Маршрутизация доставки: ИИ в 1С:TMS сокращает опоздания рейсов

Компания возила заказы своими машинами и наёмным транспортом: заявки приходили в учёт, рейсы собирались логистом, окна доставки согласовывались с клиентами. План был, но жил он ровно до первого сбоя: машина задержалась под погрузкой, клиент не принял в окно, водитель ушёл на второй круг — и логист переклеивал рейсы руками, обзванивая клиентов. Опоздания при этом объяснялись, но не измерялись. Ниже — как эту задержку закрывает ИИ-агент: программа, которая по заданному правилу собирает рейсы с учётом ограничений и пересобирает маршрут, когда что-то сорвалось. Первый эффект здесь — риски, которые перестают срабатывать: опоздания в окно, простои под погрузкой, пустой пробег, штрафы за нарушение окон и авральная пересборка плана в конце дня. Часы идут вторым планом и считаются отдельно.

Опоздание рейса — это не только недовольный клиент. Это штраф за нарушение окна, это потерянная машина на следующие рейсы, это сверхурочные водителя и это звонок клиента в тот момент, когда логист уже строит план на завтра. Опоздания складываются: один сдвинутый рейс тянет за собой следующий, и к концу дня план отличается от факта настолько, что планировать по нему уже нельзя.

И это общая точка роста, а не частный случай. X5 Group, раскрыв экономический эффект от ИИ-решений, указала, что по итогам 2025 года он составил около 5 млрд рублей дополнительной операционной прибыли, и прямо назвала логистику одним из направлений промышленного применения: технология применялась «от коммерции и логистики до клиентского опыта и корпоративных функций». Это цифра одного игрока с выручкой около 4 трлн рублей — переносить её на средний бизнес нельзя, но направление названо рабочей практикой, а не экспериментом.

Рынок инструментов растёт вместе с этим. По исследованию рынка больших данных и искусственного интеллекта, которое Ассоциация больших данных провела совместно с группой компаний Б1 и TAdviser (ноябрь 2025 года), объём рынка в 2024 году составил 433 млрд рублей с ростом 33% к 2023 году, а ИИ-решения в сегменте программного обеспечения показали наиболее высокую динамику — плюс 39% за 2023–2024 годы. Это рынок технологий, а не эффект отдельной компании: он говорит лишь о том, что инструменты стали доступны.

Коротко

ИИ-агент читает заявки, окна доставки, данные о машинах, водителях и перевозчиках из системы управления перевозками и учёта, собирает рейсы с учётом ограничений — грузоподъёмность, время погрузки, окно приёмки у клиента — и пересобирает план, когда рейс сорвался. На выходе логист получает готовый план и объяснение, почему позиции распределены именно так. Решение по спорным клиентам и приоритетам остаётся за человеком.

Содержание

• Почему опоздания видны постфактум, а не в плане
• Что съедает время между «рейс сорвался» и «план пересобран»
• Что делает ИИ-агент поверх системы управления перевозками
• Какие риски это снимает
• Сколько часов это возвращает
• Что остаётся за человеком
• Как это выглядит на практике
• Как внедрить поэтапно
• Источники

Почему опоздания видны постфактум, а не в плане

План рейсов отвечает на вопрос «кто куда едет», а решение требует ответа на другой вопрос: «успеет ли он в окно и что будет, если нет». Между этими вопросами и живёт задержка.

Причина первая — ограничения живут в голове логиста. Сколько занимает разгрузка у конкретного клиента, где узкий двор, кто принимает только до обеда — это знание есть, но оно не в данных. Значит, в план оно не попадает, и ошибка воспроизводится каждый раз.

Причина вторая — фактические времена не собираются. Когда погрузка заканчивается в 9:40 вместо 9:00, это нигде не остаётся. Поэтому на разборе никто не может сказать, где именно теряется час: в погрузке, в дороге или в приёмке.

Причина третья — пересборка делается вручную и в момент стресса. Сбой рейса случается в течение дня, и пересборкой занимается тот же логист, что и планировал: у него нет времени считать варианты, он выбирает первое рабочее решение. Обычно оно дороже: лишние километры, второй круг, сверхурочные.

Причина четвёртая — у опоздания нет общей метрики. «Мы почти всегда успеваем» и «клиенты жалуются» — это две разные картины, и пока нет цифры по доле рейсов в окно, спор о причинах не заканчивается.

Что съедает время между «рейс сорвался» и «план пересобран»

Если разложить путь от сбоя до пересобранного плана, картина повторяется:

• Сбор заявок и ограничений. Что везём, куда, в какое окно, чем принимают, сколько разгружают. Данные есть в заявках, но ограничения приёмки обычно в переписке.
• Сборка рейсов. Какие заказы объединить в рейс, в каком порядке, на какой машине. Это задача с ограничениями, и вручную она решается «по опыту».
• Проверка загрузки. Грузоподъёмность, объём, совместимость грузов, количество точек. Ошибка видна уже в процессе погрузки.
• Пересборка при сбое. Один рейс выбился — надо тронуть соседние, обзвонить клиентов, изменить порядок.
• Согласование окон. Перенести окно можно только с согласия клиента: это звонок, а не изменение в системе.
• Фиксация факта. Когда машина реально пришла и ушла — по этим данным потом считают опоздания и простои.
• Разбор дня. Что сломалось и почему. Обычно не делается: день закончился, завтра новый план.

Каждый пункт выглядит мелочью, вместе они дают ту самую задержку: к моменту, когда план пересобран, часть рейсов уже потеряла смысл.

Что делает ИИ-агент поверх системы управления перевозками

Агент не заменяет систему и не ведёт машину. Он подключается к тому, что уже работает, и возвращает результат туда же.

1. Читает заявки и окна. Что везём, куда, в какое время клиент принимает и с какими ограничениями.
2. Читает ресурсы. Машины, водители, перевозчики: грузоподъёмность, доступность, смены. Решения класса TMS рассчитаны и на привлечённый транспорт: «1С:Предприятие 8. TMS Логистика. Управление перевозками», по описанию вендора, предназначено для планирования сборных, комплектных и мультимодальных грузоперевозок с использованием привлечённого транспорта и доставки «последней мили».
3. Собирает рейсы. С учётом ограничений: вместимость, совместимость грузов, время погрузки, окно приёмки, порядок точек.
4. Считает риск опоздания. Оценка по каждому рейсу: успевает или нет, и на чём основана оценка.
5. Пересобирает при сбое. Сдвинулся рейс — агент предлагает, как перераспределить заказы, чтобы потери были минимальны.
6. Показывает факт и отклонения. Где рейс вышел из окна, где простой под погрузкой, где пустой пробег.
7. Ведёт журнал. Любой вывод объясним: какие ограничения учтены, почему заказ попал в этот рейс.

Меняется не учёт, а горизонт: опоздание видно в момент планирования, а не по звонку клиента, и пересборка занимает минуты вместо конца дня. Строить транспортный контур заново не нужно. «1С:Предприятие 8. TMS Логистика. Управление перевозками», по описанию вендора, автоматизирует бизнес-процессы транспортной логистики в компаниях, занимающихся перевозкой грузов разными видами транспорта. Рядом работают специализированные платформы: LEAD TMS помогает управлять собственным и наёмным транспортом, водителями и курьерами и планировать рейсы по маршрутам, AXELOT развивает направление управления перевозками и двором, Solvo включает TMS в линейку систем автоматизации логистики. Это вендорские описания своих продуктов, а не независимое сравнение: смысл в том, что агент подключается к уже имеющемуся контуру.

Какие риски это снимает

Экономия часов — не главный аргумент. Ставка выше: опоздание рейса оплачивается деньгами и отношениями с клиентом.

Штрафы за нарушение окна доставки

Многие договоры содержат окно приёмки и штраф за его нарушение: простой машины, отказ в приёмке, повторный выезд. Это прямые деньги, и они тем больше, чем позже опоздание замечено.

Простой под погрузкой

Машина, стоящая у рампы, не зарабатывает и тянет за собой следующий рейс. Простой не видно в отчёте о доставке: он видно только в сопоставлении планового и фактического времени погрузки.

Пустой пробег и лишние километры

Сборка рейсов вручную почти всегда даёт перепробег: заказы объединяются «как удобно помнить», а не «как короче маршрут». Каждый лишний километр — топливо, время водителя и сдвиг следующих точек.

Авральная пересборка в конце дня

Сбой рейса приводит к ручной переклейке плана, при этом часть клиентов обзванивается постфактум. Чем позже пересборка, тем дороже каждое изменение.

Решения «по памяти» вместо правил

Пока ограничения клиентов живут в голове логиста, замена или отпуск одного человека ломает качество планирования; ошибки повторяются, потому что не фиксируются.

Спор о причинах опозданий без данных

«Мы выехали вовремя, это у клиента не приняли» против «машина пришла в 11:40 вместо 10:00» — этот разговор заканчивается, когда у обеих сторон одинаковые фактические времена по рейсу.

Сколько часов это возвращает

Часы — следствие. Но их полезно посчитать, чтобы понимать масштаб: ниже типовой расчёт для контура в 120 рейсов в неделю и 25 машин. Вводные берите свои — методика не меняется.

Показатель	Вручную	С агентом
Рейсов в неделю	120	120
Сборка плана рейсов	14 часов в неделю	4 часа (проверка плана)
Пересборка при сбоях	8 часов в неделю	4 часа (решения по спорным клиентам)
Разбор опозданий и простоев	5 часов в неделю	2 часа
Всего в неделю	27 часов	10 часов
Всего в месяц	108 часов	40 часов
Возвращённое время	—	68 часов в месяц
В деньгах при стоимости часа 1 300 ₽	—	88 400 ₽ в месяц

Арифметика открытая: 14 + 8 + 5 = 27 часов в неделю, то есть около 108 часов в месяц. С агентом логист не собирает рейсы вручную и не переклеивает план под давлением, а проверяет предложение и решает спорные случаи: 4 + 4 + 2 = 10 часов в неделю, то есть 40 часов в месяц. Разница — 68 часов, больше полутора рабочих недель; при стоимости часа 1 300 рублей это 88 400 рублей в месяц. Формулировка «типовой расчёт» здесь принципиальна: это математика на заявленных вводных, а не замер чужого результата. Отдельно считается эффект от сокращения перепробега и штрафов — он зависит от ваших расстояний и условий договоров.

Что остаётся за человеком

Границу ответственности нужно задать до пилота, а не после первого срыва окна:

• Приоритет клиентов — решение человека. Кого обслужить первым, когда рейсов не хватает, — коммерческое решение, а не оптимизация.
• Права менять заказы у агента отсутствуют. Он не переносит окна, не отменяет заказы и не назначает перевозчиков: только план и предложения.
• Ограничения задаёт человек. Окна, длительности разгрузки, штрафы, вместимость машин — это настройки, а не вывод модели.
• Разговор с клиентом — за человеком. Перенос окна согласует менеджер, а не система.
• Полный журнал. Любой вывод объясним: какие ограничения учтены и почему заказ попал в конкретный рейс.
• Квалификация причин — за специалистом. Агент показывает фактические времена; причину (задержка на складе, ДТП, отказ в приёмке) определяет человек.

Такая рамка снимает главный страх при внедрении: система не получает права распоряжаться заказами, она получает право планировать и предупреждать.

Как это выглядит на практике

В проектах, где мы начинали с доставки, первый шаг почти всегда один и тот же: инвентаризация данных, а не внедрение агента. Мы сверяли, что реально живёт в системе, а что — в блокноте логиста: где окна доставки не занесены, где фактическое время погрузки никто не фиксирует, где одна и та же точка существует под двумя адресами. Затем фиксировали правила планирования и вводили регулярный цикл «план → факт по рейсу → разбор отклонений → правка правил» с горизонтом в одну неделю. Запрос со стороны бизнеса был именно про окна: «мы узнаём об опоздании, когда клиент звонит». Контрольный срез показал, что часть данных уже пригодна для расчёта, а часть потребовала донастройки справочников точек и правил по времени разгрузки — и основной эффект дали именно эти донастройки: исчезла работа по восстановлению контекста, на которую уходила большая часть времени. Набор систем в том проекте был другим, но принцип тот же: данные уже есть, не хватает слоя, который собирает рейсы по правилам и считает риск опоздания.

Практический вывод: начинать нужно не с агента, а с правила «какие ограничения мы считаем обязательными и что делаем, когда рейс из окна выбился». Пока это правило не зафиксировано, автоматизация будет просто быстрее собирать план, который всё равно ломается к обеду. Как устроен такой контур в целом, мы разбирали в материалах про ИИ-агента для 1С и про диспетчеризацию производства — логика пересборки плана при сбое там та же, только вместо станков машины. Смежные задачи разобраны в статьях про прогнозирование спроса и управление остатками на складе, а если учёт ведётся без системы, поможет шаблон складского учёта в Excel.

Как внедрить поэтапно

1. Выберите одно направление и один день. Одно направление доставки даёт быстрый и проверяемый результат. Пилот сразу по всем маршрутам почти всегда превращается в долгий проект.
2. Зафиксируйте правила планирования. Какие ограничения обязательны (окна, вместимость, время погрузки), какие приоритеты у клиентов и что делаем при сбое.
3. Опишите контур данных. Что агент читает (заявки, окна, машины, водители, перевозчики) и куда возвращает план — рядом с рабочим местом логиста, а не в отдельном файле.
4. Прогоните агента на закрытых днях. Так появляется эталон: известно, где рейсы действительно выбились из окон и как их пересобирали, — и видно, что агент пропустил.
5. Ограничьте права явно. Чтение, расчёт, план и предложения. Без права менять заказы, окна и назначать перевозчиков.
6. Померьте пять чисел. Доля рейсов в окно, среднее опоздание, простой под погрузкой, пустой пробег и часы логиста на план. Именно они, а не презентация, — основание расширять пилот на следующее направление. Общая логика внедрения по шагам разобрана в статье Нейросети для бизнес-процессов.

Разбор самой системы и того, что в ней можно автоматизировать, — в отдельном материале: 1С:WMS: управление складом и что автоматизирует ИИ-агент.

Что в итоге

Опоздания ломаются не на учёте рейсов, а на задержке: заявки есть, но ограничения клиентов не в данных, план есть, но фактические времена никто не собирает, сбой есть, но пересборка делается вручную и в конце дня. Пока это так, компания платит рисками: штрафами за нарушение окон, простоями под погрузкой, пустым пробегом, авральной пересборкой плана и спором о причинах опозданий без общих цифр. Показательно, что направление уже названо рабочей практикой на уровне крупного игрока: X5 Group по итогам 2025 года раскрыла около 5 млрд рублей дополнительной операционной прибыли от ИИ-решений и прямо указала логистику среди направлений промышленного применения. Агент поверх системы управления перевозками закрывает задержку между «рейс сорвался» и «план пересобран», оставляя человеку приоритеты клиентов, разговор с клиентом и решение по спорным рейсам. Если хотите понять, где ваш контур доставки теряет время, начните с одного направления и одного дня. Как выбирают решения по цифрам в целом, разобрано в статье ИИ для руководителя, а общий отраслевой контекст собран в разделе ИИ в логистике.

Источники

• X5 Group, пресс-релиз «ИИ-решения принесли X5 5 млрд рублей дополнительной операционной прибыли» (01.06.2026): совокупный экономический эффект от внедрения ИИ-решений — около 5 млрд рублей дополнительной операционной прибыли по итогам 2025 года; в течение 2025 года компания начала промышленное применение ИИ в ряде направлений — от коммерции и логистики до клиентского опыта и корпоративных функций; контур AI Core X5 переводит модели и агентные сценарии из пилотов в промышленное применение: x5.ru
• Ассоциация больших данных, группа компаний Б1 и TAdviser, первое исследование российского рынка больших данных и искусственного интеллекта (ноябрь 2025 года): объём рынка в 2024 году — 433 млрд рублей, рост 33% к 2023 году; ИИ-решения в сегменте программного обеспечения — плюс 39% за 2023–2024 годы: b1.ru
• «1С», описание решения «1С:Предприятие 8. TMS Логистика. Управление перевозками»: отраслевое решение для автоматизации бизнес-процессов транспортной логистики в компаниях, занимающихся перевозкой грузов различными видами транспорта; назначение — планирование сборных, комплектных и мультимодальных грузоперевозок с использованием привлечённого транспорта, а также доставки «последней мили» (городская доставка): solutions.1c.ru
• LEAD TMS, сайт вендора: система управления транспортом и перевозками, комплексная автоматизация транспортной логистики — управление собственным и наёмным транспортом, водителями и курьерами, планирование рейсов доставки по маршрутам, предварительный расчёт стоимости и сроков доставки, экономика рейсов. Вендорские материалы, функции не проверялись: leadtms.ru
• AXELOT, сайт вендора: направление управления перевозками и двором (YMS), решения для автоматизации логистики; в числе материалов — кейс внедрения AXELOT YMS в «Торговом доме ММК» с отслеживанием времени погрузки. Вендорские материалы, функции и результаты не проверялись: axelot.ru
• «СОЛВО», сайт вендора: системы автоматизации логистики, включая TMS (Transportation Management System, система управления транспортом), WMS (Warehouse Management System, система управления складом), TOS (Terminal Operating System, система управления терминалом) и YMS (Yard Management System, управление двором); вендорское заявление о том, что TOS вендора обрабатывает более 45% морского контейнерооборота страны. Вендорские материалы и вендорская цифра, независимо не проверялись: solvo.ru
• IBM, обзорная статья об искусственном интеллекте в цепочках поставок: направления применения ИИ в supply chain (цепочках поставок), включая логистику и планирование поставок; использована как зарубежный референс общего характера: ibm.com