AI в складовата техника: защо лидерството е ключът

В логистиката има един детайл, който много екипи подценяват: складовата техника не е „разход“, а „система“. Ако я управляваш като списък от активи (мотокари, конвейери, шатъли, AMR-и), получаваш ремонти, престои и пожари за гасене. Ако я управляваш като система, получаваш предвидимост, капацитет и контрол на разходите.

Новината, че Kenco назначава Шон Уолингфорд да ръководи дивизията си за материално-обработваща техника (MHE), е точно от онези сигнали, които показват накъде отива индустрията. Компанията казва, че това направление е нараснало над 4 пъти от 2022 г. и вече предлага „Automation Guidance“ – консултативна рамка за планиране, внедряване и поддръжка на автоматизация върху съществуваща инфраструктура. Това не е просто HR новина. Това е стратегия за операционна трансформация.

А най-интересната част за серията „Изкуствен интелект в логистиката и транспорта“ е следната: когато една 3PL организация структурира MHE като отделен двигател за растеж, AI става практичен инструмент за управление на капацитет, престои и производителност – не „екстра“.

Защо назначението в MHE е сигнал за пазара

Назначенията на върха на MHE/автоматизацията почти винаги предшестват промени в начина, по който се вземат решения за инвестиции и поддръжка. Причината е проста: техниката и автоматизацията са най-капиталоемката част от склада, а грешките там са скъпи и дългосрочни.

Kenco залага на лидер с опит в големи интегратори и доставчици на автоматизация (Swisslog Americas, Vanderlande, Honeywell Intelligrated). Превод: компанията вероятно иска да е по-силна в три посоки:

• по-добро проектиране и избор на решения (за да няма „купихме роботите, а те не пасват на профила на поръчките“)
• по-стриктно управление на жизнения цикъл на активите (поддръжка, резервни части, SLA)
• по-бърза модернизация на съществуващи обекти, вместо само „greenfield“ проекти

Това се връзва и с реалността в края на 2025 г.: много оператори влизат в 2026 с натиск за по-ниски разходи, по-високи очаквания за доставка и несигурно търсене. В такава среда няма апетит за риск. Но има апетит за по-добро използване на наличните активи.

„Автоматизацията не е лукс“ — вярно, но непълно

Цитатът, че „warehouse automation is no longer a luxury. It’s a necessity“, звучи силно, но аз бих го допълнил:

Автоматизацията без данни и дисциплина е скъп механичен навик.

В практиката виждам два често срещани капана:

1. Автоматизираме грешен процес – например ускоряваме пикинг, но входящите потоци и попълването (replenishment) остават хаотични.
2. Купуваме капацитет, вместо да управляваме вариацията – пиковете (особено Q4 и пост-празничните връщания през януари) са нормални, но решенията трябва да са гъвкави.

Тук AI в логистиката и транспорта започва да има смисъл. Не като „магия“, а като набор от модели за прогнозиране, оптимизация и ранно предупреждение.

Къде AI дава най-бърз ефект в MHE и автоматизацията

Най-ценните AI приложения в складовата техника са там, където има много събития, много повторения и ясна цена на грешката. Ето 5 области, които почти винаги си заслужават усилието.

1) Предиктивна поддръжка и управление на престои

Бързият резултат идва от прости неща: по-малко непланирани спирания. AI моделите могат да използват телеметрия (вибрации, ток, температура, грешки от контролери, цикли, стопове) за да дадат вероятност за отказ и препоръка за интервенция.

Практичен подход:

• започвате с топ 3 „бутълнека“ активи (конвейерна линия, сортер, AS/RS кран)
• дефинирате downtime taxonomy (какъв тип престой, колко струва на час)
• изграждате праг за действие: „ако рискът за отказ > X% в следващите 7 дни, планирай прозорец“

Това е AI, който CFO разбира, защото се измерва в часове производителност.

2) AI за използваемост на оборудването (OEE за склада)

Много складове имат техника, но не знаят реално колко ефективно я използват. Измерват се изходи (поръчки/час), но не и причините за загуба.

С AI можете да класифицирате загубите автоматично:

• микропрестои
• „starvation“ (няма входящ поток)
• „blocking“ (задръстване надолу по линията)
• човешки интервенции

След 4–6 седмици данни обикновено излизат 2–3 „глупави“ ограничения, които се оправят с настройки и процес, не с нова техника.

3) Оптимизация на потоците: slotting, replenishment, batching

AI е силен там, където правилата са много и конфликтни: близост на артикули, тегло, опасни товари, температура, честота на поръчки, сезонност, кампании.

За да го направите работещо (а не академично), мислете така:

• AI предлага решение за слотинг (къде да стои SKU)
• WMS/WES прилага с ограничения (зони, размери, правила)
• екипът валидира чрез A/B тест на зона (примерно 2 седмици)

Добрият слотинг не е „еднократен проект“. Това е жив механизъм, особено при бързо променящ се продуктов микс.

4) AI като мозък над WMS/WES/WCS

Когато Kenco говори за „Automation Guidance“, аз го чета като опит да се управлява енд-ту-енд – не само роботите. Истината е, че автоматизацията често се проваля в интерфейсите:

• WMS не дава достатъчно добри инструкции
• WCS работи локално оптимално, но глобално зле
• WES липсва или е настроен твърде „твърдо“

AI слой (дори под формата на оптимизационни модели, а не непременно LLM) може да решава:

• приоритизация на поръчки
• баланс на вълни (waves)
• динамично пренасочване при проблем на линия

Целта: по-малко „човекът-оркестър“ в контролната стая.

5) Капацитетно планиране за пикове и реална сезонност

Декември 2025 напомни нещо банално: пикът не е само „повече поръчки“. Пикът е:

• повече вариация (нестабилни профили на поръчките)
• повече грешки и връщания (януари)
• повече наемни хора с по-ниска обученост

AI модел за капацитетно планиране комбинира прогноза за търсенето с реални ограничения:

• налични смени
• скорост по зони
• ограничения на MHE
• време за попълване

Резултатът не трябва да е „перфектен план“. Достатъчно е да даде ранен сигнал: „ако нищо не променим, ще прегреем сортирането в сряда и четвъртък“.

Как да разпознаете „добра“ стратегия за автоматизация (и как AI помага)

Когато нов лидер поема MHE/автоматизация, най-правилният въпрос не е „какви роботи ще купим“, а „как ще управляваме решенията“. Ето критерии, които използвам при оценка на стратегия.

Ясен бизнес проблем, измерим в пари

Примери за добри формулировки:

• „Искаме да намалим непланирания престой на сортер с 30% за 6 месеца“
• „Искаме да вдигнем пропускателната способност на пикинг зоната с 15% без нова площ“

AI помага, защото превръща „усещанията“ в метрики и вероятности.

Поддръжка и сервиз като част от дизайна

Системите умират не когато се внедрят, а когато:

• няма резервни части
• няма ясни SLA
• няма план за обновяване на софтуер/контролери

Точно затова растежът на MHE подразделение (като при Kenco) е логичен: той дава фокус върху жизнения цикъл, а AI добавя прогнозируемост.

Интеграция на данни: телеметрия + операционни данни

„AI за склад“ без данни е презентация. Минималният работещ набор е:

• събития от WMS/WES (поръчка, задача, статус)
• телеметрия/аларми от MHE (PLC/WCS)
• ръчни интервенции (операторски лог)
• календар на промени (release notes, настройки)

Това е мястото, където много проекти спират. И честно: по-добре да се спрат рано, отколкото да се „AI-ват“ лоши данни.

Практичен план за 90 дни: от хаос към контрол

Ако управлявате склад, 3PL операции или транспортно-логистична мрежа и искате AI да работи за MHE, 90 дни стигат за видим напредък.

1. Седмици 1–2: карта на оборудването и критичните точки

   • топ 10 активи по риск/цена на престой
   • текущи SLA и история на повреди

2. Седмици 3–6: данни и базова линия

   • дефиниция на престой и причинност
   • базови KPI: MTBF, MTTR, downtime hours, throughput

3. Седмици 7–10: пилот с една цел

   • предиктивна поддръжка за 1 линия или 1 тип актив
   • аларми + процедури (кой реагира, кога, как)

4. Седмици 11–13: разширяване или „убий проекта“

   • ако няма ефект: вероятно проблемът е данни/процес
   • ако има ефект: разширете към следващия бутълнек

Това е реалистично. И да, звучи по-малко романтично от „пълна автономия“, но работи.

Какво означава това за 2026: MHE, AI и новата роля на 3PL

Назначението в Kenco подсказва нещо по-широко: 3PL-ите се позиционират като оператори + технолози, а не само като „изпълнители на складови услуги“. Клиентите искат две неща едновременно:

• надеждна ежедневна операция (без изненади)
• план за модернизация (без да се спира бизнесът)

AI в логистиката и транспорта влиза тук като „лепилото“ между активи, софтуер и хора. Няма да замени инженерите по поддръжка. Но ще направи така, че инженерите да работят по правилните проблеми, навреме.

Ако в момента планирате автоматизация или сте в „междинно“ състояние (частично автоматизиран склад, растящи престои, трудни пикове), моята позиция е ясна: започнете от управлението на активите и данните, не от каталога с роботи.

Какъв е следващият ви ход за 2026: ще инвестирате още капитал в нова техника, или първо ще изстискате 10–20% повече капацитет от това, което вече имате — с помощта на AI?