Руководителю розницы часто предлагают выбирать, насколько автономной сделать систему: показывать подсказки, рекомендовать действие или принимать решение самостоятельно. Два полевых эксперимента в розничных операциях указывают на более полезный вопрос: какую информацию алгоритмическая поддержка добавляет к работе человека и какое знание сотрудника нужно сохранить? В одном случае сборщик ищет товары для заказов, в другом менеджер решает, сколько скоропортящихся запасов заказать.
ИИ в логистике начинается с конкретного решения
Комплектовка, или сборка заказа, — это физический этап исполнения: сотрудник находит позиции из списка, отбирает их и передаёт дальше на упаковку или выдачу. Это не доставка товара клиенту и не прогнозирование спроса. Когда заказанной позиции нет, в процессе нужно решить, предложить ли замену или вернуть покупателю её стоимость.
Навигационная подсказка здесь помогает человеку найти товар внутри магазина: сообщает, где он расположен, или подсказывает направление и порядок движения. Она не берёт товар с полки и не решает автоматически, как поступить с отсутствующей позицией. Для руководителя это важное различие: даже если система использует алгоритм, её роль может быть ограничена добавлением нужного сигнала в уже существующую операцию.
Алгоритмическая поддержка может участвовать и в другом решении розничной логистики — пополнении запасов. Тогда менеджер определяет количество товара для заказа, а система может давать данные, рекомендации или централизованно формировать заказ. Сравнивать такие сценарии только по признаку «человек или автомат» недостаточно: в каждом из них важны свои входные сигналы и свой итог операции.
Навигация помогает сборщику — но не делает всех одинаково опытными
В эксперименте Instacart сборщики онлайн-заказов в США получали доступ к навигационным подсказкам в приложении. Доступ к системе назначался рандомно, а контрольная группа выполняла работу без неё. В полевой работе участвовали почти 6 тыс. сборщиков примерно в 160 продуктовых магазинах; данные собирали с июня по сентябрь 2022 года. Описание рандомизированного эксперимента опубликовано в INFORMS, а результаты опубликованы в статье журнала Information Systems Research, вышедшей онлайн 9 февраля 2026 года.
Комплектовщики физически искали и отбирали товар сами. Система добавляла в приложение сведения о местоположении товара и навигацию по магазину. Если нужной позиции не было, замена или возврат стоимости оставались частью заказа, а не решением, которое навигатор принимал вместо сотрудника.
Авторы оценили два изменения на уровне рабочих партий — групп заказов, которые сборщик выполнял за один выход. Эффективность комплектовки выросла на 3,29%, а доля позиций партии, за которые оформляли возврат стоимости, относительно снизилась на 3,83%. Оба исхода относятся к партии, а не к каждой отдельной позиции или ко всей работе склада. Определения исходов и таблицы моделей приведены в приложении к статье.
Средний результат не означал одинаковую пользу для каждого сборщика. Менее опытные участники сильнее полагались на систему, но это не всегда сопровождалось лучшим результатом; опытные эффективнее сочетали подсказку с собственным суждением, особенно при сложных покупках и высокой нагрузке. Авторы также отмечают, что технология может помочь работникам с более низким уровнем навыка сократить разрыв с более сильными коллегами, но для этого им нужен опыт. Поэтому руководителю с командой разного стажа важно оценивать не только общий средний эффект, но и то, как подсказка работает при разных уровнях опыта и сложности партии.
Пополнение запасов — другой эксперимент и другая задача
В опубликованном 16 сентября 2026 года исследовании Erasmus University Rotterdam проверяли решение о пополнении скоропортящихся товаров в 66 европейских магазинах. Это также рандомизированный полевой эксперимент, но он изучал не поиск товара сборщиком, а поддержку менеджера, выбирающего размер заказа. Участников сравнивали при четырёх уровнях алгоритмической поддержки: данные сканеров продаж, оценка упущенных продаж, рекомендация модели по количеству заказа и централизованная автоматизированная система.
Здесь локальная информация — сведения о конкретном магазине, которыми располагает его менеджер и которые могут не попасть в централизованный расчёт. В этой работе менеджеры могли добиться меньших совокупных затрат, учитывая такие сведения; группа с рекомендациями модели не улучшила общие затраты по сравнению с двумя группами, где использовались более простые данные. В аннотации авторы формулируют это так:
«Менеджеры магазинов могут превзойти центральную систему по совокупным затратам, используя локальную информацию».
Аннотация исследования Erasmus University Rotterdam, перевод с английского.
В первом случае оценивали время и качество комплектовки рабочих партий, где система подсказывала маршрут к товару. Во втором — общие затраты при пополнении запасов, где менеджер принимал решение о количестве заказа при разных уровнях поддержки. В этой операции более централизованная автоматизация не гарантировала лучшего результата: локальная информация менеджера имела значение для затрат.
Ценность алгоритмической поддержки — в добавленном сигнале, а не в автономии
Они показывают, что алгоритмическая поддержка в рознице связана с разными решениями. При сборке ценность может заключаться в сведениях о местоположении товара, которые сокращают поисковую работу; результат при этом зависит и от опыта сотрудника, его суждения, сложности заказа и нагрузки. При пополнении запасов ключевым становится решение менеджера о заказе, и локальная информация способна улучшить результат относительно центральной системы.
Отсюда управленческий критерий — не максимальная автономность, а качество связи между данными системы и знанием человека. Навигатор не обязан принимать решение о замене товара, чтобы приносить пользу сборщику. А система пополнения не становится лучше лишь потому, что она берет на себя больше решений: если в расчёте теряется значимая информация магазина, автоматизация может уступить менеджеру.
Для российского руководителя ценность этих экспериментов — в способе построить локальное сравнение и разделить показатели по операции: качество, время и затраты.
Операционные метрики зависят от задачи
Из этих двух экспериментов следует управленческая рамка из четырёх ориентиров:
| Ориентир | Комплектовка | Пополнение запасов |
|---|---|---|
| Операция | Поиск и отбор позиций заказа. | Выбор объёма заказа скоропортящегося товара. |
| Добавленный сигнал | Местоположение товара и маршрут. | Данные о продажах и упущенных продажах, модельное количество или централизованный заказ. |
| Знание человека | Опыт и суждение сборщика при разной сложности партии и нагрузке. | Локальная информация менеджера магазина. |
| Результат | Время и доля позиций с возвратом стоимости на уровне партии. | Совокупные затраты в четырёх группах с разным уровнем алгоритмической поддержки. |
Частые вопросы
Где в логистике применяют искусственный интеллект?
В розничных операциях ИИ может подсказывать сборщику расположение товара и маршрут. В исследовании пополнения оценивали алгоритмическую поддержку решения о заказе. Это разные задачи с разными результатами.
Как ИИ помогает в логистике?
В рассмотренных полевых экспериментах навигация давала сборщику сведения о местоположении товаров, а системы пополнения предлагали менеджеру данные и варианты заказа. Эффект оценивают по результату соответствующей операции.
Можно ли использовать ИИ при сборке заказов?
Эксперимент Instacart в США показал улучшение средних показателей при доступе сборщиков к навигационным подсказкам. Его проценты описывают партии в конкретном американском эксперименте и не являются прогнозом для российских магазинов.
Источники
- AI Helps Workers Most When Paired With Experience, New Study Finds — INFORMS, 24 августа 2026 г.
- Human-Algorithm Collaboration in Gig Work: The Role of Experience, Skill Level, and Task Complexity — Information Systems Research / INFORMS, 1 сентября 2026 г.
- Online Appendix A1, Tables and Figures — Information Systems Research / INFORMS, 1 сентября 2026 г.
- Cultivating Synergy: Human-Algorithm Interaction in Retail Decision Making - Insights from a Field Experiment — Erasmus University Rotterdam, 16 сентября 2026 г.