AI i logistikstyring: gevinster, data, KPI’er og de typiske faldgruber

Hvorfor fylder AI pludselig så meget i logistik?

AI er rykket tæt på hverdagen i logistik, fordi de fleste virksomheder allerede har det, teknologien lever af: mange ordrer, gentagne mønstre og masser af data fra ERP, WMS og TMS. Spørgsmålet er ikke længere, om AI kan bruges, men hvor det giver mest værdi, hvad det kræver af data, og hvordan du undgår at gøre driften mere skrøbelig.

I det følgende får du et samlet beslutningsgrundlag: hvor gevinsterne typisk ligger, hvilke datakrav der er kritiske, hvilke KPI’er der bør måles, de vigtigste faldgruber – og en realistisk måde at komme i gang på uden at overlove noget til hverken ledelse eller drift.

Hvad er AI i logistikstyring – og hvad er det ikke?

AI i logistikstyring er brugen af algoritmer til at forudsige, prioritere og optimere beslutninger på tværs af transport, lager og disponering. I praksis handler det om at lade modeller foreslå ruter, kapacitet, bemanding og lagerbeholdning baseret på historiske mønstre og aktuelle data – mens mennesker fortsat sætter rammerne og håndterer undtagelser.

Det hjælper at skelne mellem fire hovedtyper af løsninger:

• Forudsigende analyser (predictive) – fx efterspørgselsprognoser, forecast for antal stop per rute eller forventet ankomsttid (ETA).
• Optimeringsalgoritmer – fx beregning af den samlede ruteplan med mindst tomkørsel givet kapacitet, tidsvinduer og restriktioner.
• AI-assistenter – værktøjer der foreslår handlinger, fx prioritering af plukbølger eller forslag til ombookning ved forsinkelse.
• AI-agenter/automation – løsninger der selv gennemfører disponering eller planlægningsbeslutninger inden for faste rammer.

Logistikstyring dækker typisk:

• Transport – ruter, tomkørsel, lastudnyttelse, ETA.
• Lager – placering, pluk, genopfyldning, lagerbinding.
• Disponering – hvem kører hvad hvornår, prioritering af ordrer og opgaver.
• Terminaldrift – ind- og udlæsning, rampeplaner, truck turnaround time.

Det er vigtigt at holde fast i, at AI ikke er magi. Mange logistikproblemer løses stadig bedst med simple regler eller klassisk optimering. AI er stærkest dér, hvor mønstrene er komplekse, datamængderne store, og der er reelle usikkerheder, som historiske data kan hjælpe med at afkode.

Hvor ligger gevinsterne typisk?

De største og hurtigste gevinster ved AI i logistikstyring ligger typisk i færre manuelle disponeringsopgaver, bedre rutevalg, lavere tomkørsel og mere præcis lager- og kapacitetsplanlægning. Det frigør tid for disponenter, reducerer kilometer og brændstof og mindsker både plukfejl og udsolgte varer.

1. Transport og ruteoptimering

På transportsiden ser man ofte betydelige forbedringer, når man går fra manuel disponering til AI-understøttet planlægning:

• Færre tomkilometer – modeller kan matche læs og retur-læs mere konsekvent end manuelle rutiner.
• Bedre rutevalg i realtid – ved at kombinere historiske mønstre med trafik- og vejrudsigter.
• Mere stabil leveringsevne – fordi ETA og forsinkelser opdages tidligere, så man kan ombooke og informere kunder.
• Lavere brændstofforbrug og CO2 – færre kilometer og bedre lastudnyttelse slår direkte igennem på omkostninger og miljø.

I store vognparker med hundredvis af trailere og biler er det ikke urealistisk at se tocifrede procents reduktioner i manuel disponeringstid og tomkørsel, når datagrundlaget er rent og rutealgoritmerne er integreret i TMS og planlægningsrutiner.

2. Lagerstyring og pluk

I lageret ligger gevinstpotentialet typisk i bedre styring af beholdning og mere effektive pluk- og indlagringsprocesser:

• Forecast-baseret genopfyldning – AI kan forbedre forecast accuracy og dermed reducere både udsolgte varer og overfyldte hylder.
• Optimerede plukruter – algoritmer kan foreslå pluksekvenser, der minimerer gåtid og truckkørsel.
• Færre plukfejl – kombinationen af WMS-logik, scannere og simple AI-tjek kan reducere fejl i ordrelinjer.
• Bedre udnyttelse af automatisering – fx sorteringsanlæg og shuttle-systemer, hvor AI hjælper med at forudsige belastning og fordele flow.

Her afhænger effekten meget af, hvor konsekvent lageret allerede arbejder med principper som FIFO/FEFO og hvor moden WMS-løsningen er. AI forstærker gode processer – den kompenserer sjældent for dårlige.

3. Disponering og bemandingsplanlægning

Manuel disponering er en klassisk tidsrøver i logistik. AI kan:

• Foreslå dagsplaner for biler, ramper og medarbejdere baseret på historiske mønstre og aktuelle ordreindtag.
• Prioritere, hvilke ordrer der skal med i hvilke ruter ud fra servicevilkår, cut-off tider og kapacitet.
• Foreslå justeringer løbende, når der opstår forsinkelser, ekstra ordrer eller aflysninger.

I praksis betyder det, at disponenter kan flytte tid fra manuel omrokering i Excel til kvalitetssikring af forslag og håndtering af undtagelser. I større operationer kan det oversættes til tocifrede procentvise tidsbesparelser på daglig disponering, når løsningen er ordentligt indkørt.

4. Planlægning og prognoser på tværs

Endelig kan AI skabe værdi i den mere taktiske del af logistikstyringen:

• Efterspørgselsprognoser for uger eller måneder frem, som bruges til bemanding, kapacitetsbooking og lagerplaner.
• Kapacitetsplanlægning – fx at fordele volumen mellem lokationer eller transportører på forhånd.
• Scenarier – hvad sker der, hvis en stor kunde øger volumen 20 procent, eller en hovedrute lukkes?

Her er der ofte tale om længere horisonter, hvor usikkerheden er større. Værdien kommer ikke kun fra højere forecast accuracy, men også fra at få strukturerede “hvad nu hvis”-scenarier, som understøtter beslutninger om investeringer, kapacitet og kontrakter.

Hvordan bør du prioritere use cases?

En simpel måde at prioritere på er at se på to akser: forventet gevinst og gennemførlighed (datamodenhed, systemintegration, procesklarhed).

• Hurtige gevinster: ruteoptimering på eksisterende transportdata, prioritering af plukbølger, simple forecast-forbedringer på udvalgte varegrupper.
• Mellem-svær: fuldautomatisk disponering, lageroptimering på tværs af flere lokationer, dynamisk bemandingsplanlægning.
• Høj kompleksitet: digital tvilling af hele logistiknetværket, fuldt autonome AI-agenter, der selv eksekverer på tværs af systemer.

Start, hvor data allerede findes, og processen er velbeskrevet. De mest modne virksomheder bruger ofte en roadmapping-proces til at rangere use cases efter gevinst og modenhed, fremfor at vælge efter teknologihype.

Hvilke data kræver AI i logistik?

AI i logistik skaber først værdi, når historiske og operationelle data er rene, sammenhængende og tilgængelige på tværs af ERP, WMS og TMS. Det handler mindre om “mere data” og mere om, at de centrale felter faktisk er udfyldt, konsistente og kan kædes sammen via nøgler som ordre-id, lokation og tidsstempler.

De fleste use cases kan opdeles i en håndfuld datatyper:

• Historiske data – ordrer, ruter, leveringstider, volumener, pluk, fejl.
• Realtidsdata – status på ordrer, beholdning, køretøjer, ramper og udstyr.
• Masterdata – kunder, produkter, lokationer, kalendere, serviceaftaler.
• Eksterne data – trafik, vejr, markedsmønstre.

Datakrav pr. central use case

Tabellen her giver et overblik over minimumskrav til data for typiske logistiske AI-brugsscenarier:

Must-have vs. nice-to-have

En nyttig tommelfingerregel:

• Must-have: entydige id’er (ordre, bil, lokation), tidsstempler, mængder, statuskoder og stabile masterdata for kunder, produkter og lokationer.
• Nice-to-have: detaljerede IoT-sensorer (temperatur, vibration), avancerede trafikfeeds, eksterne markedsdata, detaljerede årsager til forsinkelser.

Det giver ofte mere værdi at investere i enkelt masterdata- og kvalitetstiltag end at tilføje endnu en datakilde. Hvis du er i tvivl, kan du med fordel se på, hvordan I arbejder med datakvalitet og datastyring generelt, før I skruer op for ambitionsniveauet på AI.

Datastyring og sporbarhed

Jo mere AI påvirker driften, jo vigtigere bliver sporbarhed og governance:

• Hvem ejer hvilke datafelter (fx kunde, produkt, rute)?
• Hvordan sikrer I, at fejl i masterdata kan spores og rettes?
• Hvordan dokumenteres ændringer i modeller og regler (audit trail)?

Et simpelt governance-setup, som beskrevet i guiden til data governance uden teatertorden, er ofte nok til at komme i gang. Mere avancerede løsninger kan suppleres med klare data contracts mellem logistik-, IT- og data-teams.

Hvilke KPI’er skal du måle på?

De vigtigste KPI’er for AI i logistik er dem, der direkte afspejler driftseffekt: leveringspræcision, forecast accuracy, lagerudnyttelse, plukfejl og gennemløbstider. Nøglen er at måle dem både før og efter, definere klare datakilder og aftale, hvordan ændringer skal bruges i beslutninger.

Et simpelt KPI-framework til logistik-AI

Nedenfor er et mini-framework, der kombinerer definition, formel, typisk brug og praktiske målepunkter.

Baseline, mål og sammenhæng

Inden et AI-projekt sættes i gang, bør du minimum:

• Fastlægge baseline: hvor ligger fx OTIF, plukfejl og truck turnaround time i dag over 3-6 måneder.
• Definere mål: realistiske forbedringer, fx 2-5 procentpoint højere OTIF eller 10-20 procent kortere truck turnaround time, afhængigt af udgangspunkt og datakvalitet.
• Aftale ejerskab: hvem følger KPI’en, og hvad sker der, hvis den går op eller ned?

Det vigtige er ikke at ramme et bestemt tal, men at skabe en stabil før/efter-måling. Ellers kan du ikke skelne mellem effekt af AI, sæsonvariation og andre ændringer i driften. Her kan det være en hjælp at sikre, at KPI’er er solidt forankret, som beskrevet i artiklen om hvad dine KPI’er kæder sig op på.

Gør KPI’er operationelle – ikke bare rapportvenlige

En AI-løsning er først nyttig, når de relevante KPI’er er synlige for dem, der skal træffe beslutninger dagligt. Det betyder typisk:

• Korte, driftsnære dashboards for disponenter, lagerledere og terminalansvarlige.
• Klare tærskler for, hvornår en KPI er “grøn, gul, rød”, og hvad man gør i hvert tilfælde.
• Fast plads på tavlemøder eller driftsmøder, så afvigelser faktisk bliver drøftet.

Hvis du vil undgå dashboards, som ingen bruger, kan du hente inspiration i guiden om dashboards der ikke spilder nogens tid.

Hvilke faldgruber skal du undgå?

De største faldgruber i logistik-AI handler sjældent om selve algoritmen. De handler om dårlig datakvalitet, overoptimistiske forventninger, manglende menneskelig kontrol og svag integration til driftens systemer og rutiner. Hvis de ikke håndteres, kan AI gøre logistikken mindre stabil – ikke mere.

Typiske faldgruber i transport og lager

Human-in-the-loop som sikkerhedsnet

Erfaringen fra større logistikaktører er ret klar: de bedste løsninger kombinerer AI med menneskelig dømmekraft.

• AI foreslår ruter, rampeplaner eller bemanding – disponenter og ledere godkender og justerer.
• AI markerer undtagelser (fx meget lang truck turnaround time) – mennesker undersøger årsag og beslutter modtræk.
• AI giver anbefalinger for lagerbeholdning – indkøb og logistik vurderer risici og leverandørvilkår.

Det kræver tydelige procedurer for, hvornår man følger modellen, hvornår man afviger, og hvordan afvigelser registreres. Her kan det være nyttigt at tænke AI-output ind i eksisterende SOP’er og møderutiner, som beskrevet i tjeklisten om 4 faste møder, der gør din SOP-proces brugt.

Regulering, compliance og AI Act i praksis

AI i logistik kan berøre både persondata og kritisk infrastruktur. Selve juraen og AI Act hører hjemme i særskilte dybdeartikler, men i praksis betyder det typisk:

• Behov for dokumentation af, hvordan modeller trænes og bruges (audit trail).
• Klar adskillelse mellem data, der kan og ikke kan bruges til modellering (fx persondata).
• Sammenhæng til øvrige krav til driftssikkerhed og cybersikkerhed.

Hvis din logistik er omfattet af NIS2 eller lignende regler, giver det mening at afstemme AI-tiltag med den overordnede tilgang til it-sikkerhed i praksis og driftssikkerhed.

Hvordan kommer man godt i gang med AI i logistik?

Den mest bæredygtige måde at gå i gang på er at vælge ét afgrænset use case, sikre datagrundlaget, køre en lille pilot med klare KPI’er og først derefter skalere. Det er bedre at få én løsning succesfuldt i drift end at starte fem projekter, der aldrig forlader PowerPoint.

En enkel fasedelt proces

1. Afgræns use case
   Vælg et konkret problem: fx “reducér tomkørsel på nationale ruter” eller “forkort truck turnaround time på hovedterminalen” fremfor “brug AI i logistik”. Definér, hvem der får gavn af løsningen, og hvilke KPI’er der er vigtigst.
2. Tjek data og systemlandskab
   Lav en hurtig gennemgang af, hvilke datafelter der findes, hvor de ligger (ERP, WMS, TMS) og hvor mange huller der er. Ofte kan en simpel data-profilering afdække, om projektet er realistisk, eller om der først skal ryddes op.
3. Byg en pilot
   Start lille: fx på én terminal, én rute-type eller et udsnit af sortimentet. Brug realistiske KPI-mål og aftal på forhånd, hvornår piloten er “god nok” til næste skridt.
4. Mål før og efter
   Mål de relevante KPI’er 3-6 måneder før og under piloten. Vurder både tal og oplevelse: bliver arbejdet nemmere eller mere bøvlet for disponenter og lagerfolk?
5. Skaler kontrolleret
   Hvis piloten virker, skalerer du gradvist: flere ruter, flere lokationer, flere varer. Justér samtidig governance, træning og ændringsprocesser, så løsningen ikke bliver et parallel-system.
6. Drift og løbende forbedring
   AI-modeller og logistikmiljøer ændrer sig. Sæt faste intervaller for at revurdere parametre, retræne modeller og opdatere SOP’er.

Har du allerede en proces for at planlægge og fastholde digitale indsatser, kan AI-projekter med fordel kobles ind i den, fx gennem et roadmap, der binder strategi, prioriteringer og tidslinjer sammen.

Vælg den rigtige tekniske tilgang

Ikke alle logistikproblemer kræver en avanceret AI-model. Som tommelfingerregel:

• Brug simpel regelmotor, når processen er stabil, reglerne er kendte, og data kun bruges til at udløse simple “hvis X så Y”-handlinger.
• Brug optimeringsalgoritmer, når du skal finde “bedste løsning” ud fra kendte parametre (afstand, tid, kapacitet) og klare begrænsninger.
• Brug AI (maskinindlæring), når der er reelle mønstre og usikkerheder, som ikke kan beskrives let med regler, fx efterspørgselsmønstre eller forsinkelsesrisiko.

Det kan være fristende at kalde alt for AI, men for driften er det vigtigere, at løsningen er robust og forståelig. Artiklen om at bygge kun den AI-styring, du faktisk har brug for går i dybden med netop den balance.

Hvilken rolle spiller bæredygtighed og CO2?

AI i logistik giver ofte en sekundær grøn gevinst: færre tomkilometer, bedre lastudnyttelse og mere præcis planlægning reducerer både brændstofforbrug og CO2-udledning. For mange virksomheder bliver CO2 derfor en integreret del af business casen, ikke kun et “nice to have”.

Typiske mekanismer er:

• Ruteoptimering – færre kørte kilometer og mindre tomkørsel.
• Lastudnyttelse – bedre match mellem volumen, vægt og køretøj.
• Forebyggelse af hasteleverancer – mere præcise forecasts og lagerplaner reducerer behovet for ad hoc-transport.

Hvis virksomheden rapporterer på Scope 3-udledninger, kan CO2 per sendt enhed eller per ton-kilometer måles som et resultatspor ved siden af klassiske logistik-KPI’er. På den måde bliver bæredygtighed en naturlig del af styringen, ikke et separat regneark.

Hvornår giver AI ikke mening – og hvad er bedre?

AI bør ikke vælges, hvis data er svage, processen er meget enkel og velregleret, eller hvis en klassisk optimering eller regelmotor løser opgaven lige så godt. I de tilfælde giver AI flere afhængigheder og mere kompleksitet end nødvendigt.

Et enkelt mentalt “valgtræ” kan hjælpe:

• Er reglerne kendte, stabile og få? → Start med regelmotor.
• Skal du vælge bedste kombination ud fra klare parametre? → Overvej optimeringsalgoritme.
• Afhænger resultatet af mønstre og usikkerheder i historiske data? → Så er AI/ML relevant.

Derudover kan det være, at din største gevinst lige nu ligger i bedre procesdisciplin, renere masterdata eller enklere systemintegration – ikke i en ny algoritme. Først når fundamentet er på plads, får AI lov at vise sit reelle potentiale i logistikstyringen.

Tre spørgsmål du kan tage med til næste møde

Hvis du skal starte dialogen i din organisation, kan du med fordel stille tre enkle spørgsmål:

• Hvilken konkret beslutning i vores logistik bruger vi mest tid på i dag – og kunne den være AI-understøttet?
• Har vi de datafelter og KPI’er, der skal til for at måle, om en AI-løsning gør det bedre end i dag?
• Hvordan sikrer vi, at mennesker forbliver i løkken, så AI styrker – og ikke svækker – driftssikkerheden?

Svarene på de tre spørgsmål sætter ofte ret præcist rammen for, hvor AI i logistikstyring giver mening at starte – og hvor det bør vente.