Odolná logistika potrebuje AI, ktorá rozumie prevádzke
Agenti umelej inteligencie prinášajú do vývoja plánovacích nástrojov vyššie tempo. Pre priemyselnú logistiku však samotná rýchlosť vývoja nestačí. Odolnejšia prevádzka vznikne až vtedy, keď digitálny model zachytí obmedzenia, ktoré rozhodujú o uskutočniteľnosti trasy v teréne.
Prieskum spoločnosti Kardinal, realizovaný od 1. júla do 8. septembra 2026, ukázal, že 35 % oslovených vývojárov, CTO a technických lídrov používa agenta AI denne. Ďalších 23 % ho využíva príležitostne. Najčastejšie spomínali Claude Code, pred GitHub Copilotom, pričom tímy často kombinujú viacero riešení.
Teoretické optimum nemusí fungovať v praxi
Rozpor medzi plánovanou trasou a skutočnými podmienkami uviedlo ako najväčšiu výzvu 56 % respondentov. Výkon a čas výpočtu nasledujú so 47 %, meniace sa obchodné požiadavky so 43 %. Pre 39 % účastníkov je navyše ťažké overiť, či je výsledná trasa skutočne kvalitná.
Pri digitalizácii priemyslu to znamená, že algoritmus musí pracovať s viac než vzdialenosťou a časom. Dôležité sú časové okná, prístup k nakladacím rampám, chladiarenská preprava aj správanie konkrétnych zákazníkov. Ak tieto údaje chýbajú, optimalizácia môže zvýšiť papierovú efektivitu, ale nie spoľahlivosť dodávok.
Interné riešenie má svoju cenu
Vlastný plánovací nástroj vyvinulo 56 % tímov. Tabuľky používa 31 % respondentov a rovnaký podiel hotový softvér alebo API. Kombinovanie technológií je bežné; takmer polovica tímov s interným vývojom používa ešte ďalšie riešenie.
Vlastníctvo systému však problém s realitou neodstraňuje. Nesúlad uvádza 51 % interných tímov a 50 % ostatných. Údržba je ďalšou záťažou: 35 % prevádzkovateľov hlási pravidelné práce a 18 % potrebuje výrazné kapacity vyčlenené na údržbu. Len 12 % opisuje nároky ako takmer zanedbateľné.
Pri rozhodovaní treba sledovať aj nákladovú predvídateľnosť. 65 % opýtaných výrazne odrádza absencia verejného cenníka, 26 % taký produkt vôbec neposúdi a 41 % sa obáva nekontrolovaného rastu výdavkov. Pre priemyselné podniky z toho vyplýva praktická priorita: hodnotiť kvalitu prevádzkového modelu rovnako prísne ako výkon optimalizačného jadra.
