AI agenti u upravljanju skladištem: od podataka do odluke

Kako AI agenti menjaju ulogu WMS-a — od praćenja operacija i razumevanja konteksta do podrške odlučivanju i, tamo gde za to postoje uslovi, pokretanja konkretnih aktivnosti.

Godinama je jedan od glavnih ciljeva digitalizacije skladišta bio da konačno možemo da vidimo šta se u njemu zaista dešava.

Kompanije su ulagale u WMS (Warehouse Management System), barkod skeniranje, mobilne uređaje, izveštavanje i integracije kako bi u svakom trenutku znale koliko robe imaju, gde se ona nalazi, koji nalozi čekaju obradu, šta je već komisionirano i gde nastaju zastoji.

I to je napravilo ogromnu razliku.

Dobar WMS danas može da pruži veoma preciznu sliku skladišta. Ali upravo tu se otvara sledeće pitanje:

Ako sistem već zna šta se dešava, može li da pomogne i u odluci šta treba uraditi sledeće?

To više nije pitanje neke daleke budućnosti. Gartner je agentic AI svrstao među ključne tehnološke trendove u lancu snabdevanja za 2026. godinu, a na tržištu se već pojavljuju rešenja u kojima AI ne služi samo za analizu i prikaz podataka, već ulazi i u domen operativnog odlučivanja. To ne znači da će WMS sutra „voditi skladište umesto ljudi“. Mnogo je zanimljivije ono što se dešava između te dve krajnosti.

Sistemi počinju da dobijaju sposobnost da povežu više informacija, razumeju situaciju u kojoj je nastao problem, predlože naredni korak i — kod jasno definisanih odluka — pokrenu određenu aktivnost.

Podataka imamo dovoljno. Šta radimo sa njima?

Savremeno skladište tokom jedne smene generiše ogroman broj podataka.

Prijem robe, kretanje zaliha, zadaci komisioniranja, dopuna picking lokacija, prioriteti naloga, rokovi otpreme, raspoloživost ljudi, status opreme, kašnjenja i različita odstupanja beleže se kroz WMS, ERP, WES, automatizovane sisteme i druga povezana rešenja.

Problem zato sve ređe glasi: nemamo informaciju.

Mnogo češće glasi: imamo je, ali je potrebno na vreme razumeti šta ona znači.

Uzmimo jednostavan primer. Prioritetnom nalogu približava se krajnji rok za otpremu, a komisioniranje još nije završeno.

Na ekranu izgleda kao problem u pickingu. Ali možda picking uopšte nije pravi problem. Dopuna nije stigla do picking lokacije. Raspoloživa količina rezervisana je za drugi nalog. Jedna zona je preopterećena. Ili je drugi prioritet u međuvremenu angažovao ljude koji su bili planirani za taj posao.

Sve potrebne informacije možda već postoje u sistemima.

Ono što nedostaje jeste da ih neko — ili nešto — poveže dovoljno brzo, utvrdi uzrok i proceni šta sada ima najveći prioritet.

U realnom skladištu upravo tu često odlazi vreme.

WMS zna šta se dogodilo. Sledeći korak je razumeti šta treba uraditi

Osnovna uloga WMS-a ostaje ista: kontrola zaliha i lokacija, upravljanje zadacima i vođenje operacija prema definisanim pravilima.

Izveštaji i BI alati omogućili su da iz tih procesa dobijemo mnogo bolju vidljivost.

Ali videti problem i odlučiti šta uraditi sa njim nisu ista stvar.

Tu nastaje sledeći sloj.

Nalog kojem se približava rok za otpremu ne mora više da proizvede samo crveno upozorenje na ekranu. Sistem može da analizira zbog čega kasni, proveri stanje na picking lokaciji, sagleda raspoložive resurse i druge prioritete i predloži šta bi trebalo uraditi prvo.

Pojednostavljeno, do sada smo uglavnom gradili sisteme koji mogu da:

evidentiraju → prikažu → analiziraju.

Sada se približavamo sistemima koji mogu da:

uoče → povežu → preporuče → deluju.

Razlika deluje mala kada se napiše u jednom redu. U operacijama je ogromna.

Prava vrednost AI-a možda se najbolje vidi kada stvari ne idu po planu

Idealno skladište na prezentaciji uvek radi savršeno.

Stvarno skladište ne radi.

Kamion kasni. Na lokaciji nema količine koju sistem očekuje. Dopuna je potrebna ranije nego što je planirano. U talasu komisioniranja pojavljuje se nedostatak. Jedna zona odjednom ima mnogo više posla od druge. Oprema stane. Kupac promeni prioritet kada je smena već u toku.

Tu se zapravo vidi koliko je operacija dobra.

Iskusan rukovodilac skladišta ne donosi vrednost samo zato što je primetio crveno upozorenje. Vrednost je u tome što zna zašto je problem nastao, šta će sledeće poremetiti i šta treba uraditi prvo.

Upravo u tom prostoru AI može biti veoma koristan.

Ne zato da zameni supervizora, već da mu skrati put od problema do odluke.

Ako sistem može da prepozna odstupanje, poveže ga sa drugim relevantnim događajima, proceni posledice i izdvoji ono što zahteva hitnu pažnju, čovek više ne mora da provodi isti deo smene tražeći informacije po različitim ekranima.

To je mnogo realnija kratkoročna vrednost AI-a od ideje potpuno autonomnog skladišta.

A onda dolaze AI agenti

AI agenti ovu logiku pomeraju još jedan korak dalje.

Za razliku od sistema koji samo prikazuje informaciju ili generiše preporuku, agent može da prati određeni operativni kontekst, koristi podatke iz povezanih sistema i, u okviru unapred definisanih ovlašćenja, pokrene sledeću aktivnost.

Koliko će mu biti dozvoljeno da uradi — sasvim je drugo pitanje.

Negde će samo upozoriti supervizora i predložiti rešenje.

Negde će pripremiti aktivnost, ali će čovek morati da je potvrdi.

A kod čestih, jasno definisanih i niskorizičnih odluka može imati smisla da određene korake izvrši samostalno.

Ovo više nije samo teorija. Manhattan Associates je početkom 2026. objavio komercijalnu dostupnost AI agenata u okviru Manhattan Active rešenja. Primeri njihove primene u skladišnim operacijama obuhvataju analizu problema u wave procesima, podršku skladišnim operaterima i prepoznavanje neravnoteže u raspodeli radne snage.

I tržišna očekivanja su velika. Gartner prognozira da će potrošnja na softver za upravljanje lancem snabdevanja koji uključuje agentic AI porasti sa manje od 2 milijarde dolara u 2025. na 53 milijarde dolara do 2030. godine. Prema istoj prognozi, do 2030. godine 60% kompanija koje koriste SCM softver imaće agentic AI funkcionalnosti, u odnosu na 5% u 2025.

Brojke jesu impresivne. Ali za skladište je mnogo važnije jedno praktično pitanje:

Koje odluke zaista ima smisla prepustiti sistemu?

Ovo pitanje postavljamo i sebi

Za Logit ova tema nije samo praćenje novog tehnološkog trenda.

Trenutno razvijamo AI agenta i kroz taj proces praktično istražujemo kako operativne podatke pretvoriti u brže, doslednije i korisnije odluke.

Projekat je još u razvoju — i upravo je to zanimljiv deo.

Jer vrlo brzo se pokaže da glavno pitanje nije samo šta AI može da uradi, već šta treba da mu bude dozvoljeno da uradi. Koji kontekst mora da ima? Kada je preporuka dovoljna? Kada je potrebna potvrda čoveka? Ko ima poslednju reč? Šta se događa kada podaci iz dva sistema nisu usklađeni? Kada agent treba da stane i prepusti odluku supervizoru?

To nisu pitanja koja dolaze na kraju razvoja. Ona su deo samog dizajna rešenja. I vraćaju nas na nešto što kroz WMS projekte viđamo već godinama: koliko god tehnologija bila napredna, rezultat na kraju zavisi od toga koliko dobro razumemo procese na koje je primenjujemo.

Bez dobrih osnova nema ni „pametnog“ skladišta

AI ne može pouzdano da zaključuje o zalihama ako stanje zaliha nije tačno.

Ne može dobro da određuje prioritete ako poslovna i operativna pravila nisu jasno definisana.

Ne može da razume kompletnu situaciju ako su ključni podaci zatvoreni u nepovezanim sistemima.

I svakako ne bi trebalo da izvršava aktivnosti ako prethodno nije jasno ko je za šta odgovoran i gde se završava njegovo ovlašćenje.

Zato AI ne umanjuje značaj dobrog WMS-a, uređenih procesa, kvalitetnih podataka i integracija.

Radi upravo suprotno.

Što sistemu dajemo veću ulogu u odlučivanju, to više moramo da verujemo podacima i pravilima na kojima te odluke zasniva.

Gartner u svojim prognozama vezanim za agentic AI u lancu snabdevanja upravo zato ukazuje na značaj upravljanja podacima, operativnog upravljanja, spremnosti zaposlenih za rad sa AI tehnologijama i bolje povezanosti sistema.

AI jeste novi sloj. Ali osnova ispod njega mora biti vrlo dobra.

Integracija više nije samo pitanje razmene podataka

Do sada smo o integracijama često govorili kroz tok podataka.

ERP šalje nalog WMS-u. WMS vraća stanje ili potvrdu otpreme. Transportni sistem dobija podatke potrebne za isporuku.

Kod sistema koji treba da podrži odluku, to više nije dovoljno.

WMS može da zna da je nalog spreman za komisioniranje. ERP zna koliko je kupac ili nalog poslovno važan. Transportni sistem zna kada ističe rok za predaju pošiljke prevozniku. Automatizovani sistem zna koliko kapaciteta trenutno ima na raspolaganju. Podaci o radnoj snazi pokazuju da je jedna zona već preopterećena.

Ako treba doneti dobru odluku, možda su potrebne sve te informacije.

Drugim rečima, integracija više ne obezbeđuje samo podatke.

Ona obezbeđuje kontekst.

A bez konteksta ni najnapredniji AI nema dovoljno dobru osnovu za odluku.

Zato bi jedno od prvih pitanja kompanije koja razmatra AI u skladištu trebalo da bude:

Da li naši sistemi zajedno znaju dovoljno da bi AI mogao da donese dobar predlog?

Ne mora svaka odluka da postane automatska

U trenutnoj AI euforiji lako je doći do pogrešnog cilja: što više autonomije, to bolje.

U skladištu to jednostavno nije tačno.

Cilj nije autonomija. Cilj su bolje operacije.

Odluka koja se donosi stotinu puta dnevno, prati jasna pravila, ima mali rizik i može lako da se koriguje verovatno jeste dobar kandidat za automatizaciju.

Odluka koja utiče na bezbednost, važnu obavezu prema kupcu, neuobičajenu situaciju sa zalihama ili značajan finansijski rizik — verovatno nije.

Granica između te dve vrste odluka biće jedna od važnijih tema kako AI agenti budu ulazili u realne operacije.

Zato Gartner među ključnim temama tehnološkog razvoja lanca snabdevanja za 2026. ne izdvaja samo autonomiju i inteligenciju, već i poverenje i upravljanje. Kako sistemi dobijaju više mogućnosti, mora postojati jednako jasan odgovor na pitanje ko kontroliše njihove odluke.

Zato ne bih počela pitanjem:

„Koliki deo skladišta možemo da prepustimo AI-u?“

Mnogo korisnije je pitati:

„Koje odluke nam danas oduzimaju najviše vremena, za koje imamo dovoljno pouzdane podatke i gde bi brža i doslednija odluka zaista promenila rezultat?“

To je već razgovor o skladištu. Ne o tehnologiji radi tehnologije.

Sledeća faza nije više podataka, već bolje odluke

Digitalizacija skladišta dugo je rešavala pitanje vidljivosti.

Prvo smo želeli da pouzdano evidentiramo šta se dogodilo.

Zatim da to možemo da pratimo i analiziramo gotovo u realnom vremenu.

Sada se otvara sledeća faza: kako sve te podatke iskoristiti da se bolja odluka donese dok još može da promeni ishod operacije.

Tu počinju da se spajaju WMS, integracije, analitika, automatizacija i AI.

Za Logit se taj razvoj prirodno nadovezuje na više od dve decenije rada sa WMS rešenjima i skladišnim operacijama. Tehnologije, industrije i modeli skladišta razlikuju se od projekta do projekta, ali jedna stvar se ne menja: napredna tehnologija teško može da nadoknadi loše postavljen proces, nepouzdane podatke ili sisteme koji međusobno ne razmenjuju ono što je zaista važno.

AI značajno proširuje ono što sistemi mogu da rade.

Ali što im dajemo veću ulogu u odlučivanju, kvalitet tih osnova postaje još važniji.

Zato možda najzanimljivije pitanje za sledeću fazu digitalizacije skladišta nije šta će sve AI moći da uradi.

Nego:

Koje odluke u vašem skladištu danas još zahtevaju da neko pogleda nekoliko ekrana, poveže informacije i odluči šta treba uraditi sledeće?

Ko donosi sledeću odluku u skladištu?