Искусственный интеллект в last-mile delivery уже закрепился в самых заметных операциях — маршрутизации и visibility. Но себестоимость доставки всё чаще формируется до маршрута: в распределении перевозчиков, планировании мощностей, сверке счетов и обработке исключений. По данным Bringg research в The 2026 Last-Mile Performance Outlook, между основными направлениями AI-инвестиций и слабыми метриками последней мили сохраняется заметный разрыв.
Первый слой автоматизации
AI в маршрутизации решает понятную задачу: сокращает время в пути, повышает точность доставки и помогает сужать временные окна. Для руководства такой эффект легко увидеть в операционной отчетности. Для клиента он выражается в более предсказуемом arrival time. Для команды последней мили — в меньшем числе ручных корректировок по ходу дня.
По данным Bringg, уровень внедрения AI в routing and visibility уже превышает 70%. Эти направления остаются самыми освоенными в последней миле, но инвестиционный поток продолжает идти туда же: 68% руководителей компаний планируют дополнительные вложения в AI для routing and planning.
Такой выбор рационален, пока управленческий фокус держится на on-time delivery. Гораздо сложнее ответить на другой вопрос: как снизить стоимость одной доставки. Routing AI оптимизирует решение в моменте. Он работает внутри ограничений, уже заданных сетью, мощностями, SLA, тарифами и распределением объемов между перевозчиками.
Стоимость до выхода на маршрут
В последней миле есть три горизонта решений. Структурные решения принимаются на месяцы вперед: конфигурация сети, модель работы с перевозчиками, распределение зон. Регулярные решения формируются неделями: планирование мощности, carrier allocation, сверка тарифных условий и SLA. Real-time решения принимаются в моменте — к ним относится маршрутизация.
Дополнительная оптимизация маршрута не исправляет ошибку, заложенную в недельный план. Если объем между перевозчиками распределен на базе данных прошлой недели и ручных корректировок, стоимость операции уже частично зафиксирована. Диспетчер в течение недели будет искать мощности, переносить заказы, разбирать исключения. Но экономическая рамка уже задана.
Этот слой менее заметен, чем карта маршрутов или dashboard по доставкам. В нем нет такого же наглядного интерфейса для операционного совещания. Но именно там формируется cost floor — нижняя граница затрат, ниже которой маршрутизация уже не опустит доставку без пересмотра предыдущих решений.
Читайте также: Последняя миля получает автономного исполнителя: «Самокат» тестирует робокурьеров в Москве
Ручная работа как источник затрат
Bringg оценивает долю largely manual workflows в нескольких критичных операциях: 48% в billing and invoice reconciliation, 42% в carrier management и 39% в exception handling. Это не административный хвост последней мили. В этих процессах накапливаются расхождения по счетам, отклонения SLA, задержки реакции на сбои и лишняя нагрузка на команды, которые должны управлять сервисом, а не вручную сверять данные.
Сверка счетов перевозчиков напрямую связана с маржой. Неразобранное расхождение в carrier invoice повторяется в платежах и размывает экономику доставки. Carrier management определяет, какой перевозчик получает объем, по какой зоне, с каким уровнем сервиса и по какой цене. Exception handling влияет на то, насколько быстро компания понимает природу сбоя и предотвращает его повторение.
При этом только около 14% enterprise executives планируют увеличить инвестиции в billing reconciliation и carrier management. На фоне метрик эффективности разрыв выглядит особенно остро. По данным Bringg, cost per delivery показывает 36% overachievement — самый низкий показатель в наборе данных. On-time delivery, напротив, является самой сильной метрикой с 63% overachievement.
Для компаний, уже вложившихся в routing AI, это неудобная развилка. Дальнейшие улучшения маршрутов могут повышать точность и сервис, но не обязательно снижать себестоимость доставки. Слабое место находится не в последнем километре как таковом, а в решениях, которые определяют, кто повезет заказ, по какой цене, с каким риском отклонения и как быстро компания увидит причину сбоя.
От видимости к объяснению
Первая волна last-mile AI была тесно связана с visibility: увидеть маршрут, отследить статус, показать отклонение. Следующий слой должен работать ближе к управленческому решению. Его ценность не в еще одном dashboard, а в способности сравнить сценарии, снять рутину с команды и объяснить причину отклонения.
Для планировщика это возможность оценить trade-off до того, как решение уйдет в операцию. Добавить мощность — повысить сервис, но увеличить затраты. Удержать бюджет — сохранить план по расходам, но принять риск поздних доставок. Перераспределить объем между перевозчиками — изменить cost per delivery, но получить иной профиль сервиса по зонам.
Для операционной команды AI может закрывать задачи, где человеческое суждение не создает дополнительной ценности: сопоставление счетов с контрактными ставками, отслеживание дрейфа SLA, первичную классификацию исключений, контекстную коммуникацию при задержках. Освобожденное время уходит туда, где важны опыт, переговоры с перевозчиками и знание локальных ограничений.
Третий слой — объяснение причин. Dashboard может показать, что маршруты в четверг отработали ниже целевой эффективности. Но управленческое решение требует другого уровня ответа: повлиял ли трафик, поведение водителей, задержка отгрузки со склада, недостаток мощности или ошибка в недельном плане. Без такого анализа следующий цикл планирования снова опирается на догадки.
Проверка затратами
По данным Bringg, 53% руководителей ожидают от AI major performance gains, но только 9% считают его truly transformative. Это трезвая планка для рынка: не декларация технологической революции, а измеримый вклад в показатели, которые остаются слабыми.
Для директора по логистике меняются критерии оценки AI-проектов. Улучшение on-time delivery по-прежнему важно, но оно не может быть единственным доказательством эффективности. Last-mile AI должен проверяться влиянием на cost per delivery, operational efficiency, ручную нагрузку, качество carrier allocation, скорость разбора исключений и точность контроля SLA.
Маршрутизация закрыла самую видимую проблему последней мили. Следующий резерв находится в менее эффектных, но более дорогих процессах — там, где стоимость доставки задается до выхода заказа на маршрут. Компании, которые направят AI в регулярные и структурные решения, получат не просто более точную доставку, а более управляемую экономику последней мили.
