ChatGPT w logistyce 3PL — zmiana zasad gry czy krok w nieznane?

Rynek logistyki kontraktowej (3PL) zmierza w kierunku rosnącej automatyzacji i cyfryzacji — i od 2023 roku jednym z najczęściej dyskutowanych narzędzi jest ChatGPT. Nie chodzi o marketingowy szum, lecz o konkretne pytanie: czy duży model językowy może zastąpić lub uzupełnić specjalistyczne systemy analityczne stosowane przez operatorów 3PL?

Artykuł oparty na badaniu Mariusza Kmiecika (Politechnika Śląska), opublikowanym w Journal of Open Innovation: Technology, Market, and Complexity (DOI: 10.1016/j.joitmc.2023.100174), podejmuje właśnie to pytanie — nie przez spekulacje, lecz przez empiryczną weryfikację na danych i procesach rzeczywistego operatora.

Metodologia badania

Badanie łączyło dwa podejścia: ankietę wśród piętnastu ekspertów-menedżerów z doświadczeniem w operacjach 3PL (minimum pięć lat w roli kierowniczej) oraz studium przypadku opartego na danych międzynarodowego operatora logistyki kontraktowej. Operator świadczy usługi w zakresie magazynowania, transportu i dystrybucji dla firm z branży spożywczej, kosmetycznej, farmaceutycznej i chemicznej.

W badaniu świadomie zastosowano podstawową (bezpłatną) wersję ChatGPT dla większości zadań, natomiast do prognozowania numerycznego — wersję płatną GPT-3.5. Taki dobór metodologiczny pozwolił ocenić możliwości narzędzia dostępnego dla każdej firmy bez dodatkowych kosztów, przy jednoczesnym wskazaniu granic tej dostępności.

Co wiedzą i myślą menedżerowie 3PL?

Wyniki ankiety są jednoznaczne: wszyscy piętnastu badanych ekspertów uznało, że ChatGPT może wspierać działalność operatora logistycznego — nawet przy zróżnicowanym poziomie znajomości narzędzia. 40% badanych korzysta z niego często, 40% okazjonalnie, a 20% jedynie słyszało o jego istnieniu.

Ważona ocena obszarów zastosowań wskazuje dwa wyraźnych faworytów: zarządzanie asortymentem i prognozowanie popytu — oba bezpośrednio związane z kluczowymi funkcjami operatora 3PL w sieci dystrybucji.

Prognozowanie popytu — ChatGPT kontra zmodyfikowany ARIMA

Studium przypadku zestawiło prognozy generowane przez ChatGPT z prognozami tworzonymi przez bieżący system operatora, oparty na zmodyfikowanym algorytmie ARIMA. Porównanie objęło 30-dniowy horyzont prognozowania dla trzech kategorii odbiorców: producenta farmaceutyczno-kosmetycznego, producenta wyrobów nieżywnościowych (e-commerce) oraz dystrybutora wielokanałowego.

Wyniki są zaskakujące: ChatGPT osiągnął niższy błąd RMSE w 81,8% mierzonych przypadków i wygenerował dokładniejszą prognozę dzienną w 67,3% obserwacji. Wyraźnie lepiej poradził sobie w przypadkach, gdzie bieżące rozwiązanie ARIMA osiągało niską dokładność — czyli właśnie tam, gdzie wsparcie algorytmiczne jest najbardziej potrzebne.

Ważne zastrzeżenie: bezpłatna wersja ChatGPT nie posiada natywnych możliwości prognozowania szeregów czasowych. Do tego zadania konieczna była płatna wersja GPT-3.5. Oznacza to, że integracja z procesami 3PL nie jest bezpłatna — i wymaga decyzji o kosztach subskrypcji.

Zarządzanie asortymentem i lokalizacja SKU

Oprócz prognozowania, badanie testowało ChatGPT w dwóch kolejnych obszarach: klasyfikacji asortymentu metodą ABC (ze zmodyfikowanym podziałem kategorii A) oraz przydziale lokalizacji magazynowej dla SKU klienta dysponującego dużym i różnorodnym asortymentem w modelu wielokanałowym.

W obu przypadkach ChatGPT był w stanie wygenerować użyteczne rekomendacje operacyjne — jednak wyraźnie ustępował specjalistycznym rozwiązaniom tam, gdzie wymagana była precyzyjna integracja z rzeczywistymi danymi systemu WMS. Narzędzie działa najlepiej jako wsparcie eksperta, nie jako autonomiczny system decyzyjny.

Cztery wnioski dla menedżera 3PL

1. ChatGPT to narzędzie wsparcia, nie zamiennik WMS. Wartość narzędzia ujawnia się tam, gdzie potrzebne jest szybkie generowanie opcji, analiza jakościowa lub wstępna klasyfikacja — nie tam, gdzie wymagana jest precyzyjna integracja z danymi operacyjnymi w czasie rzeczywistym.
2. Do prognozowania liczb potrzebna jest wersja płatna. Bezpłatna wersja sprawdza się w analizie opisowej i dokumentacji. Prognozowanie szeregów czasowych wymaga GPT-3.5 lub wyższego — co wiąże się z kosztami subskrypcji i decyzją o integracji.
3. Jakość wyników zależy od jakości promptów. ChatGPT operuje na danych dostarczonych przez użytkownika. Brak danych lub dane złej jakości generują niskiej jakości wyniki — klasyczny efekt „garbage in, garbage out".
4. Obecna implementacja i integracja z systemami przedsiębiorstwa pozostaje wyzwaniem. Model działa jako „czarna skrzynka" — nie wyjaśnia, dlaczego generuje konkretne prognozy. W środowiskach wymagających audytowalności procesów (farmacja, żywność) to istotne ograniczenie.