AI-optimerad logistik: Lärdomar från Pacific Northwest

Hamnar, järnväg och motorvägar är inte bara infrastruktur – de är beslutspunkter. Varje container som flyttas mellan fartyg, tåg och lastbil kräver val: vilken rutt, vilken tid, vilken terminal, vilket lager, vilken prioritet. Och när volymerna är höga och marginalerna små blir en sak tydlig: de företag som vinner är de som fattar bättre beslut snabbare.

Pacific Northwest i USA (Seattle, Tacoma, Portland och Spokane) är ett bra exempel på hur geografiskt läge och multimodala nätverk kan skapa logistiska fördelar. Men det som gör regionen extra intressant 2025 är att den speglar utmaningar vi ser i Sverige: trängsel i knutpunkter, hårdare krav på leveransprecision, volatil efterfrågan och ökade kostnader för transport och arbetskraft.

Det här inlägget tar avstamp i regionens starka rutter och distributionspunkter – och vrider perspektivet mot vår serie ”AI inom logistik och supply chain”: hur AI faktiskt kan optimera flödena mellan hamn, järnväg, väg och lager. Inte som vision, utan som konkreta användningsfall du kan räkna på.

Varför knutpunkter blir flaskhalsar – och varför AI passar där

Knutpunkter (hamnar, terminaler, DC:n) är där variationen slår hårdast. När ankomster ändras, kapacitet varierar och prioriteringar skiftar uppstår köer och omplanering. Traditionella planeringssätt (manuella Excel-flöden, statiska rutter, fasta bemanningsscheman) räcker inte när verkligheten ändras timme för timme.

AI är särskilt effektivt i knutpunkter av tre skäl:

1. Mycket data, många beslut: ankomsttider, prognoser, orderprioritet, lagernivåer, kapacitet.
2. Tydliga kostnader: väntetid, stillestånd, extra transporter, övertid, missade leveranser.
3. Återkommande mönster: säsong, veckodagar, kundbeteenden, störningsmönster.

En bra tumregel: Om en process kräver daglig omplanering och påverkar både servicegrad och kostnad, är den sannolikt en bra kandidat för AI.

För svenska företag blir parallellen tydlig: tänk Göteborgs hamn och järnvägskopplingar, intermodala noder i Mälardalen, samt inlandsterminaler som ska mata både export och e-handel. Infrastruktur skiljer sig – men beslutsproblemen är snarlika.

Seattle: Hamn + intermodalitet – AI för att minska friktion i överlämningar

Seattle fungerar som en internationell port in i nätverket, med stark koppling mellan sjöfart, väg och järnväg. När sådana flöden fungerar bra får du kortare ledtider och lägre buffertbehov. När de fungerar dåligt får du “sand i maskineriet”: terminalköer, felaktig prioritering, och lagret som sväller eftersom man vågar mindre.

AI-användningsfall: prediktiva ETA och intelligent slot-bokning

Ett av de mest lönsamma problemen att lösa i hamnflöden är osäkerhet i ankomst (ETA) och resursbokning.

Praktiska AI-tillämpningar:

• Prediktiva ETA-modeller som kombinerar historik, väder, hamnstatus, fartygsmönster och terminaldata.
• Dynamisk slot-bokning för lastbilshämtning/lämning baserat på sannolik ankomst och terminalkapacitet.
• Avvikelsevarning som triggar omplanering i lager och transport innan “problemet syns” i KPI-rapporterna.

Det viktiga här är att AI inte “gissar bättre” i största allmänhet – den sänker variationen i planeringen, vilket minskar behovet av säkerhetsmarginaler.

Svensk parallell: intermodal precision slår billigaste frakt

Jag har sett många organisationer jaga lägsta transportpris per sändning, men missa kostnaden för osäkerhet: extra dag i lager, ompack, expressfrakt, utebliven försäljning. AI i transportplanering och hamn-/terminalflöden handlar ofta mer om precision än om pris.

Tacoma: Kapacitet och trängsel – AI för att styra flödet, inte bara reagera

Tacoma har vuxit som logistikhub delvis genom att dra nytta av hamnkapacitet och närhet till större marknader. Men när volymerna stiger blir trängsel en affärsrisk. Då räcker det inte att ”jobba hårdare”; man måste styra flödet.

AI-användningsfall: digital tvilling för terminal + lager

En konkret metod som fungerar i praktiken är att bygga en digital tvilling av en terminal eller ett distributionscenter: en modell som speglar flöden, resursbegränsningar och regler.

Med AI/optimering kan du:

• simulera ”om vi flyttar 15% av avgångarna till 22:00–02:00, vad händer med ledtid och personal?”
• räkna på gate capacity, truckrutter, plockzoner och mellanlager
• testa prioriteringsregler (vilka order ska gå först när allt inte får plats?)

Det här är extremt relevant för svenska DC:n som sitter med blandade flöden: e-handel (snabbt), retail (pall), reservdelar (kritiska) och B2B (stora orderrader). Digital tvilling gör diskussionen faktabaserad.

Snabb check: när är digital tvilling värt jobbet?

Den är ofta värd investeringen om du har:

• återkommande kapacitetsbrist (dock, port, plock, pack)
• hög kostnad för övertid och omplanering
• många produktkategorier och serviceklasser

Portland: Multimodalt nav – AI för ruttplanering och kostnad per levererad timme

Portland har styrka i att vara ett nav mellan motorvägar, järnväg och sjöfart. I sådana miljöer uppstår ett klassiskt problem: du kan optimera varje del för sig (transport, lager, inköp) och ändå få ett suboptimerat helhetsflöde.

AI-användningsfall: ruttoptimering som tar hänsyn till lagerbeslut

Modern AI-baserad ruttplanering handlar inte bara om kortaste väg. Den inkluderar:

• servicefönster och kundprioritet
• stoppkostnader och lastnings-/lossningstid
• realtidsstörningar (köer, väglag, kapacitetsproblem)
• koppling till lagerstatus: vad som faktiskt finns att plocka i tid

Den starka effekten kommer när transportplanering kopplas till efterfrågeprognoser och lager:

• Om prognosen säger topp nästa vecka, kan du förpositionera varor för att minska expressleveranser.
• Om plocket släpar, kan du justera rutter och “cut-off” innan chaufförerna står och väntar.

Bra AI i supply chain flyttar beslut från magkänsla till sannolikhet. Det räcker ofta för att spara pengar.

KPI: byt fokus från ”kostnad per sändning” till ”kostnad per levererad timme”

För många nätverk blir en bättre styrning att mäta kostnad mot leveranslöfte:

• Hur mycket kostar det att leverera inom 24 timmar jämfört med 48?
• Vilka kunder/produkter ska ha högsta servicegrad?

AI hjälper dig att räkna på detta kontinuerligt, inte i en årlig övning.

Spokane: Inlandshub – AI för lagerplacering och robusthet vid störningar

Spokane visar värdet av en inlandshub: du kan serva inlandet effektivt och avlasta kustens trängsel. Samma logik syns i Sverige när företag kombinerar storstadsnära lager med inlandslager för att få bättre kostnadsstruktur och riskhantering.

AI-användningsfall: nätverksdesign och smart lagerallokering

Här är AI extra starkt i strategiska beslut:

• var ska du ha lager (1–3 DC:n eller fler mindre?)
• vilka artiklar ska ligga var (ABC/XYZ + ledtidsrisk)
• hur mycket säkerhetslager behövs när transportledtiden varierar

En praktisk modell 2025 är att kombinera:

• probabilistiska efterfrågeprognoser (inte ett tal, utan ett intervall)
• optimering av lagerpolicy (t.ex. min/max, ROP, servicegrad)
• scenarioanalys (strejk, väder, kapacitetsfall, leverantörsavbrott)

Resultatet blir robustare leveransförmåga utan att bara “lägga på mer lager”.

Så kommer du igång: en 90-dagars plan för AI i logistik och supply chain

Du behöver inte börja med ett stort transformationsprogram. De bästa initiativen jag sett börjar smalt, mäter hårt och skalar först när man har effekt.

Steg 1 (dag 1–30): välj ett beslut som gör ont

Välj en process där variation skapar kostnad:

• transportplanering med omplanering varje dag
• bemanning i lager där volymen svänger
• slot-tider till terminal/port som ofta missas

Sätt 3 tydliga mått:

• servicegrad (t.ex. OTIF)
• kostnad (t.ex. kr per orderrad)
• stabilitet (t.ex. antal omplaneringar/vecka)

Steg 2 (dag 31–60): säkra data och bygg en “minsta fungerande modell”

Vanliga datakällor:

• TMS/WMS/ERP
• historiska order och plocktider
• rutt- och stoppdata
• avvikelseorsaker (orsakskoder)

Målet är inte perfektion. Målet är en modell som slår nuläget med mätbar marginal.

Steg 3 (dag 61–90): kör kontrollerat pilotläge och räkna hem värdet

• kör AI-förslag parallellt med nuvarande planering
• dokumentera när planerare säger “nej” och varför
• räkna på effekt i kronor och leveransprecision

Det är här ledningen brukar bli intresserad på riktigt: när AI går från powerpoint till drift.

Vad svenska bolag kan ta med sig från Pacific Northwest

Pacific Northwest visar att multimodala styrkor inte automatiskt ger effektivitet. De skapar potential – men det är beslutsförmågan som avgör om potentialen blir resultat. AI passar särskilt bra i gränssnitten: hamn till järnväg, järnväg till lastbil, lastbil till lager, lager till kund.

För vår serie “AI inom logistik och supply chain” är poängen enkel: börja där du redan har data, många beslut och tydliga kostnader. Bygg ett första use case som förbättrar planeringen i vardagen – inte bara rapporteringen i efterhand.

Om du skulle välja ett ställe att lägga AI först – är det transportplaneringen, lagerbemanningen eller prognoserna som idag driver mest brandkårsutryckningar?