Masz 3 000 SKU w magazynie. 400 z nich nie sprzedało się od 6 miesięcy - zamrożony kapitał. 50 najlepiej sprzedających się produktów ma zerowy stock od wtorku - utracona sprzedaż. A Twój buyer zamawia "na czuja", bo Excel z historią sprzedaży ma 47 zakładek i nikt nie ogarnięcia całości.
To nie jest wyjątek. To jest standard w polskim retailu.
McKinsey w raporcie "AI in Supply Chain 2025" podaje: firmy, które wdrożyły AI do zarządzania zapasami, obniżyły koszty supply chain o 15-35% i jednocześnie zwiększyły dostępność produktów o 10-20%. Mniej towaru na magazynie, a jednocześnie mniej braków na półce.
Problem: ludzie źle prognozują popyt
Nie dlatego, że są głupi. Dlatego, że ludzki mózg nie jest stworzony do analizy 3 000 SKU jednocześnie z uwzględnieniem sezonowości, pogody, trendów, promocji konkurencji i opóźnień dostawców.
Typowe błędy w zarządzaniu zapasami
Overstock (za dużo towaru):
- Zamrożony kapitał: średnio 15-25% wartości magazynu to dead stock
- Koszty magazynowania: 1.5-3% wartości towaru miesięcznie
- Przeceny i utylizacja: 5-15% obrotu rocznie
Stockout (brak towaru):
- Utracona sprzedaż: 4-8% rocznych przychodów (IHL Group 2025)
- Klienci odchodzą do konkurencji (i często nie wracają)
- Koszty ekspresowych dostaw (3-5x droższe niż planowe)
Błędy prognozowania:
- Ręczne prognozy mają dokładność 50-65% (Gartner)
- Agent AI osiąga 85-95% na tych samych danych
- Różnica to miliony złotych rocznie dla średniej firmy
Policzmy konkretnie
Firma handlowa z obrotem 20 mln zł/rok:
- Dead stock (20% magazynu wartego 3 mln zł): 600 000 zł zamrożone
- Utracona sprzedaż (5% przychodów): 1 000 000 zł/rok
- Ekspresowe dostawy (2% kosztów logistycznych): 80 000 zł/rok
- Razem: ~1 680 000 zł/rok strat z powodu złego zarządzania zapasami
Agent AI, który poprawi prognozowanie choćby o 20 punktów procentowych, zwraca się wielokrotnie.
Co agent AI robi z zapasami
1. Prognozuje popyt wielowymiarowo
Agent nie patrzy tylko na historię sprzedaży. Analizuje:
Sezonowość: Nie tylko "lato vs zima". Agent widzi mikro-sezonowość:
- Kremy z filtrem: peak od maja, ale spadek w lipcu (ludzie kupili zapas)
- Zeszyty szkolne: sierpień-wrzesień, ale drugi peak w styczniu (drugi semestr)
- Grille ogrodowe: marzec-kwiecień (przed sezonem), nie maj-czerwiec
Trendy rynkowe: Agent monitoruje:
- Google Trends (co ludzie szukają)
- Social media (co jest modne)
- Dane branżowe (raporty GUS, PMI)
Pogoda: Tak, pogoda ma ogromny wpływ:
- Prognoza upałów na weekend → więcej napojów, lodów, kremów SPF
- Deszczowy tydzień → mniej grilli, więcej gier planszowych
- Mróz → więcej soli drogowej, łopat, ciepłej odzieży
Promocje i wydarzenia:
- Twoje planowane akcje promocyjne (agent wie, że promocja -30% na szampony zwiększy sprzedaż 3x)
- Promocje konkurencji (monitoring cen)
- Lokalne wydarzenia (festiwale, mecze, koncerty)
Efekty kanibalizacji:
- Nowy produkt w kategorii obniży sprzedaż starych produktów
- Promocja na produkt A obniży sprzedaż produktu B (substytut)
2. Automatycznie zamawia u dostawców
Agent nie tylko mówi "zamów 500 sztuk produktu X". Agent:
- Oblicza optymalną ilość zamówienia (EOQ - Economic Order Quantity)
- Uwzględnia lead time dostawcy (dostawca A dostarczy za 3 dni, dostawca B za 14)
- Grupuje zamówienia (żeby osiągnąć próg darmowej dostawy)
- Rozkłada zamówienia w czasie (żeby nie zamawiać wszystkiego naraz)
- Generuje zamówienie w formacie dostawcy (EDI, email, portal B2B)
- Śledzi status dostawy i alarmuje o opóźnieniach
Buyer dostaje zamówienie do zatwierdzenia (klik) zamiast spędzać 4 godziny na jego tworzeniu.
3. Alarmuje o ryzykach
Agent widzi problemy zanim staną się kryzysem:
- "Dostawca X opóźnił 3 ostatnie dostawy o 5-8 dni - ryzyko stockout na produktach A, B, C za 2 tygodnie"
- "Produkt Y sprzedaje się 40% szybciej niż prognoza - obecny stock wystarczy na 8 dni zamiast 21"
- "Cena surowca Z wzrosła o 15% w ostatnim miesiącu - dostawca prawdopodobnie podniesie ceny"
- "Termin przydatności 200 sztuk produktu W mija za 30 dni - sugestia: promocja -20%"
4. Optymalizuje rozmieszczenie w magazynie
Dla firm z wieloma lokalizacjami:
- Który magazyn powinien mieć jaki stock?
- Gdzie przenieść nadwyżki?
- Który sklep powinien dostać dostawę priorytetowo?
Agent analizuje sprzedaż per lokalizacja i optymalizuje dystrybucję.
Wdrożenie krok po kroku
Faza 1: Dane (tydzień 1-2)
- Integracja z systemem sprzedażowym (POS, e-commerce, ERP)
- Import historii sprzedaży (minimum 12 miesięcy, idealnie 24-36)
- Import danych o dostawcach (lead time, MOQ, ceny)
- Import struktury kategorii i hierarchii produktów
Faza 2: Model (tydzień 3-4)
- Agent buduje modele prognozowania per SKU/kategoria
- Kalibracja na danych historycznych (backtesting)
- Porównanie prognoz agenta z rzeczywistą sprzedażą z ostatnich 3 miesięcy
- Dostrajanie parametrów
Faza 3: Shadow mode (tydzień 5-6)
- Agent generuje sugestie zamówień obok istniejącego procesu
- Buyer porównuje swoje decyzje z sugestiami agenta
- Mierzenie: kto miał rację? (zwykle agent wygrywa po 2 tygodniach)
Faza 4: Produkcja (tydzień 7+)
- Agent generuje zamówienia do zatwierdzenia
- Buyer zatwierdza lub modyfikuje (większość zatwierdza bez zmian)
- Ciągłe uczenie się na nowych danych sprzedażowych
Ile to kosztuje
Agent AI do zarządzania zapasami od Syntalith:
| Element | Koszt |
|---|---|
| Wdrożenie + integracja z POS/ERP | od 18 000 zł |
| Model prognozowania popytu | w cenie |
| Moduł automatycznych zamówień | w cenie |
| Szkolenie zespołu | w cenie |
| Utrzymanie miesięczne | 1 000-3 000 zł |
ROI
Firma handlowa (obrót 20 mln zł/rok, 3 000 SKU):
- Redukcja dead stock o 30%: oszczędność ~180 000 zł/rok
- Redukcja utraconych sprzedaży o 40%: +400 000 zł/rok
- Mniej ekspresowych dostaw: oszczędność ~50 000 zł/rok
- Czas buyera (z 20h/tyg na 5h/tyg): oszczędność ~80 000 zł/rok
- Razem: +710 000 zł/rok
- Koszt agenta: ~50 000 zł/rok
- Zwrot: 14x w pierwszym roku
Kiedy agent NIE pomoże
- Produkty unikatowe (antyki, sztuka) - brak danych do prognozowania
- Świeże produkty z 1-dniowym terminem - zbyt szybka rotacja, inny problem do rozwiązania
- Firmy z < 100 SKU - często Excel i intuicja wystarczą
- Brak danych historycznych - agent potrzebuje minimum 12 miesięcy sprzedaży
FAQ
Czy agent działa z moim systemem POS?
Integrujemy z: Comarch POS, Subiekt, BaseLinker, WooCommerce, Shopify, Allegro, PrestaShop. Dla innych systemów - przez API lub eksport CSV.
Jak dokładne są prognozy?
85-95% accuracy na poziomie kategorii, 75-90% na poziomie pojedynczego SKU. Dokładność rośnie z czasem (więcej danych = lepsze modele).
Czy agent uwzględnia promocje?
Tak. Agent zna kalendarz promocji i koryguje prognozę. Wie, że -30% na szampony zwiększy sprzedaż 2-4x, i zamówi odpowiednio więcej.
Co z nowymi produktami bez historii sprzedaży?
Agent prognozuje na podstawie podobnych produktów w tej samej kategorii. Po 2-4 tygodniach sprzedaży kalibruje się na rzeczywistych danych.
Co dalej?
Jeśli Twój magazyn to ciągła walka z brakami i nadwyżkami:
1. Policz straty - ile masz dead stock? Ile tracisz na stockoutach?
2. Sprawdź dane - czy masz 12+ miesięcy historii sprzedaży per SKU?
3. Umów demo - pokażemy agenta prognozującego na Twoich danych
Umów rozmowę - demo agenta do zarządzania zapasami w 7 dni.
Sprawdź też: Agent AI do raportowania finansowego | Dedykowany Agent AI | Agent AI - ile kosztuje?