AI pentru stocuri nu înseamnă un „oracol” care ghicește cererea, ci un mod mai bun de forecast, alerte și replenishment. Pentru companiile din România, valoarea apare când modelele sunt legate de date reale din ERP, WMS, marketplace-uri sau magazinul online și când echipa folosește AI-ul ca suport pentru decizie, nu ca pilot automat.
Context rapid
AI reduce out-of-stock-ul când este conectat la replenishment și la deciziile zilnice, nu când rămâne un dashboard separat de operațiuni.
În multe companii, ruptura de stoc nu apare fiindcă lipsește complet tehnologia, ci fiindcă decizia de aprovizionare se bazează pe reguli prea rigide sau pe intervenții manuale târzii. Un prag minim-maxim setat o singură dată nu reacționează suficient de bine când apar promoții, sezonalitate, schimbări de mix, întârzieri de la furnizori sau mutări între canale de vânzare.
Aici intervine AI-ul: nu înlocuiește ERP-ul, WMS-ul sau echipa de planificare, ci adaugă un strat de forecast și semnalizare. În documentația platformelor enterprise de forecasting, modelele lucrează pe serii temporale și pot încorpora date istorice plus semnale conexe, cum ar fi promoțiile, atributele de produs, sezonalitatea sau alte variabile care influențează cererea.
Pentru majoritatea implementărilor de forecast operațional, cazul de utilizare nu se suprapune cu categoriile high-risk enumerate de AI Act. Totuși, asta nu înseamnă „fără reguli”: companiile au în continuare nevoie de trasabilitate, supraveghere umană și claritate asupra modului în care recomandările ajung în decizia finală de replenishment.
Poate estima cererea la nivel de SKU, locație, canal sau interval de timp, nu doar la nivel agregat.
Poate semnala din timp combinațiile produs-locație cu risc ridicat, astfel încât echipa să intervină înainte să apară lipsa de stoc.
În multe suite enterprise, planificatorii pot urmări cauzele principale ale deviațiilor: promoții, sezonalitate, lead times sau schimbări de mix.
Poate recomanda cantități sau priorități de reaprovizionare, dar decizia finală ar trebui să rămână în controlul echipei de operațiuni.
Primul set de date este evident: vânzări istorice, comenzi, retururi, anulări și disponibilitatea reală în stoc. Dacă sistemul nu știe când produsul a fost indisponibil, poate confunda cererea pierdută cu cererea scăzută și îți va subestima necesarul viitor.
Al doilea set este operațional: timpi de aprovizionare, frecvența livrărilor, MOQ-uri, multipli de ambalare, produse substitut, promoții, sezonalitate și atribute de produs. Documentația unor platforme enterprise de supply chain arată exact acest lucru: forecast-ul devine mai bun când este corelat cu semnale calitative și cantitative din mai multe surse, nu doar cu seria brută de vânzări.
Aici apare și un punct important pentru România. Raportul Comisiei Europene privind Digital Decade 2025 arată că digitalizarea companiilor, mai ales a IMM-urilor, rămâne sub media UE, iar competențele digitale de bază sunt încă o problemă. Din acest motiv, în majoritatea implementărilor locale merită să începi cu puține surse curate și bine înțelese, nu cu o integrare masivă a tuturor sistemelor din prima zi.
AI-ul pentru stocuri funcționează bine când ai un catalog relativ stabil, istoric suficient, disciplină minimă în master data și un proces clar de replenishment. Este util mai ales acolo unde volumul de SKU-uri, locații sau canale face imposibilă o planificare manuală consistentă.
Rezultatele vor fi mai slabe dacă produsul se schimbă permanent, dacă stocurile reale nu bat cu cele din sistem, dacă lead times-urile sunt complet imprevizibile sau dacă promoțiile nu sunt înregistrate nicăieri. În astfel de cazuri, modelul nu „vede” contextul și doar formalizează haosul existent.
Tot aici merită adăugat un aspect de guvernanță. Comisia Europeană arată că obligația de AI literacy din articolul 4 al AI Act se aplică din februarie 2025 pentru organizațiile care furnizează sau folosesc sisteme AI. Cu alte cuvinte, nu este suficient să ai un model bun; echipa trebuie să înțeleagă ce intră în el, unde poate greși și când o recomandare trebuie contestată.
“AI pentru stocuri are sens când scade numărul de decizii luate „din instinct”, nu când adaugă încă un dashboard pe care nimeni nu îl folosește în aprovizionare.”
Un pilot bun nu începe cu tot depozitul și nici cu toate canalele. Începe cu o categorie de produse unde costul rupturii de stoc este clar, unde ai istoric decent și unde echipa poate acționa rapid asupra recomandărilor. De regulă, asta înseamnă un grup de SKU-uri cu rulaj mare sau marjă importantă, nu întreaga gamă.
În pilot merită urmărite câteva KPI-uri simple: rata de out-of-stock, forecast error, nivelul de serviciu, zilele de stoc și valoarea blocată în suprastoc. Dacă după câteva cicluri de planificare vezi că scad rupturile de stoc fără să explodeze imobilizarea de marfă, ai un argument bun pentru extindere.
Ca arhitectură, primul pas realist este de multe ori mai modest decât se crede: extragi zilnic date din ERP, WMS și magazinul online, aplici forecast pe segmente relevante, generezi alerte de risc și trimiți recomandările către planner sau buyer. Abia după ce acest flux produce rezultate merită să discuți despre automatizare mai agresivă sau integrare end-to-end.
Nu. E-commerce-ul are cele mai vizibile probleme de out-of-stock, dar aceeași logică se aplică și în distribuție, producție ușoară sau rețele cu mai multe puncte de stocare. Condiția nu este industria, ci existența unui proces de aprovizionare repetabil și a unor date suficient de coerente încât modelul să poată învăța din ele.
De regulă, nu. În multe proiecte, primul pas este conectarea sistemelor existente, nu înlocuirea lor. Dacă ERP-ul, WMS-ul sau platforma de e-commerce pot exporta date despre vânzări, stocuri și aprovizionare, poți începe cu un pilot. Limitarea reală apare mai degrabă din calitatea datelor și din disciplina operațională decât din lipsa unui ERP nou.
Măsori impactul în operațiuni, nu doar acuratețea modelului. Urmărește în paralel rata de ruptură de stoc, nivelul de serviciu, forecast error, zilele de stoc și valoarea suprastocului. Dacă forecast-ul pare mai bun, dar out-of-stock-ul nu scade sau suprastocul crește semnificativ, înseamnă că problema este în modul de execuție, nu doar în model.
În majoritatea implementărilor de forecast operațional, nu vorbim despre un caz high-risk în sensul AI Act. Totuși, compania ar trebui să păstreze trasabilitatea datelor și a recomandărilor, să definească supravegherea umană și să asigure un nivel suficient de AI literacy pentru oamenii care folosesc sistemul. Pe scurt, nu ai nevoie doar de algoritm, ci și de proces și responsabilități clare.
Analizăm fluxul tău actual de stocuri, datele disponibile și îți spunem unde merită un pilot și unde nu.
Discută un caz concret
Pentru multe magazine online, întârzierile nu apar la transport, ci între confirmarea comenzii și momentul în care AWB-ul este gata. Un flux Pick&Pack asistat reduce pașii manuali, verificările repetitive și blocajele din depozit.
Alegerea manuală a curierului pentru fiecare comandă consumă timp și generează erori. Aflați cum automatizarea selecției curierului pe baza unor criterii clare poate reduce costurile, crește satisfacția clienților și elimina deciziile repetitive din echipa de operațiuni.
