NachrichtenAktienFarEye führt agentischen KI-Dispatcher für die Planung der Last-Mile-Lieferung ein

FarEye führt agentischen KI-Dispatcher für die Planung der Last-Mile-Lieferung ein

Autor: FreightWaves·

Wichtige Erkenntnisse

  • FarEye hat PILOT als agentischen KI-Dispatcher für Last-Mile-Lieferungen eingeführt.
  • Nach Angaben des Unternehmens macht die Last-Mile-Lieferung 40% der gesamten Supply-Chain-Kosten aus und setzt Disponenten unter hohen Druck.
  • PILOT kann Auftragsdaten bereinigen, Routen planen, Carrier und Fahrer beschaffen, Sendungen übergeben und Ausnahmen überwachen.
  • FarEye zufolge wächst die Online-Bestellung bei Einzelhandelskunden drei- bis fünfmal schneller als der Verkauf im Geschäft, was das Liefervolumen erhöht.
  • Das System ist darauf ausgelegt, menschliche Aufsicht zu unterstützen, nicht Fahrer oder Floor Supervisor zu ersetzen.
FarEye führt agentischen KI-Dispatcher für die Planung der Last-Mile-Lieferung ein

Kostenloser Zwei-Tage-Versand hat die Erwartungen der Kunden an Lieferungen verändert und die Budgets für die Last-Mile-Logistik belastet, mit denen Einzelhändler weiterhin umgehen müssen.

FarEye, ein KI-gestütztes Delivery Management System (DMS), hat einen agentischen KI-Dispatcher namens PILOT eingeführt, der Final-Mile-Lieferungen mit minimaler menschlicher Aufsicht planen, ausführen und überwachen soll. Gaurav Srivastava, Mitgründer sowie Chief Product and Technology Officer des Unternehmens, sagte FreightWaves, zwei Faktoren hätten den Start möglich gemacht: die anhaltende Nachfrage der Verbraucher nach kostenloser, schneller Lieferung und die Fortschritte bei KI nach dem Debüt von Large Language Models (LLMs).

„Die zwei großen Treiber von KI: Der erste ist das, was wir den Amazon-Prime-Effekt nennen“, sagte Srivastava. „Jeder Verbraucher möchte Dinge kostenlos und schnell geliefert bekommen, und das stellt Einzelhändler und Transportunternehmen auf der ganzen Welt vor große Herausforderungen.“

Dieser Druck ist in der Last Mile am stärksten zu spüren, der letzten Strecke zwischen einem Lager oder Geschäft und der Haustür des Kunden. Sie ist zugleich der teuerste Teil des Netzwerks, was erklärt, warum sich Automatisierung von einfachen Tracking-Tools hin zu Systemen verlagert, die operative Entscheidungen treffen können.

Der Amazon-Prime-Effekt trifft auf ein Kostenproblem

Srivastava sagte, die Last-Mile-Lieferung mache 40% der gesamten Supply-Chain-Kosten aus, mehr als jeder andere Bereich des Netzwerks. Sie sei zudem stark fragmentiert, wobei die tägliche Entscheidungsfindung in einer einzigen, überlasteten Rolle gebündelt sei.

„Der Dispatcher ist die Person, die vor Ort in der Stadt sitzt, Ihre Fahrer managt, das Chaos bewältigt, wenn ein Fahrer nicht erscheint, ein Lkw in einen Unfall gerät, eine Sendung sich verspätet oder ein Kunde dringend anruft“, sagte Srivastava. „All das wird von dieser einen Person, diesem einen Menschen, aufgefangen. Sein gesamter Tag vergeht mit dem Löschen von Bränden.“

FarEye arbeite seit mehr als 10 Jahren mit Disponenten zusammen, sagte Srivastava. Agentische KI habe eine neue Option eröffnet: einen Agenten, der an der Seite des Disponenten arbeitet, statt ihm nur einen weiteren Bildschirm zum Anklicken zu geben.

Einblick in FarEyes agentischen KI-Dispatcher

PILOT ist darauf ausgelegt, das zu übernehmen, was ein Dispatcher typischerweise in einer 10-Stunden-Schicht erledigt: Auftragsdaten bereinigen, Routen planen, Carrier und Fahrer beschaffen, Sendungen übergeben und den Betrieb überwachen, wenn Probleme auftreten. Das System kann autonom laufen oder mit menschlicher Überprüfung seiner Entscheidungen.

„Dieser Agent kann Ihre Last-Mile-Operationen proaktiv planen, ausführen und auch überwachen“, sagte Srivastava. Das System sei modular aufgebaut und sitze auf den bestehenden Tools eines Unternehmens für Routenoptimierung, Compliance sowie Track-and-Trace – unabhängig davon, ob sie von FarEye oder einem anderen Anbieter stammen – und bündele sie in einer einzigen Entscheidungsebene. Im Human-In-The-Loop-(HITL)-Modell behalte das System die erforderliche menschliche Aufsicht bei und reserviere Eingriffe für kritische Ausnahmen.

Für Carrier und Versender bedeutet das weniger Entscheidungen, die durch das Urteil einer einzigen überlasteten Person laufen, und mehr Entscheidungen, die von einem System getroffen werden, das den Betrieb kontinuierlich überwacht. Srivastava sagte, dieser Ansatz könne Disponenten ermöglichen, mit bis zu fünfmal höherer Produktivität präzisere Entscheidungen zu treffen.

Das richtige Fahrzeug, der richtige Preis, der richtige Zeitpunkt

Srivastava verwies auf Tractor Supply als Beispiel für die Orchestrierungsaufgabe, die KI lösen soll. Das Unternehmen betreibt landesweit mehr als 2,400 Filialen und versendet Produkte von Hämmern bis zu Viehfutter. Es nutzt eigene Lkw ebenso wie FedEx, UPS und regionale Anbieter.

„Es gibt Tage, an denen ihre Lkw im Geschäft mit etwas weniger als 50% Auslastung untätig herumstehen, während das Geschäft Produkte mit FedEx und UPS verschickt“, sagte Srivastava. „Und dann gibt es Tage, an denen ihre Lkw nicht alle Bestellungen erfüllen können.“

Der Agent entscheidet Auftrag für Auftrag, wohin Kapazität gehen soll.

„Auch wenn es sehr nah an Ihrem Geschäft ist, möchten Sie es vielleicht trotzdem an FedEx oder UPS geben, weil es kosteneffizienter ist“, sagte Srivastava. „Die Kosten, einen großen Lkw nur für die Lieferung eines kleinen Hammers zu fahren, sind möglicherweise kein guter Einsatz Ihrer Vermögenswerte.“

Diese Entscheidung basiert auf aktuellen, dynamischen Kostendaten und nicht auf einem festen Regelwerk.

„Soll es auf Ihren Lkw geladen werden? Soll es auf einen kleinen Van geladen werden? Soll es an FedEx oder Roadie oder Uber gegeben werden?“, sagte Srivastava. „Oder sollte es einfach auf morgen verschoben werden, weil es keinen SLA-Verstoß gibt?“

Srivastava sagte, das Problem sei in der Last-Mile-Logistik schwieriger als im Middle-Mile-Transport, wo Netzwerke zwischen festen Knotenpunkten verlaufen. „In der Last Mile haben Sie keine Knotenpunkte. Sie wissen nicht, wohin Sie liefern werden“, sagte er. „Sie können einen Auftrag aus einer sehr abgelegenen Vorort-Postleitzahl erhalten, die Sie noch nie bedient haben, und nun müssen Sie dafür einen Plan erstellen. Dieses Problem ist weitaus komplexer.“

Omnichannel-Wachstum überholt den stationären Handel

Der Wandel zeigt sich auch in der Strategie der Einzelhändler selbst. Unternehmen wie Tractor Supply hätten jahrelang versucht, Kunden in ihre Filialen zu ziehen, sagte Srivastava. Das habe sich geändert.

„Bis vor etwa zwei Jahren hatten Unternehmen die Strategie, Kunden in ihre stationären Geschäfte zu lenken“, sagte er. „Diese Strategie hat sich inzwischen weiterentwickelt. Sie wollen dort präsent sein, wo es für den Kunden am bequemsten ist, entweder im Geschäft oder online zu bestellen und sich die Ware liefern zu lassen.“

Ein einer der größten globalen Möbelhändler zeige dasselbe Muster in größerem Maßstab. Srivastava sagte, das Unternehmen habe auf der E-Commerce-Seite deutlich stärkeres Wachstum verzeichnet als im stationären Handel.

Bei FarEyes Einzelhandelskunden wachse die Online-Bestellung nach seinen Angaben drei- bis fünfmal schneller als der Verkauf im Geschäft, was das Last-Mile-Volumen schneller steigen lässt, als die meisten Netzwerke ursprünglich ausgelegt wurden.

Mit Blick nach vorn sagte Srivastava, dass sich dieselbe Orchestrierungslogik auf künftige Lieferformen ausweiten werde, darunter Drohnen und autonome Fahrzeuge, sobald diese neben menschlichen Fahrern praktikabel werden. Vorläufig ende die Aufgabe des Agenten jedoch vor der Laderampe.

„Er kann einen Fahrer und einen Floor Supervisor nicht ersetzen. Die Menschen, die das Produkt tatsächlich ausliefern, können nicht ersetzt werden“, sagte Srivastava. „Aber die gesamte Planung und Orchestrierung der Last Mile kann von diesem Agenten übernommen werden.“

FarEye richtet seine Veranstaltung Last Mile Leaders in America vom 26. bis 28. August in Chicago aus.

Der Beitrag The Amazon Prime Effect Is forcing dispatchers into AI erschien zuerst auf FreightWaves .