Az AI-alapú fuvarkapacitás-tervezés azt jelenti, hogy a rendszer előre jelzi a várható rakományokat. A járműveket, a sofőröket és a rakodóhelyeket ehhez igazítja, és ha a nap közben megváltozik a helyzet, újratervez. Ez akkor hozza vissza az árát, ha jól körülhatárolt üzleti problémát old meg, például kevesebb üres kilométert, jobb dokkhasználatot vagy gyorsabb diszpécseri döntéseket. Ehhez legalább néhány hónapnyi megbízható működési adat is kell. Ebben az útmutatóban végigvesszük, hol segít az AI a fuvartervezésben, milyen eredmény várható reálisan, milyen adat és szabályozás kell hozzá, és hogyan érdemes egy magyar fuvarozó, szállítmányozó vagy saját flottát üzemeltető vállalat bevezetni.

Stratify
Tervezze meg, hol térül meg az AI
A fuvarozási folyamatok AI-lehetőségeinek felmérését üzleti célokhoz, adatokhoz és mérhető megtérüléshez igazítjuk.

Ismerje meg a Stratifyt

TL;DR

  • Az AI nem a teljes diszpécseri munkát veszi át. Négy feladatban erős: a kereslet előrejelzésében, a járat- és járműhozzárendelésben, a rakodóhelyek ütemezésében és a napközbeni újratervezésben.
  • A reális javulás pár százalékpont, nem csoda. Egy 2025-ös kutatásban a valós idejű ütemezés 68%-ról 71%-ra emelte a beérkező dokkok kihasználtságát.
  • A projektek többsége az adaton dől el. Ha kevés a történeti adat, szimulációval lehet pótolni.
  • Az EU AI Act és az eFTI-rendelet miatt az auditálhatóságot és a szabványos adatcserét már a tervezésnél be kell építeni.
  • A legkisebb kockázatú út: üzleti cél és mérőszám, utána egy 60–90 napos, egyetlen telephelyre vagy viszonylatra szűkített pilot, és csak ezután jön a skálázás.

Tartalomjegyzék

Miért nem elég már a táblázat és a tapasztalat

A magyar áruszállítás nagy, de ingadozó piac. A KSH adatai szerint 2023-ban a teljes áruszállítási teljesítmény 50 milliárd tonnakilométer volt, 9,6%-kal kevesebb, mint egy évvel korábban. A közút adta ennek 66%-át, a vasút 21%-át, és a közúti teljesítmény 11%-kal esett vissza. Ha a kereslet ennyit mozog egyik évről a másikra, a tavalyi tapasztalatra épülő kapacitásterv könnyen túl sok vagy túl kevés járművet köt le.

A legtöbb közepes fuvarozónál és saját flottás gyártónál ma így néz ki a tervezés: a diszpécser Excelből, TMS-ből és telefonon dolgozik. Fejben tartja, melyik sofőr melyik viszonylatot ismeri, melyik ügyfél ad rendszeresen pénteken délután sürgős rakományt, és hol szokott torlódni a rakodás. Ez a tudás értékes, de három gyengéje van:

  • Nem skálázódik. Ha a tapasztalt diszpécser szabadságon van, a terv minősége is szabadságra megy.
  • Statikus. A reggel összerakott terv délelőtt tízkor egy késő kamion vagy egy lemondott rakomány miatt már nem érvényes.
  • Nem mérhető. Kevés cég tudja megmondani, hogy egy adott héten hány üres kilométer vagy állásidő keletkezett, és miért.

Az AI ezt a három gyengeséget tudja kezelni, ha jól építik fel. A diszpécser tudására továbbra is szükség van. Az a jó rendszer, amely ezt a tudást adatként és szabályként rögzíti, és az ember elé teszi a javaslatot.

Hol segít az AI a fuvartervezésben

A „fuvarkapacitás-tervezés” valójában több, egymásra épülő döntés. Érdemes külön kezelni őket, mert más adat, más módszer és más megtérülés tartozik mindegyikhez.

Feladat Hagyományos megoldás Mit ad hozzá az AI Minimális adatigény
Kereslet-előrejelzés Tavalyi hét, megérzés Viszonylatonkénti, napi bontású előrejelzés szezonalitással, ügyfélmintázatokkal 12–24 hónap megrendelési előzmény
Jármű- és járathozzárendelés Diszpécseri rutin Optimalizált hozzárendelés költség, határidő, vezetési idő és járműtípus szerint Rendelések, járműadatok, tarifák, GPS-adatok
Dokk- és rakodóhely-ütemezés Érkezési sorrend Valós idejű, adaptív ütemezés a várakozás csökkentésére Érkezési időpontok, rakodási idők, kapuadatok
Napközbeni újratervezés Telefon, kézi átszervezés Gördülő horizontú újraoptimalizálás eltéréskor Élő GPS- és státuszadat
Sofőrkapacitás Beosztási táblázat Igény és rendelkezésre állás összevetése, szűk keresztmetszet jelzése Beosztás, vezetési és pihenőidő-adatok

Előrejelzés: mennyi kapacitás kell holnapra és jövő hónapra

Az előrejelző modell abban segít, hogy a cég ne utolsó pillanatban béreljen alvállalkozói kapacitást drágán. Arra is figyelmeztet, ha egy viszonylaton tartósan túl sok saját jármű áll. Itt a gépi tanulás erőssége, hogy egyszerre kezel sok gyenge jelet: ünnepnapokat, ügyfélszintű rendelési ritmust, szezonális csúcsokat. Gyengesége, hogy egy új nagy ügyfelet vagy egy hirtelen piaci visszaesést nem lát előre. Ezért mellé mindig kell egy emberi felülbírálási pont.

Hozzárendelés és járatszervezés

Ez klasszikus optimalizálási feladat. Melyik rakomány melyik járműre kerüljön, milyen sorrendben, hogy a költség a legkisebb legyen, a határidők teljesüljenek és a vezetési idők is beférjenek. A gyakorlatban a „mesterséges intelligencia” itt sokszor matematikai optimalizálást jelent, például vegyes egészértékű lineáris programozást (MILP), gépi tanulással kiegészítve. Nem véletlen, hogy 2025-ben egy AI-alapú fuvartervezésre szakosodott magyar szoftvercéget egy nagy német logisztikai szoftverszolgáltató vásárolt fel. A matematikailag erős, iparágspecifikus tervezés ma többet ér, mint az általános automatizálás.

Dokk- és rakodóhely-ütemezés

Cross-dock terminálon, raktárban vagy gyári rakodórámpán a kamionok várakozása rejtett költség: állásidő, túlóra és kötbér. Egy 2025-ös kutatás a nagy forgalmú cross-docking terminálokról a valós idejű, adaptív pótkocsi-hozzárendelést hasonlította össze az érkezési sorrend szerinti kiszolgálással. A beérkező dokkok kihasználtsága 68%-ról 71%-ra nőtt, a teljes átfutási idő 45-ről 40 idősávra csökkent, a teljes kihasználtságú időszakok aránya pedig 33,3%-ról 41,4%-ra emelkedett.

Adaptív dokkütemezés három mutatójának összehasonlítása

Ezek a számok azért tanulságosak, mert visszafogottak. Egy jól megtervezett rendszer sem dupláz meg semmit. A rendszer pár százalékpontot javít a kihasználtságon, és nagyjából 11%-kal rövidíti az átfutást. Egy nagy forgalmú telephelyen ez mégis komoly összeg, mert minden nap, minden kapunál jelentkezik.

Napközbeni újratervezés

A leggyakoribb hiba a statikus terv. Reggel optimális, délben már senki nem követi. Ugyanez a kutatás gördülő horizontú MILP-modellt használ, amely új adat beérkezésekor újraszámolja a következő időablakot. Ehhez élő adat kell a járművekről és a telephelyekről: GPS, státusz, kapuesemények. Erről bővebben az IoT és mesterséges intelligencia vállalati integrációjáról szóló cikkünkben írunk.

Az adat dönti el, mire képes a rendszer

A Miskolci Egyetem kutatói intermodális terminálokat vizsgáltak, és arra jutottak, hogy az AI optimalizálási eszköz, nem csodaszer. Akkor működik jól, ha pontos kiinduló- és célpontadatok állnak rendelkezésre. Ahol kevés az adat, ott szimulációval kell pótolni. Javaslatuk szerint egy nyílt forráskódú forgalmi szimulátorral, például az Eclipse SUMO-val rövid idő alatt nagy mennyiségű, jó minőségű szintetikus adat állítható elő, és a modell ezen tanulhat, mielőtt éles környezetbe kerül.

A gyakorlatban a következő kérdéseket érdemes feltenni, mielőtt bárki modellt építene:

  1. Megvan-e a megrendelési előzmény legalább egy teljes évre, viszonylat, ügyfél, súly és időablak szerint?
  2. Egy rendszerben van-e az adat, vagy a TMS, az ERP, a telematika és a diszpécseri Excel külön él?
  3. Rögzítik-e a tényadatot, vagyis a tényleges érkezést, rakodási időt és állásidőt, nem csak a tervet?
  4. Ki a gazdája az adatnak, és ki javítja, ha hibás?
  5. Elérhető-e élő adat a járművekről API-n keresztül, vagy csak napi exportban?

Ha ezekből kettőre vagy többre „nem” a válasz, az első projekt ne AI-modell legyen. Előbb rendbe kell tenni az adatot, és fel kell állítani egy egyszerű mérőszámrendszert. Ez a lépés nem mellékes: enélkül később azt sem lehet bizonyítani, hogy az AI hozott-e bármit. A mérőszámokat egy vezetői KPI-dashboard teszi láthatóvá, és már önmagában jobb döntésekhez vezet.

Kész szoftver, egyedi fejlesztés vagy a kettő együtt

A piacon három fő út van. Egyik sem jó minden helyzetben, ezért a választás előtt érdemes tisztázni, mennyire egyedi a cég működése.

Szempont Dobozos TMS AI-modullal Egyedi AI-megoldás Hibrid: meglévő rendszer + egyedi AI-réteg
Bevezetési idő Gyors, ha a folyamat szabványos Hosszabb, pilottal szakaszolható Közepes
Illeszkedés egyedi szabályokhoz Korlátozott Teljes Jó
Adat feletti kontroll A szolgáltatótól függ Teljes Teljes az AI-rétegben
Vendorfüggőség Magas Alacsony Alacsony–közepes
Mikor jó választás Szabványos fuvarozási modell, kevés kivétel Egyedi telephelyi logika, gyártási ütemhez kötött szállítás Ha a meglévő TMS/ERP jó, csak a tervezés „okosítása” kell

A saját flottát üzemeltető gyártóknál és nagykereskedőknél gyakran a hibrid út a legésszerűbb. A meglévő ERP és TMS marad a nyilvántartás gerince. Az AI-réteg az előrejelzést és a hozzárendelési javaslatot adja, a diszpécser pedig egy felületen hagyja jóvá vagy írja felül a javaslatot. A termelés és logisztika AI-támogatásáról külön oldalon írunk részletesebben.

Szabályozás: AI Act, eFTI és adatcsere

A fuvartervező AI nem csak informatikai kérdés. Két uniós szabályozást már a tervezéskor figyelembe kell venni.

EU AI Act. Az Európai Bizottság közlekedési digitalizációs összefoglalója szerint az AI Act 2024. augusztus 1-jén lépett hatályba, és a közlekedésben egyes rendszereket, például a forgalomirányítást, magas kockázatúnak minősít, szigorú biztonsági, átláthatósági és adatkezelési követelményekkel. Egy belső fuvarkapacitás-tervező rendszer jellemzően nem ebbe a körbe esik. A besorolást viszont rendszerenként kell megvizsgálni, különösen ha a rendszer emberek, például sofőrök munkabeosztásáról vagy értékeléséről is dönt. Ilyenkor a bevezetés előtt kérje adatvédelmi és munkajogi szakember véleményét. Az AI compliance ezért nálunk a projekt része, nem utólagos kiegészítés.

eFTI-rendelet. Az uniós eFTI-rendelet célja, hogy a papíralapú fuvarokmányokat minden szállítási módban elektronikus adat váltsa fel, a közúttól a vasúton át a belvízi hajózásig. Ha egy cég most épít tervezőrendszert, érdemes úgy kialakítani az adatmodellt, hogy a fuvarinformáció később szabványos formában továbbadható legyen.

Adatterek. Az EU Horizon programjának 2026-os logisztikai felhívása szerint az eFTI-platformok központi szerepet kapnak a vállalat és hatóság közötti adatcserében, az Európai Mobilitási Adattérrel együtt. Gyakorlati következmény: az elszigetelt, zárt adatformátumú eszköz ma olcsóbbnak tűnhet, később viszont drága átállást okozhat.

Szabályozás: AI Act, eFTI és adatcsere — overview diagram

Bevezetés lépésről lépésre

Az alábbi menetrend egy 50–300 fős, saját vagy bérelt flottával dolgozó cégnél reális. A hangsúly a kockázat szakaszolásán van: minden lépés végén dönteni lehet, hogy továbbmenjen-e a projekt.

  1. Üzleti cél és mérőszám (2–3 hét). Egyetlen, pénzben kifejezhető cél, például az üres kilométerek aránya, a dokkon töltött átlagos várakozás vagy az alvállalkozói fuvarok aránya. Rögzíteni kell a kiinduló értéket is.
  2. Adatfelmérés (2–4 hét). Milyen adat van, milyen minőségben, melyik rendszerben, és mi hiányzik. Ha kevés a történeti adat, ekkor dől el, kell-e szimuláció.
  3. Szűk pilot (60–90 nap). Egy telephely, egy viszonylatcsoport vagy egy dokksor. A rendszer csak javasol, a diszpécser dönt, és minden eltérést naplóz. A pilotprojekt felépítéséről külön útmutatónk szól.
  4. Kiértékelés. Kiinduló érték és pilot-eredmény összevetése, valamint diszpécseri visszajelzés: hol tévedett a modell, és miért?
  5. Integráció és governance. Bekötés a TMS-be vagy ERP-be, jogosultságok, naplózás, felülbírálási szabályok, felelősök kijelölése.
  6. Skálázás és folyamatos javítás. Új telephelyek, új feladatok, rendszeres modellfrissítés, mert a kereslet és a hálózat változik.

Hogyan számoljon megtérülést

Az alábbi számpélda szemléltetés, nem piaci adat. A saját számait kell a helyére írni.

Tegyük fel, hogy egy cég naponta 40 beérkező kamiont fogad, és kamiononként átlagosan 50 percet várnak a rakodásra. Ha az adaptív ütemezés a fenti kutatáshoz hasonló, körülbelül 11%-os átfutáscsökkenést hoz, az napi mintegy 220 perc, vagyis több mint 3,5 óra megtakarított várakozás. Ezt kell beszorozni a cég saját óradíjával, állásidő-költségével vagy kötbérével, majd szembeállítani a fejlesztés, az integráció és az üzemeltetés költségével.

Három dolgot érdemes ilyenkor betartani:

  • Konzervatív feltételezés. Kutatási eredményt ne vegyen át egy az egyben. A saját pilot adja a valódi számot.
  • Teljes költség. Az adattisztítás, a diszpécserek betanítása és az üzemeltetés gyakran nagyobb tétel, mint maga a modell.
  • Nem pénzben mért haszon. A diszpécseri tudás rögzítése és a helyettesíthetőség nehezen forintosítható, de valós kockázatcsökkentés.

A mi nézőpontunk

Amikor egy logisztikai vezető azzal keres meg minket, hogy „AI kellene a fuvartervezéshez”, az első kérdésünk soha nem az, hogy melyik eszközt használja. Azt kérdezzük, melyik döntés kerül ma a legtöbbe, és honnan tudja. A tapasztalatunk az, hogy a fuvarkapacitás-tervezésben ritkán a modell hiánya a gond. Sokkal gyakoribb, hogy nincs közös mérőszám, és az adat öt különböző rendszerben él. Ezért kezdünk mindig üzleti céllal, megtérülési becsléssel és a szervezet felkészültségének felmérésével.

Vendorfüggetlenek vagyunk, így ha egy meglévő rendszer bővítése elég, azt javasoljuk. Ha a cég egyedi működése egyedi megoldást kíván, akkor azt építjük meg, kontrollált lépésekben. A governance, az adatbiztonság, az emberi felügyelet és a naplózás számunkra nem opció. A diszpécsernek mindig látnia kell, miért javasolja a rendszer, amit javasol, és felül kell tudnia írni. Ha egy AI-javaslatot senki nem ért és senki nem mer felülbírálni, az nem tervezést segít, hanem kockázatot termel. Szakaszolva, mérhető céllal és fokozatosan bevezetve viszont a fuvartervezés az egyik leggyorsabban megtérülő AI-terület.

— Zsolt

Ha most kezdené

A legkisebb kockázatú első lépés egy közös munkanap, ahol a fuvartervezés konkrét szűk keresztmetszeteit rangsoroljuk megtérülés és megvalósíthatóság szerint. Az AI Discovery Workshop díja egyszeri 390 000 Ft. A végére kiderül, melyik egy-két terület alkalmas pilotra, és milyen adat kell hozzá. Ha már tudja, mit szeretne kipróbálni, a kontrollált AI-bevezetés és pilot szolgáltatásunkkal lehetőségfelméréstől az éles működésig kísérjük a projektet. Iparági tapasztalatainkat a fuvarozás, logisztika és szállítmányozás oldalunkon gyűjtöttük össze.

GYIK

Mennyi adat kell egy AI-alapú fuvartervezőhöz?

Előrejelzéshez jellemzően legalább 12–24 hónapnyi megrendelési előzmény kell, viszonylat és ügyfél szerint. Hozzárendeléshez és újratervezéshez a tényadatok, vagyis az érkezési, rakodási és állásidők legalább ilyen fontosak. Ha kevés a történeti adat, szimulációval előállított szintetikus adaton is el lehet indulni.

Kiváltja az AI a diszpécsereket?

Nem, és nem is ez a cél. A jól bevezetett rendszer javaslatot ad, a diszpécser pedig jóváhagyja vagy felülírja, így az ő tapasztalata a döntésben marad. Az AI a rutinszámításokat és az újratervezést gyorsítja, így több idő jut a kivételek kezelésére és az ügyfélre.

Mennyi idő alatt látszik eredmény?

Egy jól körülhatárolt, egy telephelyre vagy viszonylatcsoportra szűkített pilot 60–90 nap alatt mérhető eredményt ad, ha a kiinduló értéket előre rögzítették. A teljes integráció és skálázás ennél hosszabb, és a cég rendszereitől függ.

Magas kockázatúnak számít a fuvartervező AI az AI Act szerint?

Egy belső kapacitástervező rendszer jellemzően nem, a forgalomirányítási rendszerek viszont igen. Ha a rendszer sofőrök beosztásáról vagy teljesítményértékeléséről is dönt, a besorolást és az adatkezelést a bevezetés előtt szakértővel kell átnézetni. Az auditálhatóságot és a naplózást mindenképp érdemes az elejétől beépíteni.

Források

Ajánlott

Tags: