Региональный перевозчик распределял рейсы вручную: диспетчеры обзванивали водителей, план переписывался по четыре-пять раз за смену, а прогноз времени прибытия расходился с фактом на 47 минут. AI-диспетчер собирает маршруты по 118 точкам, считает ETA по телематике и трафику, сам перестраивает план при пробках и уведомляет клиентов с водителями без человека в цепочке. Пробег сократился на 18,4%, точность ETA выросла до ±9 минут, просрочки упали с 11% до 1,2%.
Региональный перевозчик и оператор сборных грузов: собственный автопарк 42 машины, из них 34 в собственности и 8 привлечённых по договору, три кластера доставки — город, пригород и междугородние направления, 118 постоянных точек: розничные магазины, склады дистрибьюторов, производства и пункты выдачи. Около 1 130 рейсов в месяц, примерно 51 рейс на смену, 22 рабочих смены. Головной офис и основной хаб — в Ростове-на-Дону, рейсы идут по Южному федеральному округу и в соседние регионы. Внедрение шло удалённо, из Москвы, — мы работаем по всей России и СНГ, включая клиентов из Новосибирска и Ростова-на-Дону.
Парк однотипный по классу, но разный по назначению: фургоны 3,5 тонны для города, средние грузовики 5–10 тонн для пригорода и несколько машин для междугородних рейсов. Суммарный пробег — около 168 000 км в месяц. Телематика стояла с 2021 года: GPS-координаты, датчики топлива, температуры в кузове, часть машин отдавала данные по CAN-шине. Данные писались в личный кабинет сервиса и в выгрузки для бухгалтерии, но планирование шло мимо них — в таблице Excel и в голове старшего логиста.
Диспетчерская — два диспетчера и старший логист. Утро начиналось с ручного распределения: кто из водителей на линии, у кого какое окно доставки у клиента, где нужна машина с низким кузовом, кто уже отработал максимум часов по режиму труда. Затем — обзвон: маршрутный лист диктовался по e-mailу, водитель записывал адреса в блокнот. К обеду план обычно ломался: пробка на мосту, клиент не готов принять груз, машина задержалась на разгрузке. Операционный директор сформулировал задачу прямо: «Мне не нужен робот вместо диспетчера. Мне нужно, чтобы к восьми утра план был готов, а когда что-то едет не так — система сама перестроила рейс и предупредила клиента, а не ждала, пока он позвонит». Похожие задачи мы разбираем в услуге автоматизация процессов.
Если читаете по диагонали: за семь недель мы развернули контур, который собирает маршруты по 118 точкам с учётом окон доставки, тоннажа и режима труда водителей, прогнозирует ETA по телематике и трафику, перестраивает план за 40 секунд при изменении обстановки и сам уведомляет клиентов и водителей. Результат: пробег −18,4%, точность ETA ±9 минут вместо ±47, просрочки 1,2% вместо 11%, 118 точек в трёх кластерах пересобраны.
Внешне логистика работала: грузы доезжали, клиенты не уходили массово, диспетчеры справлялись. Но экономика держалась на людях и на переработках. Чтобы уложить 51 рейс в смену, диспетчер строил план интуитивно, по опыту: «этот адрес ближе к обеду закроется на приёмку», «на этом мосту всегда пробка после семи». Такой план работал, пока не менялась обстановка. Как только одна машина задерживалась, вся цепочка ехала вниз: часть точек переносилась на следующий день, клиентам говорили «ориентировочно после обеда», и никто, включая диспетчера, не мог назвать точное время.
Предприятие уже пробовало решать это точечно: покупало модуль оптимизации в телематическом сервисе, нанимало третьего диспетчера на вечернюю смену, вводило правило сообщать клиенту интервал в четыре часа. Модуль строил маршрут по километражу, но не знал ни окон доставки, ни реального трафика, и планы из него приходилось переделывать вручную. Третий диспетчер разгрузил звонки, но не сократил пробег. Интервал в четыре часа снизил число жалоб, но не число просрочек. Итог — 11% доставок с опозданием, 900+ звонков «где машина» в месяц и ощущение, что данных о машинах в системе больше, чем решений из неё.
Мы разобрали 3 400 рейсов за три месяца и посчитали стоимость каждой причины. Все суммы — оценка Лидерс AI по данным перевозчика, а не гарантия экономии.
План собирался по опыту и по порядку поступления заявок, а не по геометрии маршрута. Машины ездили через центр к дальним точкам, возвращались за грузом, шли на второй круг по району, который уже проезжали утром. В среднем на рейс приходилось 14,2 км лишнего пробега при том, что в смене 51 рейс.
Оценка потери: около 22 400 лишних километров в месяц — примерно 358 000 ₽ на топливе и обслуживании.
Маршрут диктовался голосом, водитель записывал его в блокнот, часть адресов уточнялась повторно. Пока план не доведён до всех, машины стояли у склада: в среднем 46 минут на машину за смену — это не рейс, а ожидание. Утренний пик погрузки растягивался, и первая точка открывалась на час позже, чем могла.
Оценка потери: около 711 часов простоя в месяц — примерно 340 000 ₽ в оплате труда водителей и потерянной выработке.
Точность прогноза времени прибытия составляла ±47 минут. Это значит, что клиент, готовивший приёмку к 11:00, не мог планировать ни своих грузчиков, ни место на складе. Как следствие — 900+ звонков в месяц с одним и тем же вопросом «где машина». Диспетчер тратил на такие звонки 52 часа в месяц, то есть треть рабочего времени уходила не на планирование, а на объяснения.
Оценка потери: 52 часа диспетчерского времени в месяц и репутация перевозчика, который не может назвать время.
Каждый девятый рейс приезжал с опозданием. Часть просрочек закрывалась скидкой, часть — повторным выездом на следующий день, часть — простоем машины у закрытого склада, когда окно приёмки уже прошло. За год таких рейсов набралось около 1 460 при среднем ущербе 2 100 ₽ на рейс: пересортица, повторный выезд, скидка или простой.
Оценка потери: около 254 000 ₽ в месяц, то есть примерно 3 млн ₽ в год.
За 12 месяцев ушли семь постоянных клиентов — не из-за цены, а из-за срывов окон: у двух магазинов сети просрочки шли подряд три месяца, и тендер на следующий год они не продлили. Средний ушедший клиент давал компании около 180 000 ₽ маржи в год. Мы считаем эту потерю отдельно от штрафов: она не попадает в текущие расходы, но исчезает из выручки.
Оценка потери: около 1,26 млн ₽ недополученной маржи в год и тендеры, которые не продлеваются.
Фактически план знал только старший логист: какие адреса закрываются на приёмку, где нужен низкий кузов, какие клиенты принимают до полудня. В отпуске или на больничном качество плана падало заметно: в такие недели число просрочек поднималось выше 14%, а план переделывался шесть-семь раз за смену вместо четырёх. Формализованных ограничений в системе не было — только устные договорённости.
Оценка потери: в недели без старшего логиста просрочки росли на 3–5 п.п., а план переделывался почти вдвое чаще.
Разобрали 3 400 рейсов за три месяца: фактический пробег, время на точку, отклонение факта от заявленного времени, причины просрочек. Сверили телематику с журналом рейсов и нашли главное ограничение данных: на части машин координаты приходили раз в три минуты, на части — раз в 40 секунд. Отдельно выписали неформальные правила, по которым работал старший логист, — они стали основой ограничений в модели.
Собрали модель планирования: окна доставки по каждой из 118 точек, тоннаж и габариты груза, тип кузова, время на разгрузку, режим труда водителя, приоритет клиентов. Прогноз ETA построили на двух источниках — историческая скорость на участках и текущий трафик с поправкой на телематику конкретной машины. Отдельно описали правила перестроения: что можно менять на ходу, а что требует подтверждения диспетчера.
Запустили на городском кластере: девять машин, 34 точки, две смены. Сравнивали не с теорией, а с ручным планом диспетчера на тех же самых рейсах: пробег, число просрочек, количество звонков. Пилот показал −16,8% пробега и ETA ±14 минут — цифры ниже итоговых, и мы честно сказали об этом на защите, прежде чем идти на весь парк. Тогда же выяснилось, что водителям нужен короткий текст маршрута, а не PDF-лист.
Связали телематику, картографию и трафик с оркестратором на n8n: события от машин, пересчёт ETA по затронутым точкам, проверка ограничений, отправка уведомлений. Диспетчеру добавили дашборд смены с одной кнопкой отмены решения агента, водителям — маршрут и подтверждение в Telegram, клиентам — интервал прибытия с обновлением при сдвиге больше 15 минут. Контур развернули на серверах перевозчика.
Обучили двух диспетчеров и четырёх логистов: как читать план, как разбирать исключения, как менять окна доставки и веса ограничений, что делать, если агент ошибся. Отдали документацию по модели, регламент утреннего запуска смены и инструкцию для водителей. Дальше правки ограничений идут внутри компании — без нас, как и в остальных проектах.
Это не «умная карта» и не модуль оптимизации из телематического сервиса, который строит маршрут по километражу и не знает про окна приёмки. AI-диспетчер превращает поток данных о машинах в готовый план смены и в действия: перестроенный маршрут, сообщение водителю, уведомление клиенту, объяснение причины сдвига. Диспетчер при этом не теряет контроля — он видит каждое решение и может его отменить.
Отдельно про границы. Агент не звонит клиентам голосом, не меняет маршрут в момент разгрузки, не принимает решения по конфликтным ситуациям и не отменяет заявки. Он готовит план и варианты, а спорные случаи отдаёт человеку с контекстом: почему предложен перенос, какие точки затронуты, что будет с остальными рейсами. Именно этот принцип снял главное возражение диспетчерской службы: «мы не хотим утром разбирать, почему робот поставил клиента на два часа позже».
На экране — смена целиком: 42 машины на карте, 118 точек с окнами доставки, текущий ETA и перестроенные рейсы с причиной изменения. Ниже — что делает каждый модуль.
Собирает план смены: распределяет заявки по 42 машинам, выстраивает порядок объезда 118 точек и проверяет выполнимость — тоннаж, габариты, окна приёмки, время разгрузки, режим труда водителя. Если план невыполним, модуль не «натягивает» его, а показывает, какие точки не влезают и что нужно изменить: добавить машину, сдвинуть окно или перенести рейс на утро.
Считает время прибытия по каждой остановке: историческая скорость на участках, текущий трафик, фактический темп конкретной машины. При отклонении — пробка, задержка на разгрузке, объезд — пересчитывает затронутые точки за 40 секунд, проверяет ограничения и предлагает новый порядок. Диспетчер видит причину, дистанцию решения и может отменить его одной кнопкой.
Ведёт коммуникацию без человека: водителю отправляет маршрут и принимает подтверждение, отметки прибытия и сигналы о проблемах; клиенту — интервал прибытия и обновление при сдвиге больше 15 минут. Формулировки собирает LLM: коротко, по делу, с причиной сдвига. Все сообщения и ответы сохраняются в истории рейса — при разборе видно, кто и что получил.
Замеры велись по данным телематики, журналу рейсов и отчётности диспетчерской. Условия не менялись: те же 42 машины, те же 118 точек, те же три кластера, тот же штат диспетчеров. Суммы в рублях — оценки по данным перевозчика.
| Метрика | До | После | Эффект |
|---|---|---|---|
| Пробег автопарка | 168 000 км/мес | 137 100 км/мес | −18,4%; ≈ 495 000 ₽/мес при 16 ₽ за километр |
| Точность прогноза ETA | ±47 мин | ±9 мин | отклонение меньше в 5 раз |
| Просроченные доставки | 11% рейсов | 1,2% рейсов | −9,8 п.п.; ≈ 13 просрочек в месяц вместо 121 |
| Лишний пробег на рейс | 14,2 км | 9,8 км | −31% лишних километров |
| Звонки «где машина» | 900/мес | 140/мес | −84%; клиент видит интервал сам |
| Ручное планирование | 3,1 ч на диспетчера в день | 0,6 ч в день | −81%; высвобождено ≈ 110 ч/мес |
| Перестроений плана за смену | 4–5 вручную, 12–18 мин каждое | автоматически, ≈ 40 секунд | план не «устаревает» к обеду |
| Оптимизированные точки и кластеры | — | 118 точек в 3 кластерах | пересобраны окна, порядок и закрепление машин |
| Загрузка рейса | 71% | 84% | меньше полупустых машин на линии |
| Точки доставки | 118 | 118 | география та же, порядок объезда другой |
Как это читать. Сокращение пробега — не результат «умного алгоритма» самого по себе, а следствие того, что план перестал собираться по порядку заявок и начал собираться по ограничениям: окна приёмки, тоннаж, время разгрузки, режим труда водителя. ETA выросла по той же причине: прогноз считается по фактическому темпу конкретной машины, а не по среднему времени на точку. И честно про цифры: ±9 минут — это медиана по всем рейсам. По городским рейсам 84% прогнозов укладываются в ±10 минут, по междугородним дальше 300 км точность ниже, около ±22 минут, потому что там больше внешних факторов. Похожие расчёты экономики мы разбираем в статье сколько денег приносит AI-агент.
Коротко. Пробег −18,4% при том же объёме заявок. Точность ETA — ±9 минут вместо ±47. Просрочки — 1,2% вместо 11%. Звонки клиентов «где машина» упали в шесть раз. Диспетчеры не сокращены: они перешли с составления плана на разбор исключений. Единственная метрика, которая не изменилась по объективным причинам, — состав точек и кластеров; их стало не больше, но порядок объезда и закрепление машин пересобраны полностью.
Проект разбит на два этапа: пилот на городском кластере и девяти машинах, затем масштабирование на весь парк. Оплата — этапами 30/40/30, как и во всех проектах Лидерс AI. Инфраструктура включает серверную часть n8n в контуре перевозчика, карты и трафик, хранение истории рейсов и мониторинг качества прогноза.
| Статья | Сумма | Комментарий |
|---|---|---|
| Пилот (аудит + один кластер) | 240 000 ₽ | 9 машин, 34 точки, сравнение с ручным планом на тех же рейсах |
| Масштабирование (42 машины) | 890 000 ₽ | Маршрутизация, ETA и перестроение, автоуведомления, дашборд, интеграции |
| Инфраструктура | ≈ 38 000 ₽/мес | Серверная часть в контуре, карты и трафик, хранение истории рейсов |
| Итого проект | 1 130 000 ₽ | Тариф «Автоматизация направления», оплата 30/40/30 |
Окупаемость — около 2,5 месяца. Расчёт консервативный: в него взята только экономия на пробеге и топливе — 495 000 ₽ в месяц при переменной стоимости километра 16 ₽, минус инфраструктура 38 000 ₽. Эффект от снижения просрочек, штрафов и возврата ушедших клиентов мы не включали: он есть, но зависит от вашей клиентской базы и условий договоров. Медианная окупаемость по всем 42 проектам студии — 3,1 месяца; здесь быстрее, потому что пробег — прямой и легко измеряемый расход. Как мы считаем такую экономику, разобрано в статье сколько денег приносит AI-агент.
Что не входило: покупка и ремонт машин, замена телематических блоков, работа с грузчиками на складах клиентов и переговоры по штрафам. Это остаётся за вашей службой эксплуатации и коммерческим отделом.
Как мы считаем эффект →Отдельную «систему управления перевозками» мы не строили. Соединили то, что у перевозчика уже было: телематика дала положение и темп машин, карты — геометрию и трафик, Telegram — канал до водителя и клиента, n8n стал оркестратором, а LLM превратила расчёт в понятное сообщение.
Источник данных по 42 машинам: координаты, скорость, пробег, расход топлива, температура в кузове, часть параметров по CAN-шине. Точки приходят с интервалом от 40 секунд до трёх минут — для городской логистики этого достаточно, и мы проверили это на исторических данных до старта.
Геометрия маршрутов, ограничения по проезду и текущая загрузка дорог. Картографический слой даёт базовое время в пути, а поправку на конкретную машину и водителя вносит уже модель — средняя скорость по участку не равна скорости конкретного фургона с конкретным грузом.
Оркестрация всего контура: события телематики, пересчёт ETA по затронутым точкам, проверка ограничений, постановка уведомлений в очередь, повторные попытки при сбоях, журнал действий агента. Развёрнут на серверах перевозчика — данные о рейсах и клиентах не уходят во внешние сервисы.
Формулирует сообщения клиенту и водителю: короткий маршрут, интервал прибытия, причина сдвига, варианты переноса окна. Модель же разбирает свободный ответ водителя — «на приёмке не принимают, стою двадцать минут» — и превращает его в событие, которое двигает план, а не в запись в чате.
Рабочий канал: водитель получает маршрут и подтверждает его, отмечает прибытие и разгрузку, сообщает о проблеме одной кнопкой. Диспетчер — алерты об отклонениях и запросы на подтверждение. Клиенты получают интервал прибытия, если согласились на такой канал; остальным звонит диспетчер.
История рейсов, точек, фактических времён и решений агента — в PostgreSQL: на этих данных пересчитываются веса ограничений и проверяется точность прогноза. Факт выполнения рейса и закрывающие документы остаются в учётной системе перевозчика, как и раньше.
Схема связей: телематика 42 машин → n8n → расчёт маршрута и ETA (карты, трафик, история рейсов) → проверка ограничений → LLM-формулировка → Telegram водителю и клиенту → отметки о прибытии и разгрузке → пересчёт ETA и перестроение плана. Контур развёрнут на серверах перевозчика, доступы разграничены по ролям, каждое действие агента фиксируется в журнале. Подробнее про связку технологий — в статье n8n + LLM + CRM, а про то, как это выглядит на стороне диспетчера, — в разделе автоматизация процессов.
Развёртывание оркестратора на собственном сервере — официально документированный сценарий n8n.
«Мы приходили с запросом «сделайте нам оптимизацию маршрутов» и были уверены, что проблема в алгоритме. На разборе нам показали другое: план ломался не потому, что его плохо строили, а потому что он нигде не фиксировался — он жил в голове старшего логиста и в блокнотах водителей. Когда ограничения выписали на бумагу — окна, тоннаж, время на разгрузку, режим труда, — стало видно, что половина наших споров была о том, чего никто не записывал. Сейчас утро выглядит так: к семи тридцати план готов, водители получили маршрут в Telegram, диспетчер разбирает четыре-пять отклонений за смену вместо пятидесяти рейсов. Клиенты перестали звонить и спрашивать, где машина, — они видят интервал. Отдельно скажу про первое время: водители сопротивлялись, у части не читались сообщения, и мы вместе переписывали тексты три раза. Не обещаю, что у вас пройдёт гладко, но результат измеримый: пробег мы видим в отчёте каждую неделю».
Добавим то, о чём редко пишут в кейсах логистики: первый месяц точность ETA была ±18 минут, а не ±9. Причина оказалась не в модели, а в данных: на восьми машинах телематика отдавала координаты с задержкой до трёх минут, а часть точек на карте имела неточные координаты въезда — грузовик ехал к шлагбауму, который был закрыт для грузового транспорта. Мы потратили две недели на сверку адресов с диспетчерами и водителями и на настройку сглаживания при редких точках. После этого прогноз вышел на ±12 минут, а к четвёртому месяцу — на ±9. Именно эта работа, а не сам алгоритм, определила результат. Про типичные ошибки внедрения мы подробно писали в статье почему AI-проект не окупился.
Не нашли свой вопрос? Напишите в Telegram или позвоните по номеру.
Если задача похожа на вашу, посмотрите, как мы решали её в других отраслях. Полный список — в разделе все кейсы.
Если у перевозчика рейсы идут, а документы по ним разносит бухгалтерия вручную — этот кейс про то, как агент извлекает реквизиты из счетов и актов и сверяет их с учётной системой.
Если перевозчик теряет клиентов на скорости ответа — здесь агент отвечает за минуту, квалифицирует запрос и ставит встречу в календарь менеджера. Тот же принцип: мгновенная реакция вместо ручной очереди.
Тот же принцип работы с потоком данных, только вместо телематики машин — телеметрия четырёх линий: агент видит аномалию до отказа и сам создаёт наряд на обслуживание.
Работаем по России и СНГ: внедряли проекты в Москве, Санкт-Петербурге, Ростове-на-Дону, Новосибирске и других городах. О команде — в разделе о нас, связаться можно через контакты.
Разберём, какие данные о машинах у вас уже есть, покажем, где теряется пробег и почему прогноз времени не сходится с фактом. Посчитаем экономию в километрах и рублях, дадим расчёт и смету со сроками. Без презентаций и давления: даже если вы решите ничего не внедрять, карта точек и расчёт останутся у вас.
Ответим в течение 30 минут в рабочее время. Пришлём вопросы для подготовки, чтобы не тратить ваше время.
Мы свяжемся с вами в течение 30 минут в рабочее время и пришлём вопросы для подготовки к аудиту.