IT Systems 1-2/2026 Logistika, řízení skladů, WMS 13. 2. 2026 12:00

Nejen v logistice platí, že digitalizace není cíl, ale nástroj

Jedna z nejčastějších chyb, kterou dnes v logistice vídám, je záměna prostředku za cíl. Digitalizace sama o sobě nezvyšuje produktivitu ani kvalitu služeb. Zvyšuje se až tehdy, když kopíruje a podporuje dobře navržený proces.

V praxi se opakovaně ukazuje, že:

špatný proces digitalizace nezachrání, pouze jej zrychlí,
bez jasně definovaných datových struktur a workflow se z WMS stává jen „dražší Excel“,
a že zavedení nového systému často odhalí slabiny, které byly dříve skryté, protože ohnout systém stojí úsilí a zastaví proces

Úspěšné projekty digitalizace proto nezačínáme výběrem technologie, ale mapováním toku práce, rozhodovacích bodů, odpovědností a návazných procesů uvnitř nebo vně firmy. Teprve poté dává smysl hledat nástroj, který tento model podpoří. Obrovskou výhodou je v dnešní době možnost využít AI nástroje na rychlejší analýzu stávajícího stavu.

Úspěšná digitalizace nezačíná výběrem technologie, ale mapováním procesů.

Automatizace: kdy dává smysl a kdy ne

Automatizace je dnes vnímána téměř jako povinná výbava moderního skladu. Zkušenost z provozu však ukazuje, že automatizovat příliš brzy je stejně nebezpečné jako automatizovat pozdě.

Automatizace se nám osvědčila zejména tam, kde:

existuje stabilní a opakovatelný tok činností
objem práce dlouhodobě přesahuje možnosti manuálního řešení
manuálním procesem je ohrožena kvalita
a kde je proces dostatečně standardizovaný a to je nutná podmínka

Naopak problematická bývá v prostředích:

s vysokou variabilitou sortimentu nebo procesu
s častými změnami balicích pravidel,
nebo tam, kde se proces stále vyvíjí a je potřeba flexibilita

Velmi důležité je také počítat s tím, že automatizace není jednorázová investice, ale dlouhodobý závazek. Vyžaduje úpravy procesů, školení lidí, změnu údržby i jiný způsob plánování kapacit. Firmy, které to podcení, bývají nepříjemně překvapeny.

Automatizace vyžaduje úpravy procesů, školení lidí, změnu údržby i plánování kapacit.

Umělá inteligence: hype versus skutečná hodnota

Boom AI se nevyhnul ani logistice. Od predikce poptávky přes optimalizaci tras až po řízení kapacit – možností je mnoho. Zároveň ale platí, že AI neumí nahradit špatná data ani nejasná rozhodovací pravidla.

Z praktického pohledu dnes AI dává největší smysl v oblastech, kde:

existuje dostatek historických dat,
rozhodování je opakované a statisticky vyhodnotitelné,
kde má člověk problém reagovat dostatečně rychle
a hlavně kde je know-how tak, abychom AI dokázali dát správný kontext

Typickým příkladem je:

predikce vytížení skladu,
odhad pracnosti zakázek,
identifikace anomálií v provozu
odhalení chybných datových vstupů a odstup od standardizace
zrychlení vývoje a rozvoje stávajících procesů

Naopak očekávání, že AI „sama navrhne ideální sklad“, jsou zatím spíše z říše marketingu. Bez lidské interpretace a znalosti kontextu zůstávají i nejlepší modely slepé. Jde spíše o to, že je to extrémně urychlující nástroj. V našem týmu používáme AI na denní bázi pro analýzu dat, analýzu a modelaci procesů, modelaci kapacit. To vše urychluje kolaboraci. Dříve než bychom vyhodnotili veškerá data a připravili správný model tak uběhly týdny. Dnes jsme schopni dát tyto věci dohromady v řádech minut nebo hodin a nepotřebujeme tolik lidí v inženýrském týmu. Díky tomu je i snazší realizace. Protože na výrazně složitějších a inovativních činnostech se stále může podílet velmi malý tým, který funguje velmi efektivně. Díky tomu jsme schopni jít od business zadání k návrhu procesu, vývoji a nasazení v kratších intervalech.

Automatizovat příliš brzy je stejně nebezpečné jako automatizovat pozdě.

Data: největší přínos, ale i největší bolest

Pokud bych měl jmenovat jednu oblast, která má v logistice největší potenciál a zároveň je nejvíce podceňovaná, jsou to data a jejich interpretace. Základem úplně všeho je správná datová struktura a čistota dat.

Většina skladů dnes data má. Jen s nimi neumí pracovat:

nejsou jednotná,
nejsou správně strukturovaná,
obsahují chyby díky nekontrolovaným ručním zásahům
nebo nejsou dostupná včas.

Zlom často přichází až ve chvíli, kdy se data začnou používat:

pro řízení kapacit v reálném čase,
pro rozhodování o prioritách zakázek,
a pro objektivní vyhodnocování výkonu procesů, nikoliv lidí.

Velmi se nám osvědčilo propojení provozních dat s vizualizačními nástroji, které umožňují rychlou orientaci managementu i operativy. Důležité je ale dodat, že dashboard sám o sobě nic neřeší, pokud není jasné, jaké rozhodnutí z něj má následovat.

Budujte datovou kulturu dříve, než začnete mluvit o AI.

Na co si dát pozor

Na závěr bych shrnul několik doporučení, která se opakovaně potvrzují napříč projekty:

Začněte procesem, ne technologií.
Počítejte s lidmi – jejich odporem, obavami i potřebou porozumění.
Neautomatizujte chaos.
Nastavte si realistická očekávání návratnosti.
Budujte datovou kulturu dříve, než začnete mluvit o AI.

Digitalizace a automatizace nejsou jednorázovým projektem, ale dlouhodobou cestou, která vyžaduje trpělivost, disciplínu a ochotu učit se z chyb. Právě tyto „neviditelné“ faktory často rozhodují o tom, zda technologie firmě skutečně pomůže, nebo se stane jen dalším nákladovým centrem.

Konstantin Margaretis
Autor článku je zakladatelem logistické společnosti Skladon a lídrem týmu, který aktuálně řeší optimalizaci skladových procesů.