Из офлайна в Сколково, или как мы удвоили оборот логистической компании

На форуме OpenAI Making AI Work For Everyone профессор Стэнфорда Эрик Бринйолфссон сказал, что нужно измерять не то, насколько AI лучше или хуже человека, а как он дополняет человека в его мечтах и задачах.

Что бывает, когда AI внедряют ради замены, а не усиления, показал кейс шведской Klarna. В 2024 году компания запустила чат‑бота, который «заменил 700 операторов». К середине 2025 CEO Себастьян Семятковски публично признал: курс на радикальные сокращения ударил по сервису и репутации. Теперь Klarna возвращает людей обратно. Как масштабировать бизнес через AI, сохранив команду, расскажу на примере кейса Falcone — агрегатора доставки для селлеров маркетплейсов.

Исходная ситуация — Uber для грузов, Excel для процессов

Компания — по сути, Uber для грузоперевозок. До цифровизации Falcone была классической логистической службой:

• рейсы строились вручную;
• логисты работали в чатах;
• маршруты пересобирались «на глаз» и не были оптимальными.

Также учитываем общерыночные вызовы: до 20% бюджета съедают ручные, несвязанные процессы, 80% микрофлотов простаивают и ездят полупустыми, только 30% оборота в «белой» зоне.

Что автоматизировали

Сегодня система опирается на комбинацию алгоритмов и нейросети. Учитываются точки загрузки и выгрузки, объём и тип груза, вместимость автомобиля, пробки, рейтинг водителя и сотни других параметров.

Маршрутизатор подбирает схему загрузки так, чтобы почти полностью убрать пустой объём. Он строит и корректирует цепочку рейсов быстрее, чем за минуту, это сокращает расход топлива, простои и штрафы и экономит около пятой части логистического бюджета селлера.

Проект решил сразу несколько задач:

• один водитель начал перевозить 5–10 заказов за раз — максимум товара на рейсе без лишних машин;
• маршруты стали пересчитываться автоматически и в реальном времени;
• стоимость доставки снизилась для селлеров не за счет маржи, а за счет оптимизации;
• логисты перестали быть «ручным контроллером» каждого рейса;
• автоматизировано формирование финансовых документов.

Если раньше один специалист мог вести около восьми рейсов в день, то алгоритм одновременно контролирует десятки маршрутов, подсвечивая человеку только отклонения. Теперь логист может вести 100 и более рейсов в день.

Полевые заметки: что работает, а что — нет

Внедрение AI:

1. Чтобы AI не стал врагом народа, сотрудникам нужно подробно разъяснить цели его интеграции — это инструмент для помощи, а не замены. Тогда они будут соавторами изменений, а не противниками.
2. Внедряйте, когда есть, что автоматизировать, а не ради внедрения как такового — автоматизацию примут как помощь.
3. Запускайте микропилоты на 1–2 недели. Начните с одной узкой задачи (например, оптимизация маршрута) и сразу измеряйте эффект.
4. Делайте «песочницу», чтобы избежать страх неизвестного у специалистов. Дайте им возможность проверять там решения, отмечать ошибки, дообучать систему через human‑in‑the‑loop и reinforcement learning.

Команда разработки ездила с водителями и интервьюировала их.

Наши UX‑находки:

1. Интерфейс для водителей должен быть предельно простым. Внимание водителя делится между дорогой и телефоном. Любая лишняя кнопка — риск. К тому же сложные интерфейсы оказались непривычны.
2. Водители используют разные устройства, но неожиданно — чаще встречаются iPhone. Это повлияло на приоритеты разработки.
3. На складах маркетплейсов часто нет стабильного интернета, поэтому часть сценариев мы реализуем офлайн.
4. Водителям критично видеть не «обещанный доход», а чистую экономику рейса — сколько он потратил топлива, сколько проехал километров, сколько заработал.

Результат