Kako umjetna inteligencija smanjuje troškove i optimizira zalihe: 5 primjera iz prakse

Ovdje postaje jasna razlika između tehnološkog trenda i stvarne poslovne vrijednosti. Vodeći timovi više ne traže upozorenja o “propuštenim prilikama”, već konkretne odgovore: koliko se proces može ubrzati, koliko se zalihe mogu smanjiti i koliki se dodatni prihod može ostvariti kroz bolju dostupnost proizvoda.

Iskustva iz projekata u regiji pokazuju jasan obrazac. Najveći učinak ne postižu tvrtke koje kreću od tehnologije, već one koje polaze od konkretnog poslovnog pitanja: koju odluku ili proces žele unaprijediti?

Takva pitanja najčešće se pojavljuju u operativnim procesima, gdje se svakodnevno donosi velik broj sličnih odluka — o naručivanju, zalihama, proizvodnji i komunikaciji s kupcima. Upravo u tim područjima analitika podataka i prediktivni modeli najbrže donose mjerljive rezultate.

Primjeri iz prakse pokazuju da najveći financijski učinak često proizlazi iz odluka o naručivanju i upravljanju zalihama — područja u kojima je ključno uskladiti prodaju, logistiku i uvjete dobavljača. U nastavku donosimo nekoliko primjera iz različitih industrija.

Maloprodaja i distribucija: od tri osobe i tri dana do tri sata

U maloprodaji, farmaciji, distribuciji medicinske opreme, modi i industriji za kućne ljubimce, naručivanje se još uvijek često temelji na kombinaciji iskustva, proračunskih tablica i intuicije. Takav pristup funkcionira dok je broj lokacija ograničen, a asortiman relativno jednostavan.

No kada tvrtka upravlja desecima prodajnih mjesta, tisućama SKU-ova, različitim dobavljačkim uvjetima, promocijama, rokovima trajanja i sigurnosnim zalihama, ručno donošenje odluka brzo postaje usko grlo.

U jednoj većoj regionalnoj maloprodajnoj tvrtki tri su zaposlenika gotovo tri radna dana tjedno provodila pripremajući prijedloge narudžbi. Analizirali su prodaju po lokacijama, stanje zaliha i sezonske trendove, uz istovremeno uzimanje u obzir minimalnih količina narudžbe, dobavljačkih poticaja i skladišnih ograničenja. Proces je bio složen, spor i u velikoj mjeri ovisan o individualnom iskustvu.

Rješenje je započelo integracijom podataka iz ERP-a, prodajnih sustava i logistike te definiranjem jasnih poslovnih pravila — od ugovornih ograničenja do sigurnosnih zaliha i posebnih uvjeta skladištenja. Na tu osnovu nadograđeni su modeli za predviđanje potražnje.

Danas sustav automatski generira prijedloge narudžbi po lokacijama, optimizira transfere između trgovina i uzima u obzir sva relevantna logistička i ugovorna ograničenja.

Rezultat je jasan: proces koji je ranije trajao gotovo tri dana sada se završava u nekoliko sati. Više od 85 % narudžbi generira se automatski, dok su nedostaci zaliha smanjeni i do 90 %, što se izravno odražava na rast prihoda. Istovremeno su smanjene zalihe sporije pokretnih artikala, čime se oslobađa kapital vezan u skladištu.

Važno je naglasiti da sustav ne zamjenjuje ljude. On djeluje kao podrška u donošenju odluka, automatizirajući podatkovno zahtjevne zadatke. Složeniji artikli i dalje ostaju pod kontrolom korisnika.

Ključna razlika? Algoritam ne zaboravlja napraviti narudžbu.

Logistika: marža se više ne gubi u kamionu

Tvrtke obično vrlo pažljivo prate logističke troškove jer su izravno vidljivi na računima. No manje su očite posljedice suboptimalnih odluka o naručivanju — kapital vezan u zalihama, pretrpana skladišta i spor obrtaj — koje postaju vidljive tek kasnije u financijskim izvještajima.

U praksi smo često nailazili na isti obrazac: narudžbe su se formirale “da se napuni kamion”, bez obzira na stvarnu dinamiku prodaje. Rezultat su bile zalihe koje mjesecima stoje na skladištu i nepotrebno vezan kapital.

Uvođenjem optimizacije veličine pošiljki i učestalosti naručivanja — uzimajući u obzir prognoze prodaje, rokove isporuke i ugovorne uvjete — rezultati su brzo postali vidljivi. Troškovi transporta smanjeni su za 5–15 %, dok je kapital vezan u zalihama u prosjeku smanjen za više od 20 %, bez negativnog utjecaja na dostupnost proizvoda. U pojedinim kategorijama smanjenja su dosezala i 25–65 %.

Sustav pritom uzima u obzir sezonalnost, minimalne količine narudžbe, dobavljačke poticaje i skladišna ograničenja te predlaže optimalnu raspodjelu narudžbi tijekom godine. Dodatno, algoritam može izračunati isplativost ostvarivanja dobavljačkih bonusa u odnosu na trošak dodatnih zaliha i obrt kapitala.

Ovo nije tehnološki eksperiment, već optimizacija jedne od ključnih financijskih odluka u poslovanju.

Proizvodnja: niže zalihe i brži odgovor na narudžbe

U proizvodnim tvrtkama neučinkovitosti su često rezultat nepovezanih odjela. Prodaja definira rokove isporuke, proizvodnja optimizira kapacitete, a nabava minimizira rizik. Kada ti pogledi nisu usklađeni, rezultat su kašnjenja, višak zaliha ili oboje.

Rješenje leži u povezivanju prodajnih prognoza sa stvarnim proizvodnim mogućnostima. Model obuhvaća sastavnice proizvoda (bill of materials), tehnološke procese, kapacitete strojeva i rokove isporuke sirovina. Umjesto paralelnih i često neusuglašenih planova, sustav izračunava scenarij koji je istovremeno izvediv u pogledu kapaciteta i financijski opravdan.

Rezultati su mjerljivi. U proizvodnji na zalihu (make-to-stock) dostupnost proizvoda povećava se za 10–20 %, uz do 30 % manje hitnih prilagodbi planova. U proizvodnji po narudžbi (make-to-order) vrijeme odgovora smanjuje se za 15–25 %. Istovremeno se zalihe sirovina i poluproizvoda smanjuju za 10–20 %, bez negativnog utjecaja na razinu usluge.

Najveća promjena ipak nije tehnološka, već organizacijska. Prodaja, proizvodnja i nabava počinju donositi odluke na temelju istih podataka. Time se smanjuje broj internih eskalacija, povećava transparentnost i omogućuje predvidljiviji novčani tok.

B2C industrije: personalizacija počinje s podacima

U ugostiteljstvu, bankarstvu, osiguranju i drugim B2C industrijama, umjetna inteligencija se često povezuje s personalizacijom. Međutim, u praksi najveći pomak često započinje čišćenjem podataka.

Kod jednog klijenta prvi korak bio je čišćenje i deduplikacija baze gostiju. Uklanjanjem dupliciranih zapisa stopa otvaranja e-mailova povećana je za više od 20 %, dok je stopa odjava smanjena. Tek nakon toga uvedeni su bihevioralna segmentacija i modeli za određivanje optimalnog vremena kontakta, što je rezultiralo povećanjem učinkovitosti kampanja od 15 do 30 %.

Sličan pristup primijenjen je i u automatizaciji obrade upita. Sustav danas automatski klasificira poruke i predlaže odgovore, čime je vrijeme obrade smanjeno za oko 40 %, a komunikacija postala brža i dosljednija.

Važna lekcija je jasna: generički AI asistenti bez integracije u ERP i CRM sustave rijetko donose mjerljive rezultate. Stvarna vrijednost nastaje tek kada je rješenje integrirano u ključne poslovne procese.

Financije i računovodstvo: automatizacija tamo gdje se najmanje očekuje

Sličan pristup pokazuje se vrlo učinkovitim i u području financija. U jednoj industrijskoj tvrtki razvijen je model koji automatski predlaže konto i porezni kod prilikom zaprimanja e-računa. Računovođa pregledava i potvrđuje prijedlog, čime se značajno ubrzava cijeli proces obrade.

Isti princip može se primijeniti i na druge financijske procese — od zaključivanja računa do usklađivanja otvorenih stavki i kontrole knjiženja. Sve aktivnosti koje se temelje na pravilima i povijesnim obrascima pogodne su za automatizaciju i optimizaciju.

Rezultat nije samo ušteda vremena, već i veća konzistentnost, manje pogrešaka te bolja kontrola nad financijskim procesima.

Razlika je u temeljima, a ne u tehnologiji

Uspješni projekti ne započinju tehnologijom, već konkretnom poslovnom odlukom, jasno definiranim slučajem upotrebe i precizno identificiranim problemom. Ključnu ulogu pritom imaju kvalitetni i povezani podaci te bliska suradnja između poslovnih odjela i IT-a. Generička rješenja rijetko daju rezultate — prilagodba specifičnostima svake tvrtke je nužna.

Umjetna inteligencija nije čarobni štapić, ali je iznimno učinkovit alat u procesima gdje se odluke ponavljaju i izravno utječu na troškove, prihode ili kapital. Većina tvrtki u regiji već raspolaže potrebnim podacima — izazov nije njihovo prikupljanje, već njihova učinkovita primjena.

Ključno pitanje danas više nije treba li implementirati umjetnu inteligenciju, već koji poslovni proces prvo unaprijediti.

Kada umjetna inteligencija postane dio jezgre poslovanja, rezultati se jasno odražavaju u maržama, razinama zaliha, novčanom toku i zadovoljstvu kupaca. U tom trenutku više ne govorimo o tehnološkom trendu, već o stvarnoj konkurentskoj prednosti.