AI i logistik er mest relevant i de manuelle led mellem systemerne – fx bookingmails, statusforespørgsler fra kunder og håndtering af afvigelser – hvor en sprogmodel kan læse fritekst og lave et udkast, som en medarbejder godkender. Ruteplanlægning, lastoptimering og volumenprognoser løses derimod typisk med klassisk optimering, statistik eller funktioner i de systemer, I allerede har.
Artiklen er til drifts- og IT-ansvarlige hos speditører, transportfirmaer, lageroperatører og shippingvirksomheder, der vil skelne mellem de opgaver, hvor AI kan aflaste, og dem, hvor pengene er bedre brugt andre steder.
Kort fortalt
- Sprogmodeller egner sig til tekst: bookingmails, kundespørgsmål, afvigelsesbeskeder og interne procedurer.
- Ruteplanlægning og lastoptimering er matematisk optimering og hører hjemme i specialiseret planlægningssoftware, ikke i en chatbot.
- En AI-løsning kan kun svare korrekt på "hvor er min forsendelse?", hvis den har adgang til opdaterede statusdata fra TMS'et via et API eller en database.
- Når en chatbot taler med jeres kunder, skal de som udgangspunkt informeres om, at det er et AI-system – AI-forordningens artikel 50 gælder fra 2. august 2026.
- En første pilot bør starte med læseadgang og menneskelig godkendelse, før løsningen får lov til at oprette eller ændre bookinger.
Hvor AI i logistik passer ind i arbejdsgangene
Et TMS (transport management system) er det system, hvor forsendelser, bookinger og status registreres; et WMS er lagerets tilsvarende system. De bedste AI-kandidater ligger typisk rundt om disse systemer, hvor information i dag kopieres manuelt fra e-mails, portaler og regneark.
| Opgave | Hvad AI gør | Data, der skal være på plads | Typisk faldgrube |
|---|---|---|---|
| Statusforespørgsler | Svarer kunden via chat eller e-mail ud fra status i TMS og trackingdata | Adgang til forsendelsesstatus via API eller database | Forældede statusdata giver forkerte svar, der lyder overbevisende |
| Booking- og ordremails | Læser fritekst og vedhæftninger og laver et udkast til booking | Rigtige eksempler på mails og felterne i TMS'et | Kunder skriver forskelligt, så tvivlstilfælde skal til en medarbejder |
| Afvigelser og forsinkelser | Finder afvigelser og foreslår en besked til kunden | Hændelser fra TMS og opdateringer fra vognmænd og carriers | For mange alarmer, hvis tærsklerne ikke er aftalt med driften |
| Intern videnssøgning | Svarer medarbejdere ud fra procedurer og kundeaftaler med kildehenvisning | Dokumenterne og styr på, hvilken version der gælder | Gamle versioner på drevet bliver brugt som kilde |
| Prognoser for volumen og bemanding | Estimerer mængder pr. dag eller uge | Historik over ordrer, sæsoner og kampagner | Kræver ren historik; en simpel statistisk model er ofte nok |
Intern videnssøgning bygges typisk med RAG (retrieval-augmented generation): løsningen finder først de relevante afsnit i jeres dokumenter og lader derefter sprogmodellen formulere svaret ud fra dem. Læs mere på vores side om RAG-udvikling.
Det, der ikke skal løses med en sprogmodel
- Ruteplanlægning og lastoptimering. Der findes specialiseret software til det. En sprogmodel kan forklare en plan, men den skal ikke beregne den.
- Rodede stamdata. Forkerte adresser, dubletter i kunderegistret og manglende varestamdata bliver ikke bedre af AI. Nogle gange er oprydning det bedste første projekt.
- Systemer uden adgang. Kan TMS'et ikke levere data via et API (en programmeringsgrænseflade, som andre systemer kan hente data igennem), handler projektet først om integration.
- Funktioner, I allerede betaler for. Mange TMS-, WMS- og helpdeskleverandører har indbygget AI. Prøv dem, før I specialudvikler.
Fra indbakke til TMS – sådan bygges en bookingløsning
Bookingmails er et godt eksempel på, hvor det tekniske arbejde ligger. Selve sprogmodellen er sjældent problemet; det er detaljerne omkring den:
- Vedhæftninger i alle former. Bookinger kommer som brødtekst, Excel-ark, PDF'er og scannede dokumenter. Scannede PDF'er kræver tekstgenkendelse (OCR), før modellen kan læse dem, og kvaliteten skal testes særskilt.
- Datoer og enheder. Udenlandske kunder skriver datoer som måned/dag, og "3 pl" kan betyde paller eller pakker. Løsningen skal normalisere formater og markere tvetydige felter i stedet for at gætte.
- Validering mod stamdata. Kundenummer, afhentningsadresse og postnummer tjekkes mod jeres registre, før udkastet vises.
- En tærskel for tvivl. Felter, som løsningen er usikker på, sendes til en medarbejderkø med mailen ved siden af udkastet.
- Logning. Gem input, forslag og den endelige booking. Forskellen mellem forslag og resultat er jeres bedste kilde til forbedringer.
- Dubletter. Kunder videresender ofte den samme booking eller svarer i en lang mailtråd. Løsningen skal genkende kundens referencenummer og tidligere mails i tråden, så samme forsendelse ikke oprettes to gange.
Mål kvaliteten pr. felt, ikke pr. mail. En booking med ti felter, hvor ni er rigtige, er stadig en fejl i TMS'et, hvis det tiende er afhentningsdatoen. Opgør derfor, hvor ofte hvert felt er korrekt, og sæt kun felter med høj træfsikkerhed til automatisk udfyldning – resten markeres til kontrol. Det giver et realistisk billede af, hvor meget tid løsningen faktisk sparer.
Når personoplysninger som navne på kontaktpersoner, telefonnumre og chaufføroplysninger indgår, gælder GDPR, og en ekstern udviklingspartner, der behandler dem for jer, skal have en databehandleraftale. Datatilsynet har samlet sin vejledning om kunstig intelligens og databeskyttelse. For chatbots gælder AI-forordningens gennemsigtighedsregler fra 2. august 2026, jf. Kommissionens tidslinje for AI-forordningen (status pr. oktober 2026).
Dette er generel information, ikke juridisk rådgivning.
Erfaringer fra beslægtede opgaver
NKKTech Global er en AI-udviklingsvirksomhed med udviklere i Hanoi, Vietnam. Vi har ikke danske logistikkunder at henvise til, men et af vores projekter og et produkt under udvikling ligner opgaverne ovenfor:
- Lager og sporbarhed (under udvikling): Vores eget produkt Factory Manager er under udvikling og lanceres snart (pr. oktober 2026). Det er designet til at styre en mindre fabrik fra telefon og tablet med QR-scanning, lagerbeholdning, arbejdsordrer og sporbarhed – den samme type data om varer, placeringer og bevægelser, som en AI-løsning i logistik skal kunne læse. Det er endnu ikke i drift og er derfor ikke dokumentation for resultater.
- Manuelle ordreprocesser: For en japansk netbutik moderniserede vi et ældre system over 22 uger. Ifølge den publicerede case faldt de manuelle operationer med 90 %, siderne indlæses tre gange hurtigere, og migreringen skete uden nedetid.
Den publicerede case er fra en japansk kunde, ikke en dansk logistikvirksomhed, men mønsteret er det samme: få data ud af manuelle led og ind i systemer, der kan bruges.
Første skridt – én proces, målt før og efter
Vælg den proces, hvor smerten er tydeligst – fx statusforespørgsler, der optager to medarbejdere hver formiddag – og mål antal henvendelser, svartid og tid pr. sag, før I bygger noget. Saml et par hundrede anonymiserede eksempler, og skriv ned, hvornår et menneske skal godkende.
Under piloten bør I følge tre tal: andelen af henvendelser, løsningen kan håndtere, træfsikkerheden pr. felt eller pr. svar, og den tid medarbejderne bruger på at kontrollere og rette. Det sidste glemmes ofte. En løsning, der laver gode udkast, men tager lige så lang tid at kontrollere som at skrive fra bunden, sparer ingenting.
Skal I primært have data ud af fragtbreve, fakturaer og andre dokumenter, er vores guide til dokumentbehandling med AI mere relevant end denne oversigt. Hvordan vi arbejder med danske virksomheder, kan du læse på nkktech.com/dk.
Ofte stillede spørgsmål
Hvad kan AI bruges til i logistik? Gode kandidater er besvarelse af statusforespørgsler, læsning af booking- og ordremails, opdagelse og kommunikation af afvigelser og søgning i interne procedurer. Prognoser for volumen og bemanding er også relevante, men løses ofte bedre med klassiske statistiske modeller end med sprogmodeller.
Kan AI læse booking-mails og indtaste dem i vores TMS? Ofte ja, hvis TMS'et har et API eller en anden sikker måde at modtage data på. Start med, at løsningen laver et udkast, som en medarbejder godkender, og mål hvor ofte udkastet er korrekt, før den får lov til at oprette bookinger selv.
Hvad koster det at komme i gang med AI i logistik? Det afhænger af integrationerne og datakvaliteten. En afgrænset pilot på én proces kan holdes inden for et fast budget, mens løsninger med flere systemer og drift koster mere. Regn også med løbende udgifter til sprogmodel, hosting og vedligehold.
Næste skridt
Flytter jeres medarbejdere data fra bookingmails over i TMS'et i hånden? Send tre-fire eksempler og book en gratis samtale på 30 minutter, så får I inden for 3 hverdage et fastprisforslag på en AI-pilot fra USD 3.000 på 3–4 uger.
Erfarne udviklere i Vietnam, en klart afgrænset opgave og et skriftligt tilbud inden for 3 arbejdsdage.
10 years of experience working with Japanese companies — two of those years based in Japan. Has run the business since 2018 (as NKKTech since 2025) with a senior-only engineering model.