где реже доводят ситуацию до пожара.

Вторая тенденция: ИИ начинает управлять не только маршрутом, но и активом

В контейнерной логистике актив — это не абстракция. Это контейнер, вагон, терминальный слот, площадка хранения, локомотивное окно, кран, парк автодоставки.

И вот здесь машинное обучение особенно полезно, потому что позволяет видеть не только маршрут, но и будущий режим работы активов.

Например, DP World в 2025 году указывала, что применение AI-powered forecasting and planning позволяет компаниям сокращать forecasting errors до 50% и использовать digital twins для моделирования сценариев без вмешательства в живой операционный процесс.

Для логистики это означает очень важную вещь:
ИИ нужен не только для того, чтобы “красиво показать дашборд”, а для того, чтобы:

• заранее понимать, где будет перегрузка,
• где образуется дефицит контейнеров,
• где вырастет хранение,
• где возрастет порожний пробег,
• где можно перераспределить активы до того, как система начнет терять деньги.

Третья тенденция: visibility уже недостаточно, нужен orchestration

Еще несколько лет назад рынку было достаточно Track & Trace.

Клиент хотел понимать, где находится контейнер.
Сегодня этого уже мало.

Проблема современной логистики не в отсутствии точки на карте, а в том, что участникам рынка нужно уметь управлять отклонениями по всей цепочке.

Именно поэтому мировой рынок движется от visibility к orchestration.

project44, FourKites и другие цифровые игроки строят свою ценность не просто на отображении статусов, а на управлении ETA, exceptions, рисками опозданий и альтернативными сценариями движения груза. FourKites прямо пишет, что логистика идет от reactive tracking к orchestration, а project44 уже выводит AI-решения для автоматической обработки океанских отклонений и rolled containers.

Для контейнерной логистики это особенно важно, потому что здесь слишком длинная цепочка участников, и любая ошибка в одном звене быстро превращается в затраты во всех остальных.

Четвертая тенденция: ИИ все глубже заходит в терминалы и порты

Если смотреть на контейнерную логистику не только как на перевозку, но и как на сеть узлов, то один из самых интересных трендов — проникновение ИИ в терминальные операции.

DP World указывает, что применяет AI и smart terminal solutions, в том числе систему CARGOES TOS+ и автоматизированные gate-решения с использованием intelligent cameras для считывания контейнерных номеров, номерных знаков, положения дверей и состояния пломб.

В России тоже появляются похожие направления. По данным RZD-Partner, в 2025 году планировалось внедрение технологии автоматического дефектования прибывающих контейнеров с применением ИИ, чтобы ускорить прием и уменьшить влияние человеческого фактора. А в конце 2025 года сообщалось и о российской разработке на базе ДВФУ для оптимизации размещения контейнеров, включая порожние, и внутренней логистики портовых терминалов; по оценкам разработчиков, такое решение позволяет снижать сопутствующие расходы примерно на 5%.

Это, на мой взгляд, одно из самых перспективных направлений для России.
Потому что терминал — это то место, где плохо организованный поток мгновенно превращается в реальные деньги:

• в лишнее хранение,
• в лишнюю перегрузку,
• в лишнее ожидание,
• в лишний порожний маневр.

Что происходит в России

Россия в этой теме движется не так быстро, как глобальные лидеры, но тренд уже отчетливо сформировался.

Во-первых, сама отрасль уже признает, что ИИ становится системным элементом конкурентоспособности. В конце 2025 года эксперты RZD-Partner прямо говорили, что в 2026 году искусственный интеллект в российской логистике станет уже не экспериментом, а инструментом выживания и конкуренции, хотя масштаб будет сдерживаться дорогими деньгами и дефицитом зрелых отечественных решений.

Во-вторых, российские транспортные компании постепенно переходят от разговоров о цифровизации к построению производственных систем, которые потом уже могут стать базой для ML-моделей. Например, FESCO в отчете за 2024 год отдельно выделяет проект FESCO Management System (FMS) — информационной системы, автоматизирующей уникальные бизнес-процессы компании. Это важный шаг, потому что без качественной цифровой производственной базы любые разговоры об ИИ остаются преждевременными. В этом проекте имел честь участвовать и я с командой, это супер-интересный и важный опыт.

И наконец, сама тематика уже стала настолько значимой, что Академия FESCO в 2024 году выпустила отдельное исследование по использованию ИИ в логистике. Это важный знак зрелости темы: отрасль уже не воспринимает искусственный интеллект как внешний хайп, а начинает структурировать собственную практику и спрос.

Что я считаю главным практическим применением ИИ в контейнерной логистике

На мой взгляд, для контейнерной логистики есть четыре зоны, где ИИ и машинное обучение дают наибольший практический эффект.

1. Прогнозирование работы активов

Это самое очевидное и одновременно самое ценное направление.

Когда у тебя большой контейнерный парк, платформы, терминалы и мультимодальные сервисы, главный вопрос уже не “где сейчас контейнер”, а “что будет с активом завтра, через три дня, через неделю”.

Если система умеет предсказывать:

• перегрузку терминала,
• дефицит порожнего оборудования,
• риски сбоя по срокам,
• падение или всплеск спроса,
• замедление оборота,
  то она начинает управлять не прошлым, а будущим.

2. Решение транспортных задач и выбор лучшего сценария

Логистика почти всегда работает не с одним вариантом, а с набором возможных вариантов.

Железная дорога, море, терминал, склад, авто, окно подачи, ограничения сети — всё это уже давно требует математического и алгоритмического подхода.

ML-модели здесь полезны не потому, что “заменяют диспетчера”, а потому что позволяют гораздо быстрее просчитать вероятности, риски и стоимость альтернатив.

3. Снижение расходов по хранению

Хранение — один из самых недооцененных источников потерь.

Плохо размещенный контейнер, лишний день на площадке, неудачное позиционирование порожняка, нерациональная последовательность выдачи — всё это превращается в деньги, причем довольно быстро.

ИИ особенно полезен там, где нужно оптимизировать размещение, предсказывать накопление и не допускать образования “дорогих заторов”.

4. Снижение порожнего перемещения

Порожнее движение контейнеров и платформ — одна из самых дорогих проблем отрасли.

Именно здесь машинное обучение может давать один из самых заметных эффектов: через прогноз возврата, перераспределение парка, моделирование вероятного спроса и более умное позиционирование оборудования.

Что делаем мы

Для меня искусственный интеллект в логистике — это не отдельная “модная тема”, а практический инструмент современной операционной работы.

Вместе с командой в компании FESCO мы активно применяем методы машинного обучения и искусственного интеллекта в задачах контейнерной логистики:

• для прогнозирования работы активов,
• для решения транспортных задач,
• для снижения расходов по хранению,
• для минимизации порожнего перемещения,
• для повышения общей эффективности использования контейнерного, терминального и железнодорожного парка.

И здесь для меня особенно важно подчеркнуть одну вещь.

ИИ в логистике не должен существовать отдельно от реального бизнеса.
Он должен быть встроен в производственный контур компании.

Если модель не помогает лучше использовать контейнер, вагон, терминал, поезд или склад — значит, это не инструмент повышения эффективности, а просто красивый цифровой слой.

Именно поэтому я считаю, что применять ИИ в нашей отрасли нужно не “вообще”, а там, где он напрямую влияет на деньги, скорость и устойчивость цепочки.

Короткая история из практики

Есть одна типичная ситуация, которую хорошо понимает любой человек из контейнерной логистики.

Формально активов много.
На бумаге контейнеры есть.
Платформы есть.
Площадка есть.
Маршрут тоже есть.

Но если посмотреть глубже, оказывается, что в нужной точке в нужный момент не хватает именно того оборудования, которое нужно под конкретный сервис.
А в другой точке, наоборот, накопился избыток.
И дальше система начинает “лечить” последствия:
досылать порожняк, перегонять контейнеры, держать лишний запас, платить за хранение, терять оборот.

Вот именно здесь и появляется настоящая польза машинного обучения.
Не в красивом дашборде, а в том, что система раньше человека видит будущий перекос и позволяет скорректировать поток до того, как этот перекос станет расходом.

На мой взгляд, именно такие задачи и должны быть приоритетом для российской логистики.

Что нужно делать дальше

Если говорить о будущем, то, на мой взгляд, участникам рынка стоит двигаться в нескольких направлениях.

Во-первых, перестать воспринимать ИИ как отдельный IT-проект. Это должен быть элемент производственной модели.

Во-вторых, нужно инвестировать не только в алгоритмы, но и в данные. Без хорошей цифровой основы — ERP, TMS, терминальных систем, качественной событийной модели — никакой серьезный ML не работает.

В-третьих, важно начинать с задач, где эффект можно измерить:

• оборот актива,
• ETA,
• хранение,
• порожние перемещения,
• использование терминальных мощностей,
• прогноз спроса.

И в-четвертых, логистическим компаниям в России нужно быстрее переходить от обсуждения ИИ к промышленному внедрению. Мир в этой теме уже ушел далеко вперед, и отставание здесь будет означать не просто технологический разрыв, а снижение конкурентоспособности всей логистической системы.

Главный вывод

Мировая логистика уже вошла в фазу, когда искусственный интеллект и машинное обучение становятся не экспериментом, а нормальным рабочим инструментом управления. Это видно и по практике Maersk, и по подходам DHL, и по цифровым решениям DP World, и по развитию глобальных visibility/orchestration-платформ.

Россия тоже движется в эту сторону, хотя и с понятными ограничениями. Но направление уже задано: ИИ в логистике становится инструментом повышения точности, скорости, устойчивости и экономической эффективности.

На мой взгляд, следующий этап развития контейнерной логистики будет связан не только с новым парком, новыми маршрутами и новыми терминалами.
Он будет связан с новым качеством управления активами.

И именно здесь искусственный интеллект и машинное обучение уже начинают играть одну из ключевых ролей.