TMS rozwiązuje jeden ważny problem: firma ma jedno miejsce na operację transportową. Ale TMS nie rozwiązuje wszystkiego, co dzieje się wokół zlecenia.

Między telefonem, mailem, CMR, reklamacją, wyceną, statusem i raportem nadal pracuje człowiek. I właśnie tam AI może mieć sens.

TMS jest bazą operacji

System zarządzania transportem powinien przechowywać zlecenia, klientów, przewoźników, dokumenty, statusy, stawki i historię. To jest fundament. Bez niego firma szybko wpada w chaos, szczególnie gdy rośnie liczba zleceń i osób w zespole.

AI nie powinna zastępować tej bazy. Jeśli zespół zacznie prowadzić operację w czacie AI, powstanie drugi obieg informacji. To ryzykowne i trudne do kontrolowania.

AI jest warstwą interpretacji

AI może pomóc tam, gdzie TMS trzyma dane, ale człowiek musi z nich zrobić sensowną treść albo decyzję. Przykłady:

  • streszczenie korespondencji przed wpisaniem notatki do TMS,
  • opis problemu dla managera albo działu reklamacji,
  • lista brakujących danych w zleceniu,
  • mail do klienta po zmianie statusu,
  • checklista do zamknięcia zlecenia,
  • wstępna analiza danych z eksportu CSV lub XLSX.

Kiedy TMS nie wystarcza

TMS nie zna tonu relacji z klientem. Nie wie, czy przewoźnik od tygodnia obiecuje dokumenty. Nie zawsze pokaże, że w mailach jest konflikt między ustaleniami a zleceniem. Nie zastąpi też szkolenia ludzi z tego, czego nie wolno wkleić do publicznego narzędzia AI.

Dlatego wdrożenie AI w firmie transportowej powinno zacząć się od procesu, a nie od narzędzia. Trzeba sprawdzić, gdzie powstaje powtarzalna praca, jakie dane są używane i kto odpowiada za finalną decyzję.

Najczęstszy błąd: integracja przed porządkiem

Wiele firm chce od razu połączyć AI z systemem. Brzmi rozsądnie, ale często omija najważniejsze pytanie: czy dane w systemie są kompletne, spójne i aktualne?

Jeśli notatki w TMS są pisane różnym stylem, statusy są uzupełniane po czasie, a dokumenty krążą w mailach, AI będzie pracować na fragmencie prawdy. Automatyzacja przyspieszy wtedy nie tyle proces, ile bałagan. Dlatego przed integracją warto sprawdzić jakość danych i standard pracy zespołu.

Co można zrobić bez integracji

Najpierw można pracować obok systemu. Spedytor albo dyspozytor kopiuje bezpieczny fragment danych, anonimizuje to, co trzeba, i prosi AI o konkretną pomoc: streszczenie, listę braków, szkic maila, checklistę albo analizę wariantów.

Ten etap jest ważny, bo pokazuje, które użycia naprawdę działają. Po kilku tygodniach można zobaczyć, że jeden proces daje powtarzalny wynik, a inny nadal wymaga człowieka od początku do końca. Dopiero wtedy integracja ma sens biznesowy.

Mapa procesów wokół TMS

Przed rozmową o AI warto zrobić prostą mapę. W centrum jest TMS. Wokół niego są miejsca, z których przychodzą informacje: mail, telefon, WhatsApp, giełda transportowa, dokumenty, Excel, telematyka, klient, przewoźnik i dział księgowy. Każde z tych miejsc może generować pracę, której nie widać w samym systemie.

Jeśli zespół traci czas na przepisywanie danych z maila do systemu, AI może pomóc przygotować strukturę wpisu. Jeśli problemem są długie wątki mailowe, AI może zrobić streszczenie i listę decyzji. Jeśli ludzie nie wiedzą, jakie dane zebrać przed wyceną, AI może działać jako checklista.

To podejście jest bezpieczniejsze niż zaczynanie od wielkiej automatyzacji. Najpierw widać, gdzie praca naprawdę powstaje. Potem można zdecydować, co warto zintegrować, a co zostawić jako wsparcie człowieka.

Standard danych ma większe znaczenie niż model

Wiele firm pyta, czy lepszy będzie ChatGPT, Claude czy Gemini. To ważne pytanie, ale zwykle nie pierwsze. Jeśli dane w firmie są wpisywane bez standardu, nawet najlepszy model będzie miał problem z powtarzalnym wynikiem.

Standard może być prosty: jak opisujemy opóźnienie, jak zapisujemy brak dokumentów, jak oznaczamy reklamację, co musi znaleźć się w notatce po rozmowie z przewoźnikiem, jak wygląda gotowy opis problemu dla managera. AI może pomagać trzymać ten standard, ale najpierw firma musi go mieć.

To jest częsty punkt zwrotny w szkoleniu. Ludzie myślą, że uczą się promptów, a tak naprawdę zaczynają porządkować własny proces. AI pokazuje, gdzie opis pracy jest nieprecyzyjny.

Przykład: status transportu

Klient pyta o status, kierowca wysłał krótką wiadomość, dyspozytor ma dane w TMS, a w tle jest opóźnienie na załadunku. AI może pomóc napisać odpowiedź do klienta: bez lania wody, bez obiecywania rzeczy, których firma nie kontroluje, z jasną informacją, co jest potwierdzone i kiedy będzie kolejny update.

TMS trzyma status. AI pomaga ubrać go w komunikację. To mała różnica techniczna, ale duża różnica operacyjna, bo klient nie widzi systemu. Klient widzi jakość informacji, którą dostaje od firmy.

Przykład: reklamacja i dokumenty

Drugi przykład to reklamacja. TMS może mieć zlecenie, przewoźnika i dokumenty, ale sama sprawa reklamacyjna często żyje w mailach. Ktoś dosłał zdjęcia, ktoś napisał wyjaśnienie, ktoś zapytał o termin, ktoś powołał się na wcześniejsze ustalenia.

AI może zebrać chronologię, wypisać brakujące załączniki, przygotować wersję roboczą odpowiedzi i wskazać miejsca, które wymagają sprawdzenia przez człowieka. Nie podejmuje decyzji prawnej i nie uznaje reklamacji automatycznie. Porządkuje materiał, który i tak ktoś musi przejrzeć.

Właśnie takie procesy są dobrym pierwszym kandydatem. Są powtarzalne, czasochłonne i wymagają pracy z tekstem. Jednocześnie mają wystarczająco duże ryzyko, żeby nie oddawać ich automatycznie bez kontroli.

Jak mierzyć sens integracji

Przed integracją warto policzyć zwykłe rzeczy: ile razy dziennie zespół przepisuje dane z maila do TMS, ile trwa przygotowanie statusu, ile reklamacji wymaga ręcznego zebrania dokumentów i ile razy manager prosi o dodatkowe wyjaśnienie sprawy. To są miejsca, w których AI może skrócić pracę, ale tylko wtedy, gdy proces jest powtarzalny.

Dobrym miernikiem jest też liczba poprawek po AI. Jeśli wynik wymaga kosmetyki, proces ma potencjał. Jeśli trzeba poprawiać fakty, dopisywać brakujące dane i zmieniać sens odpowiedzi, najpierw trzeba poprawić wejście do procesu. Integracja nie naprawi słabych danych.

W firmie TSL często wygrywa mała automatyzacja, która działa codziennie. Jedna dobrze przygotowana notatka do TMS, jeden sprawdzony szablon statusu albo jedna procedura reklamacyjna mogą dać więcej niż szerokie wdrożenie, którego nikt nie używa w realnym tempie pracy.

Kiedy integracja ma sens

Integracja AI z TMS ma sens wtedy, gdy firma wie, jaki proces chce przyspieszyć, jakie dane będą przekazywane i jaki wynik ma wrócić do systemu. Przykład: generowanie streszczenia zlecenia, przygotowanie notatki do statusu, klasyfikacja maila albo podpowiedź brakujących danych.

Nie ma sensu integrować AI tylko dlatego, że jest modna. Jeśli zespół nie ufa danym, nie ma standardu wpisów i nie wiadomo, kto zatwierdza wynik, integracja będzie wyglądała dobrze na demo, a w pracy może przeszkadzać.

Dobra integracja ma jeden prosty warunek: człowiek wie, kiedy może użyć wyniku, kiedy musi go poprawić i gdzie zapisuje finalną wersję. Bez tej zasady AI będzie kolejną skrzynką z niepewnymi informacjami.

AI Act i dane w TSL

Firmy TSL pracują na danych klientów, przewoźników, dokumentach, stawkach i reklamacjach. To oznacza, że AI nie może być "wrzucimy do czatu i zobaczymy". Zespół potrzebuje prostych zasad: co wolno wkleić, co anonimizować, kiedy wynik sprawdzić i gdzie zapisać finalną wersję.

Więcej o tym opisałem w artykule AI Act w firmie TSL.

Źródła

Ten tekst nie jest poradą prawną. To praktyczny materiał o pracy operacyjnej i organizacji użycia AI w firmie TSL.

Najlepsza kolejność

Najpierw TMS jako baza prawdy. Potem standard danych. Potem szkolenie ludzi. Dopiero na końcu automatyzacje i integracje. Inna kolejność zwykle przyspiesza bałagan.

Jeśli chcesz podejść do tego praktycznie, zacznij od strony AI w transporcie. Tam jest opisane, jak patrzeć na AI w firmie transportowej bez mylenia go z TMS, GPS i telematyką.