Rozjeli jsme zcela zásadní projekt aktualizace našich dep a třídění zásilek, říká Martin Fiala, technologický šéf Packeta Group, pod kterou patří logistická společnost Zásilkovna. Firma podle něj mění celou topologii sítě dep a doručovacích hubů a hledá nové budovy či zvažuje stavbu nových vlastních skladů.
Zároveň se snaží testovat využitelnost umělé inteligence a automatických systémů v logistice. AI model Zásilkovna používá například k plánování toho, kolik zásilek směřuje do jakého výdejního místa a kdy tam mohou dorazit. AI využívá také při rozpoznávání fotografií při reklamacích zásilek nebo při analýze nedoručených balíčků.
Fiala také odkrývá, jak technologicky fungují doručovací Z-Boxy. „Jsou jiné než boxy konkurence,“ říká. Drtivá většina je napájena výhradně solárním panelem, takže v nich firma musí zajistit co nejnižší spotřebu energie. „Po Evropě máme kolem 13 tisíc boxů. Všechny dohromady žerou cca 3 tisíce wattů, což je přibližně stejně jako rychlovarná konvice,“ chlubí se Fiala.
Podívejte se „pod kapotu“ Z-Boxů v naší exkluzivní fotogalerii:
V rozhovoru rozebíráme také příčiny problémů s vyzvedáváním zásilek, které měla Zásilkovna koncem loňského roku, konec experimentu s roboty ve skladech či populární vibe coding.
Loni na podzim měla Zásilkovna značné problémy s vyzvedáváním a posíláním zásilek. Oznámili jste, že budete doručování měnit a optimalizovat. Nakolik byla příčina problémů přímo v systému, který řídí fungování boxů – přiřazování zásilek, notifikace, procesy pro kurýry? A co s ním děláte po technologické stránce?
Problém nebyl technologického charakteru. Problém byl v tom, že nás dohnala naše vlastní agilita. Chceme dělat věci rychle, a tak jsme velmi rychle nasadili možnost, aby si lidé mohli přes naše Z-Boxy posílat zásilky mezi sebou, tzv. C2C (zkratka anglického consumer to consumer – pozn. redakce).
A přesně to vygenerovalo ten problém. Novou službu jsme nasadili funkční, ale ne dostatečně procesně optimalizovanou. Dost dobře jsme si nepohlídali, že objem C2C zásilek roste výrazně rychleji, než jsme čekali. A tím, jak rostl, tak nás doběhly drobné procesní chyby, které tam byly od samého počátku. Než jsme je opravili, přišel ten podzim.
Navíc se v době sociálních médií občas dělá z komára velbloud. Ale chyba byla na naší straně – než jsme opravili procesy, ty problémy vznikaly.
Je dobré si uvědomit, jak celé to složité kolečko funguje: podám zásilku do Z-Boxu Zásilkovny, a ten balíček má být nějakým způsobem popsaný. Přijede řidič, který ho vyzvedne a má za úkol s ním něco udělat. Otázka je, jestli to udělá správně. Pak se zásilka doveze k nám na sklad, kde proběhne třídění, a ze skladu ji další řidič zaváží na cílový box. Tam to musí nějakým způsobem vložit a postupovat nějakým způsobem. Pak vám přijde notifikace a vy si jdete balíček vyzvednout. A v každém z těchto kroků docházelo k neefektivitám.
Příklad: když řidič vybírá věci z boxu, otevře si všech deset schránek a zásilky vytáhne. Jenže pak před ním leží deset zásilek – a on třeba zjistí, že nemají štítky. Protože když posíláte C2C balíček, nemáte štítek s QR kódem, dostanete od nás jen podací kód. Ale řidič už si pak nevybaví, ze které schránky kterou zásilku vytáhl, a když pak balíčky špatně polepí… To je jeden příklad.
Druhý: proces pro řidiče byl zdlouhavý a vlastně ho tlačil k tomu, aby dělal zkratky. Když jsme proces zrychlili, aby řidič věděl – otevřu, nalepím, otevřu, nalepím – nemá tendenci vymýšlet vlastní postupy.
Stávalo se i to, že když byl box plný, zásilku jste přesměrovali na jiné místo, které sice bylo geograficky relativně blízko, ale prakticky bylo mnohem hůř dostupné. Nedají se tyhle věci technologicky lépe optimalizovat?
To je jedna z funkcí, které jsme nasazovali ještě před loňským podzimem. Říkáme tomu Preference doručení. V naší mobilní aplikaci máte možnost si nastavit své oblíbené výdejní místo a pak logiku, která má asi tři kroky: když náhodou moje oblíbené místo nebude dostupné, použij jiné mnou zvolené místo. Nebo můžete říct „ne, nic jiného nechci, chci to do toho oblíbeného, i kdyby to mělo být doručeno o den později."
Před asi tři čtvrtě rokem jsme změnili také naši interní logiku hledání náhradního boxu nebo výdejního místa. Původně fungovala na základě úvahy „najdi jakýkoliv bod v perimetru jednoho kilometru." Pak jsme si ale řekli, že perimetr není nejlepší jednotka, a začali jsme pracovat se vzdušnou vzdáleností nebo s časem, který člověk ujede autem nebo ujde pěšky.
Preferenci doručení si v aplikaci nastavily už stovky tisíc lidí a fakt funguje. Záměny zásilek gradovaly na podzim a dnes jsme s nimi násobně níž. Vidíme to i na Facebooku, kde prakticky zmizely stížnosti uživatelů. Změny zafungovaly, ale bolelo to.
Jak vlastně funguje interní systém, který řídí celé doručování od vložení zásilky až po doručení? Vyvinuli jste si ho interně?
Zásilkovna je z pohledu IT v absolutní míře inhouse. Naprostá většina toho, co dnes používáme, je náš vlastní software a v tom nechceme nic měnit. Říkáme, že rodinné stříbro je rodinné stříbro.
Příklad: základní desku, která je ve výdejních boxech, jsme si vyvinuli sami a upravili na míru. Nemáme monolitickou architekturu, třeba Z-Boxy mají svůj vlastní backend s vlastní architekturou.
Máme centrální systém, který se stará o životní cyklus zásilky jako takový a na něj jsou napojené okolní systémy podle toho, v jaké fázi zásilka je: když ji někdo podává, když dorazí k nám na depo, když je potřeba poslat notifikaci – centrální systém říká okolním aplikacím, co mají dělat.
Notifikace jde do notifikačního enginu, na depu jde zásilka do depového enginu, který je specializovaný na to, že s ním běhají lidé se čtečkami. Když jim pípne, reakce musí být okamžitá. Máme také automatizovaná depa, ať už robotická, nebo s optisortery – něco se zpracovává ručně, něco automaticky. Architektura je relativně hezky rozdělená do jasných komponent.
Kde své IT hostujete?
Všechno nám prakticky kompletně běží v Microsoft Azure. Jsme primárně v regionu West Europe, částečně ve Švédsku a až na specifické bolístky vše funguje.
A co se stane, když má Azure výpadek – jak jsme byli svědky v nedávné době?
Záleží na tom, co vypadne. Řešíme samozřejmě scénáře pro business continuity a disaster recovery. Je určitě potřeba mít nějakou regionální politiku, že když má problém jeden region, přepnete na druhý. Jako řadu dalších zákazníků nás samozřejmě kouslo, když Microsoftu v říjnu 2025 globálně vypadla komponenta Front Door.
V takovém případě uvažujete ekonomicky: výpadek v takovém měřítku se Microsoftu stává tak jednou za deset let. Má smysl investovat do přípravy na variantu, která nastane jednou za deset let, nebo když ta situace přijde, vytrpíte těch dvanáct hodin, než to opraví? Přemýšlíte o tom, kdy má smysl být opevněný proti všemu a kdy to nedává ekonomický smysl. Defaultní variantou je „cloud-based“ a výběr poskytovatele je do značné míry transakční téma.
Jak jsem sledoval stížnosti zákazníků, někteří říkají, že máte u doručování balíčků domů relativně dlouhé časové sloty. U firem jako je Rohlík jsou přitom třeba dvouhodinové. Proč to tak je? Nebylo by i pro vás výhodnější mít sloty přesnější, abyste mohli lépe řídit doručování zásilek?
Home delivery děláme, ale v našem objemu je relativně malá. Soustředíme se více na Z-Boxy, kde si lidé mohou zásilku vyzvednout, kdykoliv se jim to hodí. Takže zvažujeme, jak moc se vyplatí do home delivery investovat a co ta případná investice přinese. Na jedné straně je zákaznická zkušenost, která se díky přesným časovým slotům zlepší, ale všechno musí mít svoji cenovku. To je jedna důležitá úvaha.
Druhá věc: když už auto jede a rozváží, nikdy neveze jeden balíček. Je to matematika: mám v rámci home delivery udělat trasu s 600 zásilkami. Jenže když máte sloučit časové preference všech zákazníků, poskládáte ji jenom s použitím výrazně více aut, tedy s výrazně vyššími náklady, což znamená také výrazně vyšší cenu pro klienta.
A nemůže být více časových slotů jednodušší z hlediska plánování tras? Jak u vás vlastně funguje?
Plánování je jedna z hezkých úloh i na téma AI. Zkusím popsat celé flow. Málokdo si uvědomuje, jak je složité. V pondělí ráno si něco objednáte na e-shopu X a zvolíte si dopravu Zásilkovnou do konkrétního boxu. V Česku spolupracujeme s bratru 40 tisíci e-shopy, ve skupině jich máme celkem 62 tisíc, a řada z nich je integrovaná standardně a řada nestandardně. V ideálním případě ale v okamžiku objednávky dostaneme elektronické avízo o tom, že e-shop X má pro nás balíček na adresu Y.
Termín, kdy balíček fyzicky dorazí k nám, se ale dramaticky liší e-shop od e-shopu. A různé to je i v rámci jednoho obchodu, někdy dodávají hned ten den, jindy třeba jednou za tři dny. Pak je zásilka u nás – to už je naše hřiště – a my chceme, abychom všechno zprocesovali přinejhorším v režimu den+1. A pak přichází na řadu zavážení, notifikace, a do toho vám zasahuje střídání pracovních dní a víkendů.
Další proměnnou je box, který má určitou kapacitu a my počítáme, kolik zásilek do něj může zítra dorazit, kolik se vejde do auta, jak bude box plný a kolik zásilek asi do boxu půjde – s tou nejistotou na začátku. Z toho začíná vybuchovat hlava.
Tento demand a capacity planning – kolik zásilek směřuje do jakého výdejního místa a kdy tam mohou dorazit – je jeden z případů, které řešíme pomocí AI. Máme model, který se snažíme dál zlepšovat. Je to velká věc, protože když ji nastavíme správně, bude pro nás efektivnější doručovat a pro zákazníka bude jistota dodání do druhého dne daleko vyšší.
Model jste také vyvinuli interně, nebo používáte velké LLM a dotrénováváte si je?
Používáme model, který si dotrénováváme, a pak běží interně u nás. Modelů máme několik a liší se podle toho, na co je používáme.
Ten optimalizační model pro doručování běží v reálném čase?
Neběží v reálném čase. Oproti Rohlíku, Košíku a podobným službám, kde zboží podáte teď a chcete je hned, u nás plánujeme jinak. Máme dlouhodobý plán, pak kapacitní plán na 13 týdnů dopředu, kapacitní plán na příští týden a kapacitní plán na den dopředu. Postupně se zpřesňují.
Třeba zásilka ze zahraničního e-shopu k nám dorazí třeba až za devět dní. Musíme se dívat daleko dopředu, a proto je plánování lidí, řidičů a počtu aut postavené spíš na týdenních predikcích, které se den předem zpřesňují.
To je jeden případ využití AI – máte další?
Nezmiňuji nasazení v zákaznickém centru a v call centru, to dnes mají asi už všichni. Na druhou stranu, raději bychom tady chtěli mít nasazené něco, co bude fungovat tak, aby byl zákazník spokojený, než tam na sílu nasazovat technologickou hračku, ze které budou třeba zákazníci nešťastní.
Hezký případ využití AI je u nás rozpoznávání fotek při reklamacích zásilek. Typický e-shop říká: potřebuji důkaz, že zásilka k vám dorazila už rozbitá a že jste ji nepoškodili vy. V okamžiku, kdy máme fotku zásilky, potřebujeme umět říct, jestli je to první fotka při příjmu na sklad, nebo poslední. Srovnat tyto dvě fotky a zjistit, jestli byla zásilka rozbitá – to je hezká úloha pro model, který řekne: ano, tyhle zásilky jsme rozbili my a omlouváme se za to, a tohle jsou věci, které k nám dorazily už ve špatném stavu.
To už máte nasazené v ostrém provozu?
Ano, už to běží.
A co další využití AI v logistice?
Používáme ji při doručování ztracených zásilek. Přepravíme 200 milionů zásilek ročně, takže i zlomek promile z tohoto množství znamená desítky tisíc případů. Cestou se může stát řada věcí: zásilka je rozbitá, je z ní stržený štítek, adresa je nečitelná. U nás na skladě pak můžeme mít balíček, který je jen holá krabice, na které není vůbec nic.
Máme na to speciální oddělení, které hlídají kamery. Tam krabici rozbalí, pořídí fotku, za kterou už je AI, která říká: rozbalil jsem krabici Adidas, boty velikost 43, modré, nějaký konkrétní model. A tyto informace se systémově ukládají.
Když pak zákazník čeká zásilku a třetí den nemá žádnou zprávu, ozve se zákaznickému centru. Operátor se vás zeptá, co jste poslal a přepne se do módu hledání ztracené zásilky. Zákazník řekne: poslal jsem modré Adidas, velikost 43.
V pozadí se AI ptá: máme ve ztracených zásilkách něco podobného? Typicky vyběhne jedna až osm podobných zásilek. Operátor si to se zákazníkem upřesní a řekne: tak tohle je ono, domluví si dodací adresu a zásilka se doručí. To je další případ, který dnes plně produkčně běží.
Když jsem byl před pár lety na slavnostním otevírání vašeho prvního automatizovaného skladu, jezdili tam se zásilkami malí roboti. Je to směr, kterým se snažíte jít? Budete mít víc robotických skladů? A jak to funguje z hlediska financí?
Automatizace skladu je velké téma. Na konci loňského roku jsme rozjeli zcela zásadní projekt aktualizace našich dep a třídění zásilek a jdeme do toho od základu. V první řadě nás zajímá, abychom měli správnou budovu. Když si to rozmyslíte ekonomicky, je velice důležité, jestli má půdorys dlouhé nudle, čtverce nebo je „do elka“. Z toho vychází, jaké vzdálenosti tam lidé nachodí.
Dnes máme navrženou ideální budovu. Máme také úplně novou typologii a vnitřní mapu dep. Na základě zkušeností vyhodnocujeme, které depo je na správném místě a bude tam i do budoucna, a které chceme někde jinde. Objíždíme realitní trh a hledáme existující budovy nebo se ptáme, jestli někde můžeme budovu postavit.
S tím souvisí topologie sítě. Chceme mít napříč zeměmi dvouúrovňová depa: sadu hubů, robotických nebo automatizovaných dep, které zprocesují 100 % zásilek a roztřídí je pokud možno na nejmenší úroveň detailu – na konkrétní auto a konkrétní zastávku. Takových hubů bude v republice třeba pět nebo šest, pak zásilky putují do nižší úrovně dep, takzvaných dispatch pointů, řekněme v okresních nebo krajských městech. Tam zásilky dorazí velkým kamionem, ale to depo už je nemusí třídit, protože je dostane z automatizovaného hubu rovnou vytříděné. A tam probíhá v podstatě překládka na konkrétní auta.
Tento projekt zásadně změní naši logistiku. Co se týče robotů, po zkušenostech říkáme, že daleko efektivnější technologií jsou pro nás line sortery. Je to dlouhá, rychle jedoucí třídící linka, kterou z jedné strany krmí X chobotů a na druhé straně máte X desítek spadů. Roboti udělali ve své době super kus práce v objemu, který jsme tehdy řešili. Ale už mají odpracováno, dostávají se do technologického důchodu i do značného fyzického opotřebení. Museli bychom do nich investovat nemalé peníze a ceny se natolik posunuly, že je výrazně lepší investovat do line sorterů, které se daleko lépe škálují. Když poměříte výkonnost depa na čtvereční metry, line sorter jednoznačně vítězí nad roboty.
Zajímavé, na trhu všichni mluví o robotizaci, ale u vás je realita jiná.
Pro mě je robotizace spíš synonymem pro automatizaci a je druhotné, jestli má podobu robotické sekačky na trávu, nebo inteligentního line sorteru. A ten musí být skutečně inteligentní: vidíte sice jenom dlouhý pás, ale ten musí v řádu desítek milisekund naskenovat balíček, rozhodnout, co to je, a nasměrovat ho do správného spadu. Je v něm ukrytá spousta inteligence.
AI se dnes hodně využívá i při vývoji softwaru. Jak na tom jste s tzv. vibe codingem? Kolik procent kódu už máte vygenerované AI?
Z výrazu „vibe coding" se mi ježí chlupy. Takhle se dá postupovat, když vytváříte nějakou „hello world“ aplikaci, ale když potřebujete produkční kód s výkonností v řádu stovek a tisíců paralelních transakcí, stabilitou a udržovatelností, je to něco jiného. Jsme ve fázi, kdy se snažíme přepnout z přístupu, že každý vývojář využívá AI tooling po svém, což je samo o sobě super a přináší to efektivitu, do stavu, kdy budeme všichni používat stejný nebo podobný tooling a jednotný proces. Tím získáme efektivitu v úplně jiném měřítku.
V následujících několika měsících nás v IT čeká konsolidace využívání AI pro vývoj. Nechceme, aby to bylo „každý pes, jiná ves," ale aby všichni jeli podle stejného procesu. A v tom procesu bude hrát roli lidský vývojář, který umělé inteligenci říká: nebudeš dělat žádný pull request přímo do kódu a rovnou nasazovat do produkce. Někde to skončí, já to nějakým způsobem zverifikuji.
Třeba lidé z AWS před časem oznámili, že si spočítali produkční výpadky za rok 2025 a zjistili, že za výrazným procentem z nich stojí automaticky nasazený AI kód. Myslím si, že za touto snahou nasazovat AI kód automaticky do produkce stojí touha být tím, kdo je „ahead of the pack“, i když to přináší rizika.
Na druhé straně můžete být víc konzervativní, důkladnější, nebo počkat na zkušenosti ostatních – my chceme být ahead-of-the-pack, ale udržet si kontrolu a kvalitu. Já jim to nemám za zlé, protože si zvolili cestu, která jim určitě přinesla řadu výhod, které nikdo jiný nemá: vychovali si třeba spoustu lidí, kteří s AI technologií umí zacházet.
- Chcete mít Lupu bez bannerů?
- Chcete dostávat speciální týdenní newsletter o zákulisí českého internetu?
- Chcete mít k dispozici strojové přepisy podcastů?
- Chcete získat slevu 1 000 Kč na jednu z našich konferencí?
Staňte se naším podporovatelem
ČLÁNKY DO MAILU