Lagerdriften må håndtere stadig større kompleksitet, samtidig som den skal oppleves som enklere for kundene. Dette spennet gjør seg gjeldende overalt innen både 3PL og intern ordrebehandling: flere SKU-er, flere serviceløfter, mer rapportering til kundene, flere samsvarskontroller og økt press for å ta alle lagerbeslutninger i sanntid. I Storbritannia var antallet transport-, logistikk- og lagerlokaler 88% høyere i 2021 enn i 2011. Samtidig fant Office for National Statistics at AI ble brukt av 9% av britiske bedrifter i 2023, og at tallet forventes å stige til 22% i 2024. I hele EU rapporterte Eurostat at 20% av bedrifter med 10 eller flere ansatte brukte AI i 2025. For oss sier dette én ting helt klart: AI i lagerdriften er ikke lenger et tema for noen få. Det er i ferd med å bli en del av driftsmodellen.
Vi tror ikke at den virkelige AI-historien innen lagerdrift begynner med at roboter erstatter mennesker. Vi mener den starter med lageradministrasjon, beslutningshastighet og operasjonell oversikt. Oliver Facey, Senior Vice President for Global Network Operations Programs hos DHL Express, uttrykte det godt da han skrev at “AI åpner for spennende muligheter for nettverket vårt”, og la til at hvert minutt som spares ved pakking av en ordre og hver tomme som spares på lageret, kan bidra til betydelige kostnadsbesparelser. Det er det riktige perspektivet for ledere innen lagerdrift: ikke nyhetens verdi, men praktiske gevinster i form av nøyaktighet, arbeidsflyt og responstid.
Fra vårt ståsted er det mest verdifulle AI-arbeidet i lagerdriften ofte det minst glamorøse. Det er det repetitive arbeidet som bremser opp hverdagen hos en 3PL-leverandør: å utarbeide rapporter, sjekke unntak, tolke forespørsler, oppsummere kundeproblemer og omdanne sanntids lagerdata til den neste sikre handlingen. DHL Supply Chains nylige implementeringer av generativ AI har fokusert på datarensing, analyse av tilbud, støtte ved juridiske dokumenter og oppsummering av kundehenvendelser. Dette mønsteret er viktig fordi det viser hvor AI kommer til nytte raskest: ikke som et show på lagergulvet, men som en måte å fjerne friksjon fra kontrollnivået rundt lageret.
Hvorfor er lagerdriften under større press nå?
Lagerdriften står under press fordi hver eneste vekstkilde medfører et nytt koordineringslag. En ny kunde kan bety en ny faktureringsregel. En ny salgskanal kan bety andre frister. En ny produktserie kan bety mer batchkontroll, mer sporbarhet av partier og flere henvendelser til kundeservice. Når lagerarealet utvides, øker den administrative byrden i takt med det, og belastningen havner ofte på ledere, planleggere og kundevendte 3PL-team før den rammer andre. Det er en av grunnene til at den økende bruken av kunstig intelligens og lagerutvidelser kolliderer nå, snarere enn senere. [1][2][3]
Vi ser også at lagerdriften blir stadig mindre tolerant overfor forsinkelser. Gårsdagens modell med “vi sender den rapporten senere” fungerer ikke lenger når en kunde ønsker ferdige svar her og nå, når en tjenestefeil kan spre seg over flere kanaler, og når bemanningsplanleggingen kan endres fra time til time. I et slikt miljø er lageradministrasjonen ikke bare en kostnad; den er en flaskehals i beslutningsprosessen. Hvis et 3PL-team ikke kan se hva som er forsinket, hva som mangler, hva som er gammelt eller hva som må omfordeles, ender lageret opp med å reagere tregere enn kunden forventer.
Derfor mener vi at bruk av AI i lagerdriften bør vurderes ut fra tre praktiske spørsmål. Reduserer den behovet for å taste inn data på nytt? Forkorter den tiden mellom spørsmål og svar? Hjelper den lagerteamet med å handle på bakgrunn av sanntidsdata uten å skape økt risiko? Hvis svaret er nei, kan det være en interessant teknologi, men den bidrar foreløpig ikke til å forbedre driften.
Hvor vil AI først ta over lageradministrasjonen?
De beste tidlige bruksområdene
Begynn med repeterende, regelbasert arbeid
De beste tidlige bruksområdene for AI i lagerdriften er repetitive, regelbaserte og allerede en byrde. DHL Supply Chains første generative AI-applikasjoner med høy verdi var ikke futuristiske lagereksperimenter; de var verktøy for datarensing, raskere analyse av innkommende krav, oppsummering av kundehenvendelser og behandling av juridiske dokumenter. Sally Miller, global IT-sjef hos DHL Supply Chain, beskrev disse som “praktiske anvendelser med sikte på å transformere sentrale forretningsprosesser”. Det er akkurat slik vi mener lagerledere bør se på AI: ikke som et eget innovasjonsbudsjett, men som en bedre måte å håndtere repeterende driftsoppgaver på.
For et lager- eller 3PL-team innebærer dette vanligvis fem umiddelbare mål. For det første: planlagte rapporter som for øyeblikket er avhengige av en superbruker. For det andre: forespørsler om lagerbeholdning og ordrer som tvinger medarbeiderne til å hoppe mellom ulike skjermbilder. For det tredje: håndtering av unntak knyttet til forsinkede ordrer, gammelt lager, partier med kort holdbarhet og risiko for manglende påfyll. For det fjerde: statusoppdateringer til kundene. For det femte: administrasjonskrevende oppgaver som å sammenstille fakturadokumentasjon, tjenesteoversikter eller operasjonelle overleveringsnotater. Alle disse lageraktivitetene er teksttunge, repetitive og knyttet til sanntidsdata, noe som gjør dem til gode kandidater for AI-assistanse fremfor blind automatisering.
I Clarus WMS er vår AI-assistent utformet nettopp etter dette lagringsmønsteret: still et spørsmål i vanlig språk, se en tabell eller et diagram i sanntid, og iverksett en sikker neste handling uten å måtte navigere gjennom et labyrint av rapporter. Det viktige er ikke chat-grensesnittet. Det viktige er at svaret fra lageret kommer fra sanntids driftsdata, og at handlingen er underlagt de samme tillatelsene og prosessreglene som resten av systemet. Det er dette som gjør at AI går fra å være en nyhet til å bli en del av lagerstyringen.
Der AI gir merverdi utover oversiktspaneler
Et dashbord gir lagerlederen oversikt over hva som har skjedd. God AI i lagerdriften bør bidra til å forklare hva som krever oppmerksomhet akkurat nå, og hvilke tiltak som kan iverksettes videre. Det kan innebære å synliggjøre forsinkede plukkoppdrag før en kunde henvender seg, markere varer som utløper denne uken, identifisere en sone som henger etter, eller forberede en planlagt KPI-pakke før skiftet starter. I praksis blir AI mest verdifull når den reduserer avstanden mellom lagerdata, lagervurderinger og lagertiltak.
Hvordan kan kunstig intelligens forbedre lagerstyring, personaladministrasjon og rapportering?
McKinseys nylige studie er nyttig i denne sammenhengen fordi den er forankret i driftsresultater. Selskapet hevder at AI kan redusere lagernivåene med 20% til 30% gjennom bedre prognoser og optimalisering. De sier også at AI-drevne verktøy kan frigjøre 7% til 15% ekstra kapasitet i lagernettverk, og trekker frem en logistikkleverandør som økte lagerkapasiteten med nesten 10% uten å utvide med nye lokaler. For lagerdriften er disse tallene viktige fordi de knytter AI direkte til plass, lagerbeholdning og servicenivåer, snarere enn til abstrakt språk om digital transformasjon.
Vi vil omsette disse fordelene til konkrete prioriteringer i det daglige lagerarbeidet. Bedre AI-baserte prognoser betyr færre unødvendige svikt i påfyllingen. Bedre AI-støttet oversikt betyr mindre dødlager som ligger på feil sted. Bedre AI-støttet arbeidsplanlegging betyr at ledere bruker mindre tid på å slukke branner og mer tid på å fordele arbeidsoppgavene jevnt. Bedre AI-rapportering betyr at ledere slutter å vente på gårsdagens regneark og begynner å handle ut fra dagens forhold på lageret. Med andre ord: AI hjelper mest når den gjør lageret enklere å drive, ikke bare enklere å snakke om.
Slik ser bedre journalistikk ut
La lagerteamet godkjenne tiltaket
Et av våre favoritteksempler fra virkeligheten er Mitchell Storage & Distribution. Etter å ha modernisert driften, rapporterte bedriften at antallet e-poster og telefonsamtaler med enkle spørsmål om lagerbeholdningen hadde gått ned med omtrent 60%, fordi kundene selv kunne se hva de trengte uten at lagerpersonalet måtte lete etter svarene manuelt. For en 3PL-virksomhet er en slik forbedring av lagerdriften ikke ubetydelig. Det frigjør tid i kundeservicen, reduserer forstyrrelser og lar driftspersonalet fokusere på det arbeidet som faktisk forbedrer tjenestene.
Vi har sett det samme prinsippet i en annen form hos Interspan. Som Tim Payne, administrerende direktør i Clarus WMS, forklarte i det prosjektet, var det operasjonelle målet å “automatisere rapportering av regeloverholdelse, forbedre oversikten og effektivisere ordrebehandlingen”. Dette sitatet treffer kjernen i nyttig AI i lagerdriften. Verdien ligger ikke i at systemet kan generere tekst. Verdien ligger i at lageret kan rapportere raskere, oppdage risiko tidligere og handle med mindre manuelt arbeid.
Hvilke forutsetninger må et WMS ha for at AI skal fungere?
Et lager får ikke pålitelige AI-resultater fra upålitelige lagerdata. Det høres opplagt ut, men det er nettopp her mange prosjekter går i stå. ONS fant ut at 91% av britiske bedrifter som bruker AI, også benyttet skybaserte datasystemer og applikasjoner. Vi tolker dette som et sterkt signal om at AI vanligvis fungerer best som et lag på toppen av et ryddigere digitalt fundament, ikke som en midlertidig løsning for usammenhengende systemer. Hvis lagerplasseringene er uklare, stamdataene inkonsekvente og alle unntak havner i noens innboks, vil AI bare få denne forvirringen til å komme til syne raskere.
Hvorfor datainnsamling fortsatt er viktig
AI er bare så nøyaktig som skanningen
Det er her lagerdisiplinen fremdeles er avgjørende. Strekkodebaserte lagringsplasser, pålitelig skanning, rollebaserte arbeidsflyter, tydelige kundedata og et lagerstyringssystem (WMS) som registrerer transaksjoner korrekt, er ikke gammeldagse forutsetninger som AI erstatter. De er selve grunnen til at AI i det hele tatt kan gi et pålitelig svar om lagerbeholdningen. Hos Mitchell Storage & Distribution forbedret skannbare plasser og transaksjonshistorikk i sanntid oversikten, sporbarheten og tilliten til lagerpresisjonen. Det er nettopp denne typen grunnleggende lagerarbeid som gir AI noe pålitelig å jobbe med.
Vi mener også at de beste AI-implementeringene i lagerdriften skjer trinnvis. Begynn med rapportering i skrivebeskyttet modus. Gå deretter over til forslag til tiltak. Tillat deretter godkjente transaksjoner for bestemte arbeidsflyter. Denne trinnvise tilnærmingen gir et 3PL-team tid til å teste datakvalitet, tillatelser, godkjenninger og brukertillit før AI tar fatt på mer sensitive lageroppgaver. Det sørger også for at diskusjonen holder seg fokusert på operasjonelle resultater fremfor løfter.
AI kontra tradisjonelle arbeidsflyter på lageret: hva endrer seg egentlig?
Tradisjonelle arbeidsflyter på lager er svært skjermbaserte og avhengige av enkeltpersoner. Noen logger seg inn, bruker filtre, eksporterer en rapport, kopierer data til et annet format, sender et sammendrag på e-post, venter på svar og oppretter deretter en oppgave. I en AI-støttet arbeidsflyt på lageret kan den samme lederen be om et sanntidsbilde i vanlig språk, gjennomgå resultatet og godkjenne neste handling i samme flyt. Endringen består ikke i at folk forsvinner. Endringen er at lagerdriften kaster bort mindre tid på å flytte informasjon fra ett sted til et annet.
Vanlige utfordringer ved implementering av AI
Utfordringen er at mange AI-programmer fortsatt har et for bredt utgangspunkt. McKinsey påpeker at rundt 95% av distributørene utforsker bruksområder for AI, men bare rundt 30% sier at de har nok kompetanse til å skalere dem, og mindre enn 10% sier at de har utviklet en AI-plan og prioritert bruksområder for implementering. Det er nettopp dette gapet mellom entusiasme og operativ beredskap som ofte fører til at lagerprosjekter vakler. Teamene prøver å automatisere for mye, hopper over utformingen av arbeidsflyten eller antar at modellen på en eller annen måte vil rette opp dårlige prosesser. Det vil den ikke.
Sørg for at tillatelser, valideringer og revisjonsspor forblir intakte
Når vi integrerer AI i Clarus WMS, behandler vi det ikke som en «sidedør» inn i lagerdriften. Vi beholder de samme rollebaserte tillatelsene, de samme forretningsreglene, de samme valideringene og den samme revisjonsloggen. Vår nåværende AI-assistentarkitektur leser gjennom validerte forespørsler og utfører handlinger gjennom det samme kontrollaget som brukergrensesnittet, med kontroller for manglende felt, volumgrenser, bekreftelser og godkjenninger. Slik mener vi at AI i lageret bør fungere: raskt, nyttig og strengt regulert.
Den andre store forskjellen er av psykologisk art. Tradisjonell lagerprogramvare forutsetter ofte at brukeren vet nøyaktig hvor han eller hun skal klikke. AI-støttet lagerdrift kan i stedet ta utgangspunkt i lederens intensjon: hva som er forsinket, hva som er gammelt, hva som er blokkert, hva som må gjøres. Det gjør systemet mer dialogbasert, men den virkelige fordelen ligger ikke i den dialogbaserte utformingen i seg selv. Den ligger i at lagerets intensjon kan omdannes til et kontrollert svar og en kontrollert handling mye raskere enn før.
Er du klar til å gjøre AI til et nyttig verktøy på lageret ditt?
Hvis lagerdriften din fremdeles bruker timer hver uke på status-e-poster, rapportering i regneark, manuell oppfølging av unntak og gjentatte spørsmål fra kunder, ville vi ikke starte med et ambisiøst AI-prosjekt. Vi ville starte med én lagerafvikling som forekommer ofte, er målbar og frustrerende. Kartlegg hvor lang tid det tar nå. Koble AI til sanntids WMS-data. Bestem hvilke handlinger som skal være skrivebeskyttet og hvilke som krever godkjenning. Mål deretter resultatet over 30 dager med tanke på hastighet, nøyaktighet og administrasjonstid.
Det er den praktiske tilnærmingen vi tror på hos Clarus WMS. AI skal hjelpe lagerteamene med å tenke raskere, ikke få dem til å føle seg mer opptatt. Den skal redusere administrasjonsarbeidet på lageret, ikke skape enda et dashbord. Og den skal vinne tillit ved å forbedre én viktig arbeidsflyt om gangen, helt til fordelene blir for åpenbare til å kunne ignoreres.
Referanser
- Det nasjonale statistikkbyrået, “Fremveksten av britiske lageranlegg og den ‘gyldne logistikktrekanten’”, https://www.ons.gov.uk/businessindustryandtrade/business/activitysizeandlocation/articles/theriseoftheukwarehouseandthegoldenlogisticstriangle/2022-04-11
- Office for National Statistics, “Ledelsespraksis og innføring av teknologi og kunstig intelligens i britiske bedrifter: 2023”, https://www.ons.gov.uk/economy/economicoutputandproductivity/productivitymeasures/articles/managementpracticesandtheadoptionoftechnologyandartificialintelligenceinukfirms2023/2025-03-24
- Eurostat: “20% av EU-bedrifter bruker AI-teknologier”, https://ec.europa.eu/eurostat/en/web/products-eurostat-news/w/ddn-20251211-2
- Oliver Facey, DHL Express, “AI i logistikk og levering den siste milen”, https://www.dhl.com/discover/en-global/logistics-advice/logistics-insights/ai-in-logistics-and-last-mile-delivery
- DHL Group: “DHL Supply Chain tar i bruk generativ AI for å forbedre datahåndtering, kundestøtte og nøyaktigheten i tilbudene”, https://group.dhl.com/en/media-relations/press-releases/2024/dhl-supply-chain-implements-generative-ai.html
- McKinsey & Company, “Utnytte kraften i kunstig intelligens i distribusjonsvirksomheten”, https://www.mckinsey.com/industries/industrials/our-insights/distribution-blog/harnessing-the-power-of-ai-in-distribution-operations
- Clarus WMS, “Hvordan AI gjør lageradministrasjonen enklere”, https://claruswms.ai/features/how-ai-takes-the-effort-out-of-warehouse-decision-making/
- Clarus WMS, “Hvordan MSD reduserte lageradministrasjonen med 60% og åpnet for nye inntekter”, https://claruswms.ai/customer-stories/msd-cut-warehouse-admin/
- Clarus WMS: “Interspan skal redusere rapporteringstiden med 90%!”, https://claruswms.ai/customer-stories/interspan-cut-reporting/
- DHL og IBM, “Kunstig intelligens i logistikk”, https://www.dhl.com/content/dam/dhl/global/core/documents/pdf/glo-core-artificial-intelligence-trend-report.pdf