Lojistikte yapay zeka kullanımı, depo ve taşıma operasyonunda tahmin, sıralama, tanıma ve okuma işlerini veriye dayalı modellere devretmektir: talebi önceden kestirir, stoğu doğru rafa yerleştirir, toplama ve rota sırasını önerir, kamerayla hasarı ve etiketi tanır, irsaliye ve faturayı okur. Karar operasyon ekibinde kalır; yapay zeka onu tahmin ve kontrol yükünden kurtarır.
Depo ve sevkiyat masasında zaman nereye gidiyor?
Bir dağıtım deposunda günün ritmini çoğu zaman sabahki sipariş dalgası belirler. Planlamacı hangi siparişin hangi araca gideceğini tablolarla çıkarır, depo şefi toplayıcıları deneyime göre koridorlara dağıtır. Mal kabulde gelen irsaliye elle sisteme girilir, hasarlı koli fark edilirse fotoğrafı telefonda kalır.
Bu düzen, hacim sabitken idare eder. Kampanya dönemi, yeni bir müşteri ya da tecrübeli bir planlamacının izni geldiğinde ise bütün yük birkaç kişinin hafızasına biner. Sorun tek bir kötü süreç değil; tahmin, sıralama ve kontrol işlerinin her birinin ayrı ayrı elle yapılmasıdır.
Bu yazı bir genel bakış. Her uygulama alanının ayrıntısını ilgili rehbere bıraktık ve bağlantılarını verdik; burada amaç, hangi işin yapay zekaya uygun olduğunu ve nereden başlanacağını görmek.
Rakamlarla lojistikte yapay zeka: bildirilen sonuçlar ve boşa giden kapasite
Lojistik, yapay zekanın somut sonuç bildirilen alanları arasında. Stanford HAI AI Index 2025 raporuna göre (McKinsey verisi) yapay zekayı tedarik zinciri ve stok yönetiminde kullanan şirketlerdeki katılımcıların %43'ü maliyet tasarrufu, tedarik zincirinde kullananların %63'ü gelir artışı bildirdi. Aynı rapor, tasarrufların çoğunun %10'un, gelir artışlarının ise çoğunlukla %5'in altında kaldığını da not ediyor.
Boşa giden kapasite de ortada. Eurostat'ın karayolu yük taşımacılığı istatistiklerine göre AB'de 2025'te yük taşıyan araçların kat ettiği mesafenin %21,8'i boş seferdi. Türkiye için bu tablo daha da önemli, çünkü:
Türkiye'de 2023'te yurt içi yük taşımacılığının %90,6'sı karayoluyla yapıldı. (Çevre, Şehircilik ve İklim Değişikliği Bakanlığı — Çevresel Göstergeler)
Öte yandan hazırlıksız başlamanın da bedeli var. Gartner'ın 29 Temmuz 2024 tarihli basın bülteni, üretken yapay zeka projelerinin en az %30'unun 2025 sonuna kadar kötü veri kalitesi, belirsiz iş değeri ve artan maliyet gibi nedenlerle kavram kanıtlamadan sonra terk edileceğini öngörmüştü. Lojistikte bunun karşılığı, stok kayıtları tutmayan bir depoya model kurmaktır.
Lojistikte yapay zeka kullanımının 8 alanı
Aşağıdaki alanlar, malın depoya girişinden müşteriye teslimine kadar olan akışa göre sıralandı. Her biri tek başına bir pilot olabilecek büyüklükte.
- Talep ve hacim tahmini. Geçmiş sipariş, sezon ve kampanya verisinden önümüzdeki haftaların hacmini tahmin eden modeller, vardiya ve araç planını önceden kurmayı sağlar. Yöntem seçimini yapay zeka ile talep tahmini yazımızda anlattık.
- Mal kabulde evrak okuma. İrsaliye, fatura, konşimento ve gümrük evrakı OCR ile okunur; alanlar siparişle karşılaştırılır, yalnızca tutmayan satır insana düşer. Belge okuma mantığı OCR ile fatura okuma yazısında ayrıntılı.
- Görüntüyle hasar ve etiket kontrolü. Kabul ya da sevk noktasındaki kamera ezik koliyi, yırtık streçi, okunmayan barkodu ve yanlış etiketi işaretler. Bu, üretimdeki görüntü işleme ile kalite kontrol yaklaşımının depoya uyarlanmış hâlidir.
- Akıllı yerleşim (slotting). Sık çıkan ve birlikte sipariş edilen ürünler sevk alanına yakın adreslere önerilir. Modelin çalışması için önce düzgün bir depo adresleme sistemi gerekir.
- Toplama sırası ve dalga planı. Siparişler toplayıcılara yürüme mesafesi ve teslim saatine göre dağıtılır. Toplayıcının elini serbest bırakan yöntemleri sesli toplama (pick-by-voice) rehberinde karşılaştırdık.
- Yükleme ve rota planı. Kapasite, tonaj, teslim penceresi ve trafik kısıtları altında araç–sipariş eşleşmesi ve durak sırası önerilir. Kısıtların nasıl modellendiğini rota optimizasyonu yazısında anlattık.
- Sapma ve anomali uyarısı. Planlanandan uzun duraklama, olağan dışı yakıt tüketimi, sayım farkı ya da sık tekrarlayan iade anomali tespiti yöntemleriyle erken yakalanır.
- Operasyon yazışması ve müşteri bilgisi. "Yüküm nerede?" soruları, tahmini varış bildirimi ve müşteri maillerinin yapay zeka ile e-posta sınıflandırma yoluyla doğru ekibe yönlendirilmesi dil modelleriyle hızlanır; yanıtın dayandığı veri yine takip sisteminden gelir. Temsilciye yanıt önerisi ve vaka özeti sunan araçları müşteri temsilcisi için yapay zeka asistanı yazısında ele aldık.
Kamuya açık örnekler bu alanların ölçeğini gösteriyor. UPS'in 2020 tarihli basın bültenine göre yapay zeka ve makine öğrenmesi de kullanan ORION rota sistemi, devreye alındığından beri şirkete yılda yaklaşık 100 milyon mil ve 10 milyon galon yakıt tasarrufu sağlıyor. Türkiye'den, AWS'nin yayımladığı vaka çalışmasına göre Getir talep tahmininde model eğitim süresini %90 kısalttığını ve tahmin doğruluğunu %10 artırdığını açıkladı. Her iki rakam da şirketlerin kendi beyanı; sizin operasyonunuzdaki sonucu ancak kendi pilotunuz gösterir.
Hangi lojistik işinde hangi yaklaşım?
Lojistikteki her işin büyük dil modeline ihtiyacı yok; bir kısmı klasik optimizasyonla, bir kısmı basit kurallarla daha iyi çözülür. Aşağıdaki tablo, işin türüne göre uygun tekniği ve gereken veriyi özetliyor.
| Lojistik işi | Uygun yaklaşım | Gereken veri | Önkoşul |
|---|---|---|---|
| Hacim ve talep tahmini | Zaman serisi / makine öğrenmesi | En az bir-iki yıllık sipariş geçmişi | Kampanya ve iade kayıtları ayrı tutulmalı |
| Evrak okuma | OCR + alan çıkarma | İrsaliye, fatura, konşimento örnekleri | Belge türlerinin listesi |
| Hasar ve etiket kontrolü | Görüntü işleme | Etiketlenmiş fotoğraf seti | Sabit kamera açısı ve ışık |
| Yerleşim ve toplama sırası | Optimizasyon + sipariş analizi | Adres bazlı stok, sipariş satırları | WMS'te adres ve stok doğruluğu |
| Rota ve yükleme planı | Kombinatoryal optimizasyon | Adres koordinatı, araç kapasitesi, teslim penceresi | Temiz müşteri adres verisi |
| Sapma uyarısı | Anomali tespiti | Araç, sayım ve iade geçmişi | Uyarıyı kimin ele alacağı belli olmalı |
| Müşteri yazışması | Dil modeli + takip verisi | Mail arşivi, sevkiyat durumu | Yanıtın veri kaynağı tek olmalı |
Son sütun, tablonun en önemli kısmı. Adresi tutmayan bir depoda slotting, koordinatı eksik müşteri listesiyle rota planı sonuç vermez. Bu yüzden birçok projede ilk iş, depo yönetim sistemi (WMS) tarafındaki stok doğruluğunu ve el terminaliyle stok sayımını düzene sokmaktır.
Her iş de model gerektirmez; eşik aşımı ya da belge türüne göre yönlendirme gibi işler sabit kurallarla daha ucuz ve öngörülebilir çözülür. Kuralla çözülebilecek işlerin nasıl ayrılacağını ise yapay zeka mı kural tabanlı otomasyon mu yazısında anlattık.
Lojistikte yapay zeka pilotu nasıl seçilir?
Pilot için en uygun iş, hacmi yüksek, sonucu kolay ölçülen ve hatası geri alınabilen olandır. Mal kabulde evrak okuma ve hacim tahmini bu yüzden sık seçilir; tam otomatik rota dağıtımı ise ilk adım için risklidir.
Seçimi kolaylaştırmak için dört soru sorun:
- Bu iş haftada kaç kez tekrarlanıyor ve bugün kaç kişi-saat alıyor?
- Gereken veri bir sistemde mi, yoksa kâğıtta ve tablolarda mı?
- Model yanılırsa zarar ne kadar, fark edilmesi ne kadar sürer?
- Sonuç, ekibin zaten kullandığı ekrana taşınabilir mi?
Başlamadan önce bugünkü değeri ölçün: kabulde bir irsaliyenin işlenme süresi, sipariş başına toplama süresi, araç başına günlük kilometre. Getiriyi bu başlangıç değerlerine göre nasıl hesaplayacağınızı yapay zeka projesi ROI yazısında adım adım anlattık. Şirket genelinde hangi departmandan başlanacağı sorusu için şirketlerde yapay zeka nereden başlamalı rehberine bakabilirsiniz.
Mevzuat tarafını da unutmayın. Kamera görüntüsü çalışanı gösteriyorsa kişisel veri işlenir ve KVKK kuralları uygulanır; sevk belgelerinin elektronik akışı ise e-İrsaliye geçişi ile birlikte planlanmalıdır.
Digital Bridge'de lojistik yapay zekasını nasıl kuruyoruz?
Hazır paket satmıyoruz; işe ihtiyaç analiziyle başlıyoruz. Depo ve operasyon ekibinizle mal kabulden teslimata akışı çıkarıyor, zamanın en çok gittiği iki üç adımı ve bu adımların verisinin nerede durduğunu belirliyoruz. Sonunda kapsamı, aşamaları ve bedeli yazan bir teklif veriyoruz.
Pilotu tek bir işe odaklıyoruz. Evrak yoğunsa doküman OCR katmanını sizin gerçek irsaliye ve faturalarınızla kurup doğruluğu ölçüyoruz. Kabul ya da sevk noktasında hasar ve etiket kontrolü hedefleniyorsa kamera, ışık ve modeli görüntü işleme hizmetimiz kapsamında birlikte tasarlıyoruz; uygun IP kameralarınız varsa onlarla başlıyor, gerekirse kamera, aydınlatma ve işlem birimini sahaya kuruyoruz.
Sonuç, ekibin çalıştığı ekranda görünmeli. Bu yüzden modeli depo ve stok yönetimi (WMS) ekranınıza ya da sevkiyat planlama, araç takibi ve mobil teslimat onayını kapsayan lojistik yazılımına bağlıyoruz. Hacim tahmini için talep tahmini analitiği, mevcut ERP ve WMS bağlantıları için yapay zeka entegrasyonu aynı projede ele alınıyor.
Sonraki adım
Son bir ayın verisinden tek bir işi seçin: mal kabul, toplama ya da günlük araç planı. Bugün kaç dakika sürdüğünü ve kaç kez düzeltme gerektiğini not edin. Ardından bizimle iletişime geçin; ilk pilot için en uygun lojistik işini birlikte belirleyelim. Diğer departmanlardaki kullanım alanları için Yapay Zeka konu sayfamıza göz atabilirsiniz.