LLM w zarządzaniu triadami łańcucha dostaw — AI jako integrator prognoz i emisji

Nowoczesne łańcuchy dostaw coraz częściej opierają się na triadycznej strukturze współpracy — relacji angażującej jednocześnie nadawcę (producenta), operatora logistycznego 3PL i odbiorcę (klienta). W odróżnieniu od tradycyjnych relacji dwustronnych, triady wymagają wielopoziomowej koordynacji opartej na zaufaniu, transparentności danych i wspólnej odpowiedzialności za efektywność całego łańcucha. Operator 3PL przestaje pełnić jedynie rolę wykonawczą — staje się centralnym ogniwem integrującym przepływy materiałowe i informacyjne między partnerami.

Badanie Mariusza Kmiecika (Politechnika Śląska), opublikowane w Information Sciences (DOI: 10.1016/j.ins.2026.123084), jako pierwsze łączy dwa wymiary zwykle analizowane oddzielnie: dokładność prognoz generowanych przez operatora 3PL oraz dane o emisjach gazów cieplarnianych z transportu — i poddaje je analizie przy pomocy dużego modelu językowego.

Ramy teoretyczne badania

Badanie osadzono w trzech perspektywach teoretycznych, które wzajemnie się uzupełniają przy interpretacji wyników:

• Resource-Based View (RBV) — LLM jako strategiczny zasób organizacji zdolny do przetwarzania danych i generowania analitycznych przewag trudnych do imitacji przez konkurencję.
• Dynamic Capabilities (DC) — zdolność do sensingu (identyfikacji anomalii), seizing (szybkiego reagowania na dane) i reconfiguring (transformacji modelu współpracy triadycznej).
• Network Governance — LLM jako mechanizm wzmacniający zarówno formalne (KPI, umowy, audyty), jak i nieformalne (zaufanie, transparentność) aspekty zarządzania siecią.

Dane i metodologia

Analizie poddano 22 triady obsługiwane przez jednego operatora 3PL przez trzy miesiące. Dane źródłowe obejmowały zrealizowane trasy drogowe, charakterystykę ładunków (masa, palety), lokalizacje załadunku i rozładunku oraz dane emisyjne dla każdej trasy: CO₂, CO₂e, NOx, NMHC i SOx. Łącznie zbiór surowych danych transakcyjnych liczył ponad 1,7 miliona wierszy dziennych rekordów.

Ze względu na ograniczenia okna kontekstowego modeli językowych, dane przetworzono dwuetapowo. W pierwszym etapie model Gemini 2.5 Pro (wybrany ze względu na największe okno kontekstowe — ok. 1 milion tokenów — i niski wskaźnik halucynacji) generował interaktywnie zapytania SQL, agregując dane do 22 wierszy — po jednym dla każdej triady. W drugim etapie zagregowane dane poddano właściwej analizie jakościowej.

Triady sklasyfikowano według trzech wymiarów strukturalnych: otwarte/zamknięte (obecność bezpośrednich relacji między wszystkimi uczestnikami), pochodne/skoordynowane (stopień strategicznego zaangażowania operatora 3PL) oraz przechodnie/nieprzechodnie (bezpośrednia relacja nadawca–odbiorca).

Typy triad a dokładność prognoz

Zdecydowaną większość próby stanowiły triady zamknięte (n = 19) i skoordynowane (n = 17). Analiza dokładności prognoz, mierzonej średnim MAPE za okres trzech miesięcy, wykazała znaczące zróżnicowanie: 5 triad osiągnęło doskonałą dokładność (MAPE > 97%), 7 — dobrą (MAPE > 94%), 4 — przeciętną (MAPE > 90%), a 6 — niską.

Wyniki ujawniają wyraźną prawidłowość: triady zamknięte i skoordynowane cechowały się istotnie wyższą jakością prognoz w porównaniu z otwartymi i pochodnymi. Cztery z pięciu triad o doskonałej dokładności należały do grupy zamkniętej, a żadna z triad otwartych nie trafiła do grupy o niskiej dokładności. Podobna zależność wystąpiła dla wymiaru pochodne/skoordynowane: trzy z pięciu przypadków o doskonałej i sześć z siedmiu o dobrej dokładności to triady skoordynowane.

Analiza emisji transportu

Wśród pięciu analizowanych kategorii zanieczyszczeń, tlenki azotu (NOx) wykazały najwyższe wartości bezwzględne i największe zróżnicowanie między triadami — szczególnie w przypadku triad 2, 6 i 21. Jest to spójne z wynikami badań nad emisjami transportu drogowego: NOx są znacznie wrażliwsze na technologię silnika, warunki jazdy i systemy oczyszczania spalin niż CO₂.

Dla pogłębionej analizy obliczono znormalizowane emisje w czterech jednostkach odniesienia: paleta podłogowa, tona ładunku, kilometr i dostawa. To podejście pozwoliło zidentyfikować triady efektywne emisyjnie niezależnie od skali operacji — i odróżnić je od triad o realnych problemach środowiskowych.

LLM w wykrywaniu anomalii

W pierwszym etapie właściwej analizy LLM (Gemini) przetworzył zagregowane dane triad i zidentyfikował szereg kluczowych anomalii operacyjnych. Do najistotniejszych należały:

• Triada 2 (otwarta, skoordynowana, nieprzechodnia, doskonała dokładność prognoz) — wskazana jako główna anomalia emisyjna. Pomimo wysokiej jakości prognoz, triada generowała nieproporcjonalnie wysokie emisje NOx/km. LLM wskazał, że otwarty charakter struktury może utrudniać optymalizację tras i konsolidację ładunków.
• Triada 5 (zamknięta, pochodna, przechodnia, niska dokładność prognoz) — LLM wykrył kombinację niskiej jakości prognoz i wysokich emisji, rekomendując priorytetową transformację struktury współpracy.
• Triada 9 (zamknięta, skoordynowana) — ekstremalna nieregularność dostaw (wskaźnik 4,45), którą LLM określił jako „anomalię samą w sobie", szczególnie zaskakującą dla triady skoordynowanej.

Istotnym wynikiem analizy LLM było stwierdzenie braku silnej korelacji między jakością prognoz a efektywnością emisyjną. Model wprost podsumował: „Inne czynniki — takie jak skala operacyjna, typ taboru, efektywność tras, polityka konsolidacji ładunków lub specyfika klienta/trasy — mają większy wpływ na emisje i regularność niż sama dokładność prognoz."

Rekomendacje strategiczne LLM

W odpowiedzi na pytanie badawcze o zdolność LLM do generowania rekomendacji zmian strategicznych, model opracował zintegrowany zestaw działań dla triad o wysokich emisjach i niskiej jakości prognoz. Kluczowe kierunki obejmowały:

• Transformacja modelu współpracy z pochodnego na skoordynowany — LLM „silnie" rekomendował tę zmianę dla triad 5 i 6, argumentując możliwością głębszej integracji informacyjnej, wspólnych celów i KPI oraz budowania zaufania między partnerami.
• Wdrożenie platform analitycznych i LLM jako stałego narzędzia — model wskazał na potrzebę wspólnych systemów komunikacji i analizy danych, traktując LLM jednocześnie jako narzędzie analizy i potencjalny element docelowego systemu zarządzania.
• Optymalizacja operacyjna — konsolidacja ładunków, zwiększenie częstotliwości dostaw, dynamiczne planowanie tras. Rekomendacje te wzmacniają zdolności seizing i reconfiguring w ramach perspektywy Dynamic Capabilities.
• Integracja celów środowiskowych — LLM zaproponował wspólne KPI emisyjne jako element wzmacniający współpracę i budujący wiarygodność operatora 3PL w oczach partnerów.

Walidacja ekspercka i benchmark

Wszystkie diagnozy anomalii i rekomendacje strategiczne wygenerowane przez LLM poddano ocenie panelu ośmiu ekspertów reprezentujących różnorodne perspektywy: operacyjną, strategiczną, analityczną, kliencką i doradczą. Ocena prowadzona była na skali Likerta (1–5).

Średnia ocena dla wszystkich 27 analizowanych aspektów wyniosła 4,46/5, co wskazuje na wysoką zgodność i praktyczną użyteczność wyników modelu. Najwyższe noty (średnia 5,0) uzyskały rekomendacje fundamentalnych zmian strukturalnych i operacyjnych. Najniżej oceniona propozycja (3,6) dotyczyła transformacji triady 2 z otwartej na zamkniętą — eksperci zgadzali się z diagnozą, lecz kwestionowali wykonalność tej zmiany w praktyce.

Analiza rzetelności (ICC(2,k) = 0,674, p < 0,001) potwierdziła dobrą zgodność ocen panelu. Wyniki benchmarku z klasycznym algorytmem Isolation Forest wskazały na te same problematyczne triady co LLM, przy czym LLM dostarczył znacznie bogatszych jakościowo wniosków: nie tylko wskazał anomalie ilościowe, ale osadził je w kontekście strategicznym i operacyjnym.

Cztery wnioski dla zarządzającego łańcuchem dostaw

1. Struktura triady ma znaczenie dla jakości prognoz. Zamknięte i skoordynowane triady osiągają systematycznie lepszą dokładność prognoz. To praktyczny argument za inwestowaniem w głębszą integrację z operatorem 3PL — nie tylko na poziomie operacyjnym, ale strategicznym.
2. Dobra prognoza nie gwarantuje niskich emisji. Dokładność prognoz i efektywność emisyjna to odrębne wymiary zarządzania. Zarządzający muszą traktować je równolegle — i mierzyć je niezależnie.
3. LLM jako narzędzie diagnostyczne wykracza poza algorytmy ilościowe. Model językowy nie tylko identyfikuje anomalie statystyczne, ale interpretuje je w kontekście struktury relacji, skali operacji i polityki zarządzania — czego algorytmy klasyczne nie potrafią.
4. Walidacja ekspercka jest niezbędna. LLM działa jako „czarna skrzynka" — jego rekomendacje wymagają weryfikacji przez ludzi z kontekstową wiedzą operacyjną. Narzędzie to asystent analityczny, nie autonomiczny system decyzyjny.