Większość sieci handlowych wie, że agentyczna AI nadchodzi. Wiele z nich już ją analizuje. Ale między świadomością jej znaczenia a faktycznym wdrożeniem pozostaje bariera zaufania.
Według raportu RELEX „2026 State of the Supply Chain” 67% ankietowanych liderów łańcucha dostaw deklaruje większe zaufanie do wykorzystania AI w podejmowaniu decyzji niż rok wcześniej. Jednak tylko 32% aktywnie inwestuje w rozwiązania AI i skaluje je już teraz.
Planowanie w handlu przechodzi fundamentalną zmianę. AI przestaje być tylko narzędziem, które pomaga planistom dostrzegać problemy. Staje się systemem, który na nie reaguje – analizuje, rekomenduje i wdraża decyzje w tempie i skali niedostępnych dla żadnego zespołu pracującego ręcznie.
Za tą zmianą stoją narastające presje – przede wszystkim presja kosztowa, która nie pozostawia miejsca na nieefektywność, oraz łańcuchy dostaw zbyt złożone, by zarządzać nimi reaktywnie.
Wygra nie ten, kto po prostu wdroży agentów AI, ale ten, kto zbuduje infrastrukturę planistyczną, która pozwoli nimi sprawnie zarządzać – i wybierze dostawców, którym można zaufać na tyle, by powierzyć im realne działanie.
Dlaczego agentyczna AI to więcej niż tylko chwilowa moda
Słowo „agentyczny” bywa dziś przyklejane do narzędzi, które w rzeczywistości nie mają z agentyczną AI nic wspólnego. Chatbot, który streszcza raport o zapasach, nie jest agentem. Oprogramowanie, które rekomenduje korektę zapasu bezpieczeństwa, też nim nie jest. Agent to coś innego – otrzymuje określone zadanie, przeprowadza rozumowanie i podejmuje decyzję – bez względu na to, czy jest z nim człowiek prowadzący go „za rękę”.
To rozróżnienie ma znaczenie, bo wartość tkwi w działaniu. Sieci handlowe tracą najwięcej czasu i pieniędzy na wszystko, co dzieje się między wiedzą a decyzją o działaniu: ręczną analizę przyczyn źródłowych, żmudne śledzenie anomalii w zamówieniach, cykl raportowania, który opóźnia korektę o kolejne dni.
Agentyczna AI odpowiada właśnie na ten problem. Zobaczmy, jak w praktyce wygląda alternatywa – ręczna praca w organizacji planistycznej:
- Planista, który spędza godziny na ustalaniu, że braki towaru wynikają z niepełnej dostawy zrealizowanej dwa dni wcześniej.
- Zespół merchandisingowy, który przebija się przez rozbudowane formularze, aby skonfigurować promocję, a potem czeka tygodniami, by dowiedzieć się, dlaczego przyniosła słabsze wyniki.
- Zespoły odpowiedzialne za realizację w sklepie, które eskalują rutynowe pytania dotyczące zamówień do centralnego planowania, ponieważ nie ma szybszej ścieżki uzyskania odpowiedzi.
- Prognozowanie nowych produktów, które jest oparte na ręcznym tagowaniu atrybutów, ponieważ brakuje jeszcze historii sprzedaży, na której można by się oprzeć.
- Ręczna segmentacja lokalizacji na potrzeby prognozowania – czyli grupowanie w oparciu o geografię lub format sklepu, a nie rzeczywiste wzorce sprzedaży.
Te i wiele innych zadań składa się na codzienne obciążenie pracą zespołów planistycznych działających na dużą skalę. Kiedy przejmują je agenci, planiści zyskują więcej czasu na decyzje, które naprawdę wymagają ludzkiego osądu.
Jak agenci zmieniają rolę planisty
Najczęstsza obawa dotycząca agentycznej AI w planowaniu jest też najbardziej zrozumiała: jeśli agenci przejmują analizę i wykonanie, co właściwie zostaje planiście?
Kiedy agenci przejmują zadania reaktywne i powtarzalne, planiści przechodzą do innego rodzaju pracy – takiej, która wymaga osądu, kontekstu i wiedzy branżowej, jakiej żaden agent nie ma, na przykład:
- Wyznaczanie strategii.
- Zarządzanie wyjątkami.
- Ocena kompromisów i planowanie scenariuszy.
- Zarządzanie relacjami z dostawcami.
- Decydowanie, co powinno zostać zoptymalizowane z wykorzystaniem AI.
- Określanie, kiedy odrzucić rekomendacje agenta.
Planiści, którzy dostosują się do tej zmiany, staną się swego rodzaju arbitrami systemu – będą wiedzieć, jak skutecznie kierować agentami, jak krytycznie interpretować ich rekomendacje i jak uwzględniać kontekst biznesowy, którego same dane nie ujmują.
| Przed agentyczną AI | Z agentyczną AI | |
|---|---|---|
| Poranny przegląd | Planista otwiera dashboardy, ręcznie przegląda wyjątki i spędza godzinę na ustalaniu, co wymaga uwagi i dlaczego. | Agent wyświetla wyjątki uszeregowane według priorytetu – z już zidentyfikowaną przyczyną źródłową. Weryfikacja zajmuje zaledwie kilka minut, a agent przedstawia gotowe propozycje działań do zatwierdzenia. |
| Analiza braku towaru | Planista ręcznie prześledza historię zamówień, dzienniki dostaw i dane prognozy, by wyjaśnić utraconą sprzedaż. Ręczna analiza jednego SKU zajmuje zwykle 2–3 godziny. | Agent AI-Assisted Diagnostics identyfikuje przyczynę (np. częściowa dostawa dwa dni wcześniej), przypisuje kod przyczyny i rekomenduje działanie korygujące. |
| Konfiguracja nowego produktu | Planista ręcznie taguje atrybuty produktu, aby znaleźć produkty referencyjne do prognozowania: proces jest wolny, niekonsekwentny i pogarsza trafność prognoz od samego początku. | Agent atrybutów produktu analizuje opis produktu, wskazuje optymalne produkty referencyjne i szereguje je według dopasowania. |
| Decyzje dotyczące zapasu | Kompromisy modeluje się ręcznie, dostosowując zapas bezpieczeństwa i parametry uzupełniania zapasów SKU po SKU. Strategiczne założenia rzadko przekładają się na egzekucję w sposób spójny i przewidywalny. | Agent kontroli zapasów przeprowadza symulacje scenariuszy (np. „ogranicz straty w tej kategorii o 10%”), pokazuje wpływ na wynik finansowy w czasie rzeczywistym i wdraża zmiany na dużą skalę. |
| Wsparcie sklepów | Zespoły sklepowe eskalują rutynowe pytania dotyczące zamówień do centralnego działu planowania. Planista musi przerywać bieżącą pracę, żeby zbadać sprawę i odpowiedzieć. | Agent Store Support odpowiada na pytania natychmiast za pośrednictwem RELEX Mobile. Zespół centralny może skupić się na zadaniach wymagających większego zaangażowania. |
| Konfiguracja promocji | Tworzenie lub modyfikacja promocji wymaga poruszania się po skomplikowanych, rozbudowanych formularzach – to czasochłonny proces z wysokim progiem wejścia dla nowych użytkowników. | Agent strategii promocji tworzy i modyfikuje promocje za pomocą poleceń w języku naturalnym. Konfiguracja, która zajmowała wcześniej godziny, teraz trwa minuty. |
| Analiza po promocji | Dane trzeba ręcznie zbierać z wielu źródeł, by zrozumieć, dlaczego promocja przekroczyła oczekiwania lub ich nie spełniła. Wnioski pojawiają się tygodnie później, o ile w ogóle. | Agent diagnostyki promocji przedstawia wyniki (m.in. wzrost sprzedaży brutto, efekt halo, kanibalizację) w przystępnym języku. |
| Koniec dnia | Reaktywnie: planiści większość dnia spędzają na wyjaśnianiu tego, co się wydarzyło, zamiast decydować, co robić dalej. | Strategicznie: planista spędził dzień na ocenie kompromisów, ustawianiu parametrów agentów i stosowaniu własnego osądu tam, gdzie naprawdę ma on znaczenie. |
Dlaczego wyspecjalizowana AI zdobywa zaufanie użytkowników
Wizja planistów zajmujących się zadaniami o wyższej wartości ma sens tylko wtedy, gdy agentom wykonującym pracę można zaufać.
Większość AI stosowanej w planowaniu handlu detalicznego nie została pierwotnie zaprojektowana z myślą o tej branży. Uniwersalne duże modele językowe generują odpowiedzi, które brzmią wiarygodnie, ale wiarygodność to nie to samo co poprawność. W kontekście planowania błędna rekomendacja podana z pewnością siebie jest gorsza niż brak rekomendacji. Agenci, którzy halucynują, są niebezpieczni.
Problem zaufania leży u podstaw wdrażania agentycznej AI, dlatego kategoria dostawcy liczy się tak samo, jak same możliwości technologii.
Agentów RELEX zbudowano inaczej:
Wyspecjalizowana AI zamiast uniwersalnych modeli
RELEX AI została wytrenowana na danych z ponad 700 zbiorów danych sieci handlowych, wzbogacona o 20 lat udokumentowanej wiedzy branżowej i zaprojektowana z myślą o decyzjach, które mają znaczenie w tej branży. Gdy agent RELEX formułuje rekomendację, wykonuje obliczenia na rzeczywistych danych – korzystając z modeli zwalidowanych w produkcyjnych wdrożeniach u setek enterprise’owych klientów.
Ludzki nadzór jako zasada projektowa
RELEX mógłby automatyzować więcej – ale celowo tego nie robi. Każde działanie agenta w platformie jest rejestrowane, wyjaśnialne i podlega weryfikacji przez człowieka przed zatwierdzeniem istotnych decyzji. Agenci i planiści korzystają z tego samego interfejsu Business Rules Engine, co oznacza, że planiści widzą dokładnie, co agent robi i dlaczego – i mogą go w każdej chwili zastąpić własną decyzją.
To zasada projektowa. Kontrola nad autonomią czyni ją godną zaufania – a zaufanie daje AI prawo do działania na większą skalę.
Sprawdzone w praktyce, nie tylko na prezentacjach
Agent RELEX AI-Assisted Diagnostics działa u klientów od czwartego kwartału 2025 roku. Stanowi fundament danych zasilający pozostałych agentów F&R – przekształca surowe wskaźniki w kontekstową wiedzę, która umożliwia autonomiczne działanie.
Te możliwości już dziś przekładają się na realne wyniki dla naszych klientów.
Jak agenci działają w praktyce
Agenci RELEX dzielą się na dwa typy: agenci F&R, skupieni na uzupełnianiu zapasów, zarządzaniu zapasem i działaniach operacyjnych w sklepach, oraz agenci P&P, odpowiadający za promocje i ceny. Każdy z nich działa w innym obszarze cyklu planowania, ale zasada projektowa jest wspólna: agenci wyjaśniają swoje rozumowanie, działają w ramach Business Rules Engine i pozostają pod ludzkim nadzorem. Poniższe tabele pokazują, jakie problemy rozwiązuje każdy agent i co potrafi zrobić.
Agenci F&R RELEX
Agenci RELEX F&R zostali zbudowani wokół problemu głębszego niż jakikolwiek pojedynczy przepływ pracy. Planista, który spędza dwie godziny na dotarciu do przyczyny braków magazynowych – czyli częściowej dostawy sprzed trzech dni – wykonuje ważną pracę, która powinna zajmować dwie minuty.
Ale planista, który nie rozumie, skąd pochodzi dana decyzja, nie zaufa systemowi, który ją podjął – a to zaufanie decyduje o tym, czy agent naprawdę zmienia sposób pracy, czy tylko działa cicho w tle. Każdy agent RELEX F&R działa w ramach silnika reguł biznesowych, co oznacza, że każde działanie jest rejestrowane, audytowalne i podlega weryfikacji przez człowieka.
| Agent | Co rozwiązuje | Kluczowe możliwości |
| AI-Assisted Diagnostics | Dlaczego doszło do spadku wyników? | Analiza przyczyn źródłowych strat sprzedaży, odpadów i nadmiernych zapasów; identyfikacja kodów przyczyn; planowanie scenariuszy działań korygujących |
| Inventory Control | Jak realizować cele strategiczne na poziomie SKU? | Planowanie scenariuszy w zakresie zapasu bezpieczeństwa, celów redukcji odpadów i częstotliwości uzupełniania zapasów; widoczność wpływu na wynik finansowy w czasie rzeczywistym |
| Order Proposal Troubleshooting | Dlaczego RELEX zarekomendował to zamówienie? | Wyjaśnienia propozycji zamówień w przystępnym języku; proaktywne sygnalizowanie ryzyka; bez konieczności posiadania głębokiej wiedzy z zakresu obliczeń |
| Product Attribute | Jak prognozować produkt bez historii sprzedaży? | Identyfikacja produktów referencyjnych na podstawie opisów; ranking według dopasowania; wykrywanie luk w atrybutach |
| Store Support | Kto odpowiada na rutynowe pytania sklepów, nie odrywając planistów od innych zadań? | Rozwiązywanie problemów w czasie rzeczywistym za pośrednictwem RELEX Mobile Replenishment; natychmiastowe odpowiedzi na pytania dotyczące zamówień w konkretnym sklepie |
| Location Clustering | Czy sklepy grupujemy według rzeczywistych zachowań, czy tylko założeń? | Analiza wzorców sprzedaży we wszystkich lokalizacjach; ciągła adaptacja w miarę zmieniania się wzorców |
Agenci P&P RELEX
Powolna realizacja kosztuje marżę. Tych agentów zaprojektowano z myślą o procesach, w których ta strata jest najbardziej przewidywalna: konfiguracji promocji, analizie po promocji oraz decyzjach cenowych, które nie mogą czekać na zespół analityczny.
| Agent | Co rozwiązuje | Kluczowe możliwości |
| Promotion Diagnostics | Dlaczego ta promocja nie przyniosła oczekiwanych efektów? | Opcja „Wyjaśnij to” dostępna z menu kontekstowego dla dowolnej komórki; obejmuje wzrost sprzedaży brutto, efekt przełączania (switching), efekt halo i kanibalizację; skraca analizę po promocji z tygodni do minut. |
| Promotion Strategy | Jak tworzyć i edytować promocje bez uciążliwych formularzy? | Tworzenie i modyfikacja za pomocą poleceń w języku naturalnym; automatyczne pobieranie danych historycznych; niższy próg wejścia dla nowych użytkowników. |
| Analytics and Insights Reporting | Jak uzyskać odpowiedzi bez oczekiwania na zespół analityczny? | Interaktywne wizualizacje na żądanie; obejmują trendy wyników, podział na kategorie, porównania marek i rozkład rabatów. |
| Pricing Strategy | Jak menedżerowie kategorii mogą wyznaczać strategię cenową, nie będąc specjalistami ds. cen? | Konfiguracja w języku naturalnym; automatyczna diagnostyka w grupach optymalizacyjnych; propozycje cen na poziomie produktu z uwzględnieniem równowagi między zyskiem a marżą. |
Więcej informacji o tym, jak działa i został zaprojektowany każdy agent, znajdziesz na stronie Poznaj agentów RELEX.
Studium przypadku – wyniki klienta RELEX z agentami AI
Sieć spożywcza w Ameryce Północnej traciła cztery godziny w każdą środę na ręczną analizę cen, budowanie scenariuszy i rozwiązywanie problemów. Zanim analiza była gotowa, czas na podjęcie działań często już się kurczył.
Zespół włączył RELEX do swojego tygodniowego cyklu ustalania cen, zarządzanego przez Rebota. Zamiast ręcznie budować scenariusze, analityk ds. cen mógł poprosić Rebota o przeprowadzenie testów typu „co jeśli”, np. porównanie poziomów cen w dziesiątkach sklepów, i w kilka sekund otrzymać wpływ na sprzedaż i zysk. Gdy problem z konfiguracją reguł blokował analitykowi dalszą pracę, Rebot wyjaśniał konflikt, wskazywał rozwiązanie, a analityk wdrażał je w ciągu 24 godzin.
Efekty były natychmiastowe. Scenariusze cenowe, które wcześniej zajmowały cztery godziny, teraz zajmują kilka minut.
„Ręczne zrobienie tego zajęłoby mi pewnie ze cztery godziny. Zbudowanie scenariusza, uruchomienie go – a potem oczywiście coś nie zadziała i trzeba wracać, i poprawiać. Rebot zrobił to wszystko za nas.”
— Analityk ds. cen, sieć spożywcza
Jak zacząć
Dobrze punktem wyjścia jest wąski zakres: jeden lub dwaj agenci, którzy odpowiadają na Twoje najważniejsze problemy, z jasno określonymi kryteriami sukcesu ustalonymi jeszcze przed startem.
Tak wygląda dobrze zaplanowany pilotaż:
- Zidentyfikuj jeden lub dwa problemy planistyczne, w których ręczna praca kosztuje najwięcej czasu lub marży.
- Określ konkretne KPI i realistyczny harmonogram, zanim pilotaż się rozpocznie – jak wygląda sukces po 90 dniach?
- Zbuduj zespół międzyfunkcyjny z zaangażowaniem zarządu, jasnym podziałem odpowiedzialności oraz przedstawicielami działów planowania i IT.
- Zapewnij udokumentowany proces oceny: uporządkowaną informację zwrotną, szczerą ocenę wyników i gotowość do wprowadzania poprawek.
Gotowość organizacji ma mniejsze znaczenie techniczne niż zakłada większość zespołów. Agenci RELEX są zaprojektowani dla zespołów planistycznych, nie dla specjalistów AI. Działają w oparciu o naturalny język, wyjaśniają swój sposób rozumowania w prosty sposób i nie wymagają umiejętności data science ani technicznego przeszkolenia do obsługi.
Celem jest zbudowanie zaufania: do technologii, do dostawcy oraz wewnątrz organizacji, wśród zespołów, które będą z niej korzystać. Zacznij od tego, mierz to, co się liczy, i skaluj działania na fundamencie, który już udowodnił swoją skuteczność.
Autor
