Почему умные склады в РФ — это пока редкость?
Привет, Хабр!
Мы в INTEKEY ежедневно работаем со складами — от быстрорастущего e‑commerce до крупных дистрибуторов. И видим одновременно две картины. В публичном поле — бум на ИИ, ролики с роботами Amazon и громкие кейсы «полностью автономных» фулфилмент‑центров. В реальности большинства российских складов — Excel, 1С, ручное планирование смен и маршрутов, зависимость от «ключевых людей» и высокие операционные издержки.
Эта разница порождает понятный вопрос: если ИИ уже меняет складскую логистику в США, Европе и Китае, почему в России умные склады всё ещё редкость? Проблема точно не в том, что «у нас нет технологий». Российский рынок автоматизации и ИИ уже довольно развит. Узкое место — в другом: в данных, инфраструктуре, экономике проектов и культуре принятия решений.
В этой статье мы, как разработчик WMS INTEKEY, попробуем честно разобрать:
Как ИИ реально используется на складах за рубежом, без хайпа и «магической» риторики;
На каком этапе находится российская логистика;
С какими барьерами мы сталкиваемся;
И главное — что можно сделать уже сегодня, не дожидаясь «универсального ИИ для склада».
1. Мировой контекст: ИИ как новый индустриальный стандарт
За последние 10–15 лет склад из «большого помещения с людьми и техникой» превратился в киберфизическую систему. На уровне лидеров рынка — это связка:
данных (что происходит с заказами, запасами, оборудованием и людьми);
алгоритмов (от простой оптимизации до нейросетей);
физической инфраструктуры (конвейеры, сортировщики, роботы, сенсоры).
Если сильно упростить, ИИ и продвинутые алгоритмы работают вокруг трёх базовых вопросов:
Прогнозирование — что и когда понадобится клиентам.
Оптимизация — как лучше хранить и обрабатывать эти товары.
Исполнение — как физически перемещать людей, товары и технику.
Ниже — как это выглядит на практике.
1.1. Прогнозирование спроса с помощью ИИ: как модели учитывают контекст спроса в логистике
У крупных зарубежных игроков прогнозирование спроса давно вышло за рамки «берём прошлый год и умножаем на коэффициент». Это отдельный слой интеллекта над всей цепочкой поставок.
Модели учитывают не только историю продаж по каналам и регионам, но и:
Сезонность и праздники — от Черной пятницы до местных фестивалей;
Маркетинговую активность — акции, скидки, рекламные кампании, рассылки;
Погоду — жара, холод, снегопады напрямую влияют на спрос на многие категории;
Локальные события — матчи, концерты, городские праздники;
Онлайн‑поведение пользователей — просмотры, добавление в корзину, отказы, клики по промо.
У Amazon, Walmart, Alibaba и других лидеров масштабы здесь огромные: десятки и сотни миллионов активных клиентов, миллиарды заказов и событий в год, глубокая история по странам и категориям. На таком массиве данных можно строить достаточно точные краткосрочные прогнозы спроса (горизонт в дни и недели), которые:
Подсказывают, сколько и какого товара закупать и куда везти;
Позволяют заранее перераспределять запасы по сети фулфилмент‑центров;
Сглаживают пики — склад готовится к нагрузке до того, как она наступит.
Именно на этом уровне закладывается будущая эффективность склада. Если заранее видно, что в определённом регионе выстрелит спрос на конкретную группу SKU, можно подвести эти товары ближе к клиенту, не раздувая общий уровень запасов.
1.2. Оптимизация складской логистики с ИИ: где хранить товары и как обрабатывать заказы
Следующий уровень — оптимизация внутренних процессов склада. Здесь поверх WMS работают продвинутые алгоритмы и частично ML‑модели, которые решают задачи:
Slotting и зонирование: какие SKU должны лежать в «скоростных» зонах, какие — в глубоком хранении;
Формирование волн заказов (wave / waveless picking): как сгруппировать заказы, чтобы минимизировать пробеги;
Маршрутизация сборщиков: как пройти по складу так, чтобы собрать максимум строк за минимум шагов;
Балансировка нагрузки: как распределить заказы по зонам, сменам и ресурсам.
Здесь активно используются:
Классические задачи оптимизации и их приближенные решения (задача коммивояжёра, задача назначения, задача упаковки в контейнеры);
Эвристики, позволяющие находить «достаточно хороший» план за приемлемое время;
ML‑модели, которые подстраиваются под фактическое поведение склада: реальные скорости сотрудников, узкие места, влияние времени суток и сезона.
У Amazon и крупных 3PL это уже не «ручная настройка», а непрерывный процесс. По мере поступления новых заказов система пересчитывает волны и маршруты, а планировщик/логист больше выступает в роли режиссёра, который задаёт рамки и контролирует результат, а не в роли человека, который целый день двигает строки в Excel.
1.3. Роботы и предиктивная аналитика на складе: как ИИ управляет исполнением операций
Третий уровень — физическое исполнение: конвейеры, сортировочные линии, погрузчики, автономные мобильные роботы (AMR/AGV).
По открытым данным, В 2025-м году на складах Amazon работает уже более 1 млн роботов. Мобильные платформы перевозят стеллажи к людям, сортировщики раскладывают посылки по направлениям, роботизированные манипуляторы отбирают коробки.
Ключевое здесь — не сами роботы, а программный слой над ними:
Алгоритмы, которые распределяют задания между людьми и роботами;
Системы, которые строят и корректируют маршруты с учётом пробок и приоритетов;
Предиктивная аналитика для оборудования: сенсоры на конвейерах, сортировщиках и погрузчиках собирают данные о вибрации, нагрузках, температурах; ML‑модели оценивают риск отказа и подсказывают, когда стоит провести обслуживание, чтобы избежать простоя.
Это в свою очередь позволяет снижать количество незапланированных остановок, поддерживать стабильную производительность в пиковые периоды,разгружать людей от части тяжёлых и монотонных операций.
1.4. Компьютерное зрение в складской логистике: как ИИ делает склады умными
Отдельная ветка — компьютерное зрение (Computer Vision). Камеры и CV‑модели решают на складе несколько классов задач.
1. Учёт остатков и контроль размещения
Камеры на стеллажах, дронах или погрузчиках автоматически:
фиксируют наличие/отсутствие паллет в ячейках;
оценивают степень заполненности;
сверяют фактическое содержимое с данными WMS (по маркерам, формам, штрих‑кодам).
В ряде проектов в Европе и США дроны используются для ночной инвентаризации: они облетает стеллажи, снимают видео/фото, а алгоритмы распознавания объектов сверяют остатки с системой.
2. Контроль качества
CV‑модели детектируют:
повреждения упаковки;
деформации паллет;
неправильную укладку;
ошибки маркировки.
Чаще всего это ассистирующий режим: система подсвечивает возможную проблему, а оператор принимает финальное решение.
3. Безопасность и поведенческая аналитика
С помощью камер и CV отслеживаются:
использование СИЗ;
проникновение людей в опасные зоны;
перекрёстные маршруты погрузчиков и пешего персонала;
места, где регулярно возникают «пробки».
Это помогает не только снижать травматизм, но и находить узкие места в логистике внутри склада.
2. ИИ в российской логистике: этап прагматичного пилотирования
На этом фоне российский рынок выглядит не «отсталым по технологиям», а находящимся на другой стадии зрелости.
У нас есть:
Достаточно развитый рынок WMS и автоматизации (по оценке TAdviser объем рынка на 2024 год от ₽5,2 млрд);
Первые внедрения CV, предиктивной аналитики, робототехники;
Растущий интерес к ИИ со стороны крупных ритейлеров и 3PL.
Но массовых примеров «складов уровня Amazon» нет. Российский рынок складской логистики сейчас проходит стадию прагматичного освоения ИИ: вместо того чтобы сразу бросаться в сложные нейросети и полностью автономные сценарии, компании выбирают точечные, понятные по эффекту проекты.
Какие решения ИИ уже внедряются на российских складах сегодня
Умное зонирование и пополнение.
Это не deep learning, а продвинутые алгоритмы и эвристики, которые:
Используют оборачиваемость, вес, габариты, сезонность, совместную встречаемость SKU;
Рекомендуют оптимальные зоны размещения и пороги пополнения;
Дают до 80 % потенциального эффекта по сокращению пробегов и ускорению отбора, при этом:
а) логика работы прозрачно объяснима;
б) правила можно настраивать под бизнес.
Оптимизация маршрутов сборки (Wave Picking).
Классические задачи:
Группировка заказов в волны;
Минимизация пробега по складу;
Учёт ограничений по весу, объёму, приоритетам.
Практически в любой современной WMS (включая INTEKEY) уже есть модули оптимизации маршрутов и формирования волн. Это математика и алгоритмы, а не нейросети, но эффект для бизнеса — вполне «ИИ-подобный»: меньше километров, быстрее отбор, выше пропускная способность.
Простой предиктивный анализ.
Используются временные ряды и классические ML‑подходы для:
Прогноза пиковых нагрузок (НГ, Чёрная пятница, сезонные распродажи);
Планирования смен и привлечения временного персонала;
Выравнивания нагрузки между участками.
Это не «магия», а здравый способ использовать накопленную статистику.
Почему это работает
Главное достоинство этих решений:
Они решают конкретные задачи (сборка, размещение, планирование персонала);
Дают осязаемый ROI;
Не требуют радикальной перестройки склада;
Понятны и контролируемы.
Это прагматичный путь: алгоритмы и «лёгкий» интеллект сначала доказывают свою ценность в понятных бизнес‑сценариях, подготавливая почву для более серьёзных внедрений.
3. Почему в России нет своего «Amazon Robotics»
Формально технологии доступны. Почему же у нас нет массовых аналогов «полностью умных» складов?
1. Данные: качество и объём
Во многих компаниях логистическая картина разорвана: что‑то хранится в 1С, что‑то живёт в Excel и разных самописных утилитах, а часть информации вообще нигде нормально не фиксируется и существует только «в головах» сотрудников или в мессенджерах.
Вдобавок много ручных корректировок, нет единой структуры. Для нейросетей это означает одно: нечего и не на чем учиться без серьёзной предварительной работы по data-инженерии.
При этом крупные наборы данных есть у ограниченного числа игроков — больших ритейлеров и маркетплейсов. Средний бизнес располагает меньшими объёмами и более фрагментированными данными.
2. Инфраструктура и капзатраты
Чтобы довести склад до уровня высокоавтоматизированного центра:
нужно оснастить его датчиками и камерами;
обновить парк техники;
обеспечить надёжную сетевую и серверную инфраструктуру;
глубоко интегрировать WMS, TMS, ERP.
Для Amazon подобные вложения окупаются на масштабе глобальной сети. Для одиночного склада или небольшой сети в России это часто выглядит слишком дорогим и рискованным проектом.
3. Культура принятия решений и ожидания по окупаемости
В российской практике к инвестициям в технологии часто подходят с очень жёсткой планкой: проект должен отбиться за два–три года, иначе к нему изначально относятся с недоверием. Любые долгие и рискованные инициативы, где результат сложно гарантировать, стараются либо сильно урезать, либо вовсе отложить.
На этом фоне внедрение «тяжёлого» ИИ выглядит подозрительно: нужно долго готовить данные, перестраивать процессы, собирать команду, а ощутимый эффект приходит не сразу и есть риск получить красивый R&D без понятного выхлопа. Поэтому большинство компаний вполне рационально выбирают не абстрактную «большую нейросеть ради нейросети», а понятные алгоритмы с прозрачно измеримым эффектом.
4. Кадровый разрыв
Для того чтобы ИИ на складе действительно работал, нужны люди на стыке нескольких миров: они одновременно понимают логику и ограничения складских процессов, разбираются в математике и data science и уверенно чувствуют себя в промышленном ПО и его эксплуатации.
Таких специалистов на рынке немного, и именно из‑за этого часто возникают разрывы:
data‑команды не до конца понимают, как живёт реальный склад и какие ограничения там непреложны,
логисты с трудом формализуют свои задачи в виде моделей и критериев оптимизации,
а проекты с ИИ застревают в стадии бесконечных пилотов, так и не доходя до стабильной продуктивной эксплуатации.
5. Консерватизм и риск‑менеджмент
Склад — критичная часть цепочки поставок. Любой сбой портит клиентский опыт, срывает контракты и SLA, бьёт по деньгам и репутации.
Пока уровень доверия к ИИ в критичных зонах низкий, естественная позиция — не отдавать управление «чёрному ящику», а использовать ИИ и алгоритмы как помощников, а не командиров.
4. Путь INTEKEY к умному складу: от алгоритмов в WMS к ассистирующему искусственному интеллекту
В INTEKEY мы исходим из того, что путь к умному складу — это не скачок, а постепенное движение:
Автоматизировать и дисциплинировать процессы.
Без этого нет качественных данных, а без данных любой ИИ превращается в гадалку.Внедрить оптимизационные алгоритмы.
Эвристики и математика для зонирования, пополнения, маршрутизации — это уже +X % к эффективности без лишнего риска.Добавить слой ассистирующего ИИ.
Модели помогают людям принимать решения, а не подменяют их.И только затем — обсуждать автономные сценарии.
На зрелых складах, с чистыми данными и понятными рисками.
Сейчас наша ключевая ставка — AI‑ассистенты, которые усиливают экспертизу операторов и логистов.
4.1. AI‑ассистент для работы с WMS
Мы сейчас делаем для INTEKEY не «очередную справку к WMS», а по сути отдельного цифрового напарника для оператора. Это модель, которую мы “кормим” всей нашей документацией, регламентами, описаниями операций, типовыми кейсами и накопленными лучшими практиками по работе с INTEKEY WMS.
Задача этого ассистента проста: быть рядом в тот момент, когда оператору нужно принять решение и он не уверен, как правильно. Сложная операция, редкий сценарий, нестандартная ситуация — вместо того чтобы лезть в толстый регламент или ловить по рации супервайзера, человек задаёт вопрос ассистенту и получает пошаговую подсказку: что нажать, в каком порядке оформить, какие статусы проставить. Если нужно найти конкретный пункт инструкции, ассистент не заставляет листать PDF — он сразу выдаёт нужный фрагмент и объясняет, как это применить «здесь и сейчас».
По сути, это не попытка заменить обучение, а постоянный цифровой наставник. Новички с ним быстрее выходят «в поле»: меньше боятся сделать что‑то не так и реже срывают процесс из‑за незнания. Опытным сотрудникам проще разбираться с редкими, нестандартными случаями, которые не встречаются каждый день. А у службы поддержки и супервайзеров снимается часть рутинной нагрузки — им не нужно по десять раз за смену отвечать на одни и те же вопросы, потому что на передовой уже есть ассистент, который знает WMS не хуже методиста.
4.2. AI‑советник по оптимизации склада
Второе направление — это уже ассистент не для операторов, а для тех, кто управляет складом: логистов и операционных менеджеров. Мы делаем для них инструмент, который постоянно «переваривает» всё, что происходит на складе: остатки, оборачиваемость по SKU, фактические маршруты и плечи, историю заказов, сезонные всплески, плюс внешние факторы вроде погоды или крупных событий.
Дальше ассистент не «берёт склад под контроль», а аккуратно предлагает идеи для оптимизации. Он формирует рекомендации в формате понятных подсказок, а не чёрного ящика. Например:
«SKU A‑123 показывает устойчивый рост оборачиваемости за последние 2 недели.
Имеет смысл рассмотреть его перенос в зону скоростного отбора, чтобы сократить трудозатраты.»
Или:
«В ближайшие выходные ожидается пик по группе X, по прошлым периодам — +30–40 % к обычному уровню.
Рекомендуем заранее проверить заполненность ячеек отбора и график смен.»
При этом принцип для нас принципиален: финальное решение всегда за человеком. Ассистент предлагает, логист оценивает и утверждает или отклоняет.
Такой режим даёт несколько плюсов одновременно: не нужно ломать существующие процессы и «отдавать склад на откуп ИИ», доверие к рекомендациям формируется постепенно — по мере того как люди видят, что подсказки действительно попадают в болевые точки, — а нагрузка на ключевых специалистов снижается: часть рутины по анализу данных и поиску узких мест за них берёт на себя ассистент, но стратегический контроль остаётся в их руках.
4.3. Кейс: оптимизация пополнения ячеек отбора
Один из наших R&D‑проектов — это алгоритм, который берёт на себя «головную боль» по пополнению ячеек отбора.
Раньше всё было по‑классике: жёстко заданные вручную правила, срабатывание по простым порогам, никакой гибкости. В результате система дёргалась: то «горячие» ячейки оказывались переполнены, то пополнение приходилось делать в самый неудобный момент.
Сейчас мы двигаемся к другой картине. Алгоритм в реальном времени смотрит на склад не как на набор порогов, а как на живую систему. Он учитывает текущий остаток и фактическую скорость отбора по каждой ячейке, сезонность и ожидаемые пики, вес и габариты SKU, их «соседство» в заказах (что часто берут вместе), загруженность конкретных зон и доступность техники.
На основе этого он не просто говорит «пора пополнить», а формирует для кладовщика понятный, ранжированный список задач. В духе:
«В первую очередь имеет смысл пополнить ячейки 1, 5 и 7»;
«Для ячейки 1 оптимален SKU B‑456 со стеллажа 15‑А‑4».
То есть человек видит не абстрактный сигнал, а конкретный план действий.
Эффект такой настройки довольно ощутим: меньше времени уходит на раздумья и прикидку маршрута пополнения, оборачиваемость ячеек растёт, техника делает меньше лишних кругов по складу. И при этом важный для нас принцип сохраняется: человек остаётся в контуре управления. Алгоритм даёт рекомендации и приоритизирует задачи, а сотрудник выбирает, в каком порядке их выполнять, и подтверждает решения.
4.4. Наши R&D‑эксперименты
Мы продолжаем эксперименты в области ассистирующего интеллекта:
Компьютерное зрение на приёмке: модель подсвечивает возможные повреждения упаковки или несоответствия, но не принимает решение об отказе от приёмки;
Парсинг открытых данных (погода, события, инфоповоды) для улучшения прогноза спроса: результаты используются как дополнительный фактор, а не единственный источник истины.
5. Будущее ИИ в складской логистике: как готовиться к умным складам уже сегодня
Глобальный тренд ясен: склады становятся всё более автономными и управляемыми данными.
Российский путь, на наш взгляд, — гибридный интеллект:
ИИ усиливает людей, а не подменяет их;
Алгоритмы сначала помогают, а потом постепенно берут на себя рутину;
Компании шаг за шагом наводят порядок в данных и процессах.
Ждать «идеального ИИ для склада», который однажды придёт и всё исправит, бессмысленно. Реальный эффект можно получать уже сейчас:
Внедряя WMS и дисциплинируя данные;
Используя продвинутые алгоритмы зонирования, пополнения и маршрутизации;
Подключая ассистирующие модели для операторов и логистов.
Именно под это мы развиваем архитектуру INTEKEY WMS: чтобы в момент, когда ИИ станет массовым стандартом и по‑настоящему надёжным инструментом, наши клиенты были к этому готовы не на словах, а по факту своих процессов и данных.
Поделитесь в комментариях, какие задачи вы уже автоматизировали и где видите потенциал для ИИ на своём складе. Чем больше у нас будет честных практических кейсов, тем быстрее рынок уйдёт от шума вокруг «волшебных нейросетей» к работающим решениям.