ИИ в управлении складом и WMS: умное размещение товаров, роботы и AI-инвентаризация

Среднестатистический склад работает с KPI комплектации ~100–150 строк в час на сотрудника. Склады с современной AI-автоматизацией: 300–500 строк в час. Разница — это либо меньше людей, либо больший объём при тех же затратах.

Кейс 1. Ocado Technology — полностью автоматизированный склад онлайн-продуктов

Инструменты

• Сеть из >1 000 роботов на «шахматной» сетке над складом
• Ocado Smart Platform (OSP) — AI-управление всей операцией
• ML-оптимизация расположения товаров (быстро-продаваемые ближе к выходу)
• Real-time маршрутизация роботов без коллизий

Что происходит

Ocado — британский онлайн-супермаркет — построил склады нового поколения. Роботы на сетке 600×300 ячеек движутся со скоростью 4 м/с, опускают корзины вниз и поднимают нужные товары. AI-диспетчер управляет тысячей роботов одновременно, строит маршруты без столкновений в реальном времени.

ML-оптимизация расположения: система анализирует продажи и автоматически перемещает популярные товары ближе к «выходу» (зоне комплектации). Молоко, хлеб, яйца — у края. Редкие специи — в глубине. Это снижает среднее расстояние робота за заказом.

Результаты

• Комплектация одного заказа из 50 позиций: <5 минут (vs 1–2 часа на традиционном складе)
• Точность комплектации: >99,9% (роботы не устают и не путают товары)
• Себестоимость обработки одного заказа: в 2 раза ниже, чем на лучших традиционных складах
• Ocado лицензирует технологию: Kroger (США), ICA (Швеция), Coles (Австралия)

Кейс 2. AI-WMS для среднего бизнеса: практика внедрения

Инструменты

• 1С:WMS с ML-модулем
• КЛАДР/WMS — российские решения
• AI-оптимизация путей комплектовщиков
• ML-прогноз спроса для управления запасами

Что происходит

Для склада 2 000–10 000 кв.м. полная роботизация à la Ocado не нужна и нереальна по бюджету. Но AI-оптимизация путей комплектовщика доступна уже сейчас.

Алгоритм решает «задачу коммивояжёра»: в каком порядке комплектовщику обойти ячейки, чтобы собрать заказ с минимальным пробегом? ML учитывает: расположение ячеек, текущие позиции других комплектовщиков (чтобы не столкнуться), приоритет заказов.

ML-прогноз спроса интегрирован в заказ у поставщиков: система сама предлагает, что и сколько заказать, на основе прогноза продаж следующих 2–4 недель.

Результаты

• Оптимизация маршрутов комплектовщика: экономия пути 25–35% на каждый заказ
• Время комплектации одного заказа: снижение на 20–30%
• Out-of-stock (нет товара при поступлении заказа): снижение на 40–60% с ML-прогнозом

Источники: Ocado Technology Annual Report 2023, 1С:WMS documentation, Gartner «Magic Quadrant for WMS 2024».