AI a logisztikában – asszisztensből döntéshozó?

Hol tart most valójában az iparág?

A RELEX 2026 márciusában megjelent State of Supply Chain 2026 jelentése szerint a megkérdezett kereskedelmi és gyártóvállalati vezetők 67%-ának nőtt a bizalma az AI-val támogatott ellátásilánc-döntések iránt az előző évhez képest. Ugyanakkor 54%-uk azt szeretné, ha az AI javaslatokat adna, a végső döntést pedig az ember hozná meg. Kritikus ellátásilánc-döntéseket emberi felülvizsgálat nélkül mindössze 10% bízna rá. [1, 2]

Ez nem feltétlenül ellentmondás. Bízhatunk egy rendszer elemzésében úgy is, hogy bizonyos döntéseket továbbra is jóváhagyáshoz kötünk. Egy késésjelzés automatikus feldolgozása és egy ügyfélnek tett vállalás módosítása nem ugyanaz a felelősségi szint.

A cikkben idézett nemzetközi kutatások nem kifejezetten a magyar szállítmányozói piacot vizsgálják. Eredményeik fontos támpontok, de nem vetíthetők rá automatikusan a hazai vállalkozások működésére. [1, 3, 4]

Miért olyan nehéz átadni a döntést?

Mert egy logisztikai döntés ritkán csak számítás. Egy késő kamion mögött ott lehet a vevőnek tett ígéret, a megálló gyártósor, a sofőr pihenőideje vagy egy különleges rakodási feltétel. Ezeket egy rendszer is figyelembe veheti, de csak akkor, ha a szükséges információ rendelkezésére áll, naprakész és értelmezhető.

Az ORTEC 2026 januárjában közzétett felmérése az önállóbb feladatvégrehajtásra képes, úgynevezett ügynökalapú AI bevezetésének nehézségeire is rávilágít. A kutatásban akadályként jelenik meg a meglévő rendszerekhez való kapcsolódás, az adatminőség és a megfelelő belső szakértelem hiánya. A válaszadók az autonóm döntéshozatalhoz szükséges folyamatátalakítást is kiemelték. [3]

Ebből számunkra az következik, hogy nem elég egy okos eszközt bevezetni. Azt is tisztázni kell, milyen adatokból dolgozik, mire kap felhatalmazást, és mikor kell megállnia, majd emberi segítséget kérnie.

És ha mégis hiba történik? A partner nem az algoritmust hívja fel.

Egy késő kamion példája

Képzeljünk el egy helyzetet: autóipari alkatrészeket szállító jármű késése veszélyezteti a gyártást. Ez most szemléltető példa, nem egy konkrét ügyfél története.

A rendszer előre jelezhetné a késést, összevethetné a lehetséges megoldásokat, és javasolhatna átrakást egy másik járműre. A papíron gyorsabb megoldás azonban önmagában még nem elegendő.

Engedélyezett az átrakás? Az új jármű és a fuvarozó megfelel az áruval és az ügyféllel kapcsolatos követelményeknek? A megoldás a sofőr rendelkezésre álló idejével is végrehajtható? Ki hagyja jóvá a többletköltséget, és milyen új érkezési idő ígérhető felelősen?

Ebben a helyzetben az AI feladata lehetne az információk összegyűjtése és a lehetőségek előkészítése. A szolgáltatás módosítását és az új ügyfélvállalást viszont emberi mérlegeléshez és a szükséges jóváhagyásokhoz kötnénk.

Ahol az AI érdemben segíthet

A RELEX és az ORTEC felméréseiben az útvonaltervezés is megjelenik az AI alkalmazásának, illetve tervezett alkalmazásának fontos területeként. Ez azonban nem jelenti azt, hogy minden ilyen megoldás önálló döntéshozóként működik. [1, 3]

A fuvarszervezésben jó kiindulópont lehet az érkezési idők becslésének támogatása, a késéskockázatok jelzése vagy az eltérő megoldások összehasonlítása. A cél ilyenkor az, hogy a kolléga hamarabb észrevegye a problémát, és több ideje maradjon a megoldásra.

Szerintünk itt érdemes keresni az első valódi eredményeket: nem abban, hogy hány feladatra mondjuk rá, hogy AI, hanem abban, hogy mennyi időt takarítunk meg, milyen hibákat előzünk meg, és mennyivel megbízhatóbban tudjuk kiszolgálni a partnereinket.

A fokozatosság nem egyenlő a halogatással

A Gartner 2025 novemberében, 140 felső szintű ellátásilánc-vezető körében végzett, 2026 májusában közzétett felmérése szerint a vizsgált szervezetek 83%-a konkrét felhasználási esetekben alkalmazza az AI-t, vagy fokozatosan építi be az összekapcsolt folyamataiba. A kutatás a megfelelő adatok, a munkatársi felkészültség és a világos folyamatok fontosságát is hangsúlyozza. [4]

A fokozatos bevezetés tehát önmagában nem jelent lemaradást. Akkor van értelme, ha világos cél és mérhető előrelépés kapcsolódik hozzá.

Egy próbaüzemnél például azt vizsgálnánk: valóban korábban észleljük-e a késéseket, csökken-e az ellenőrzésre fordított idő, és mennyi téves jelzést kell kezelni. A rendszer hatáskörét csak az eredmények és a kockázatok ismeretében bővítenénk.

Átalakul, milyen szakértelemre van szükség

A Gartner 2026 júniusában publikált álláshirdetés-elemzése szerint az AI-készségeket igénylő ellátásilánc-pozíciók iránti kereslet 2023 első és 2026 első negyedéve között 387%-kal nőtt, vagyis közel ötszörösére emelkedett. [5]

Ez nem bizonyítja, hogy az automatizálás mellett összességében sem csökkenhet a munkaerőigény. Azt viszont jelzi, hogy növekszik a kereslet a logisztikai tudást és az AI használatához szükséges készségeket ötvöző szakemberek iránt. [5]

Számunkra ebből az következik, hogy a technológia mellett a kollégák fejlesztésére is figyelni kell. Nem elég elindítani egy programot: érteni kell a javaslatait, felismerni a hiányzó információt, és tudni, mikor szükséges felülbírálni az eredményét.

Az INCON-LOGISTIC nézőpontja

Az INCON-LOGISTIC számára a kérdés nem az, hogy használjunk-e okos eszközöket, hanem az, hogyan használjuk őket felelősen.

Szemléletünk szerint a technológia feladata, hogy csökkentse a rutinterheket, segítse a megalapozott döntéseket, és több figyelmet hagyjon a valóban fontos helyzetekre. Az automatizálás határait azonban mindig a feladat kockázatához kell igazítani.

Az ismétlődő, jól körülhatárolt feladatokban indokolt lehet nagyobb önállóságot adni a rendszernek. A kritikus ügyfélvállalások, a jelentős többletköltségek vagy az áru biztonságát érintő változtatások mögött viszont felkészült szakembereknek és egyértelmű felelősségnek kell állnia.

Nem az AI ellenében vagyunk emberközpontúak, hanem az AI tudatos használata mellett.

Tehát: asszisztensből döntéshozó?

Bizonyos feladatokban igen. De nem korlátlan felhatalmazással, és nem mindenhol egyszerre.

Mi azt tartjuk jó iránynak, ha a nagyobb önállóságot megbízható adatokhoz, kipróbált működéshez, követhető döntésekhez és tényleges beavatkozási lehetőséghez kötjük. Ahol a tét nagy, a helyzet egyedi vagy az információ bizonytalan, ott különösen fontos az emberi kontroll.

A jó kérdés ezért nem az, hogy mikor engedjük el teljesen a kormányt, hanem az, hogy melyik döntést, milyen feltételekkel és kinek a felelőssége mellett bízzuk a technológiára.