Physical AI без роботов: как склады в Узбекистане снимают ручную работу камерами и датчиками

В 18:40 на складе интернет-магазина в Сергели все хотят одного: закрыть отгрузку и отпустить курьера. Оператор уже на автомате клеит этикетки, коробки похожи, очередь давит. Один неверный стикер — и товар за 780 000 сум уезжает не тому клиенту. Дальше возврат, звонки, пересорт, минус маржа.

Я бы не начинал такую автоматизацию с роботов. Для большинства складов в Узбекистане первый нормальный шаг — Physical AI без движущегося железа: камеры над воротами и упаковкой, датчики веса и температуры, плюс workflow-движок, который сам ставит задачу, блокирует спорную отгрузку и пишет смене в Telegram или ERP. Камера видит паллету и штрихкод, датчик подтверждает вес, система сверяет это с заказом и говорит: «стоп, не тот SKU» — до выезда машины за ворота. Это быстрее внедряется и лучше попадает в реальную боль складов Ташкента, Самарканда и Ферганы: ручные проверки, усталость людей и слепые зоны учёта.

Робот — не первый шаг. Сначала зрение

Я видел склады, где бизнес покупал дорогую технику, а часть операций всё равно жила в Excel. На экскурсии выглядит убедительно. В смене — нет.

Physical AI на складе — это не обязательно робот, который ездит между стеллажами. Это система, которая понимает физическую операцию: пришла паллета, закрылась дверь, коробка прошла через весы, температура начала ползти вверх. И главное — она не просто показывает видео на мониторе, а запускает действие: создать инцидент, попросить пересканировать, закрыть задание, предупредить начальника смены.

Где камера снимает ручной труд

Не нужно сразу обвешивать камерами весь склад. Быстрый эффект обычно находится в четырёх местах.

Как это выглядит на складе в Ташкенте

Возьмём дистрибьютора косметики с 6 000 SKU и ежедневной отгрузкой в маркетплейсы, магазины и регионы. На упаковке ставим две IP-камеры, нормальный свет, весовую платформу и экран оператора. Каждый заказ проходит через контрольную точку: камера читает этикетку, модель распознаёт тип упаковки, вес сверяется с ожидаемым диапазоном.

Совпало — заказ уходит дальше без лишнего клика. Вес ниже на 400 грамм или камера видит другую этикетку — система ставит заказ на паузу и создаёт задачу старшему смены. Не отчёт завтра утром. Сигнал сейчас.

Цифры, которые стоит держать в голове

Экономика проще, чем кажется

По данным KEYENCE, системы машинного зрения в логистике могут снижать ошибки отгрузки до 70%, а окупаемость часто укладывается в 2–5 лет. В Узбекистане я бы считал ещё приземлённее: сколько стоит один неверный заказ, один возврат из Нукуса, один час пересчёта склада в субботу?

Камера за пару миллионов сум не заменит WMS. Но она может снять самую дорогую ручную проверку — ту, которую люди делают сотни раз в день и всё равно иногда пропускают. Вот там деньги.

Пилот без большого ремонта

Нормальный пилот Physical AI не начинается с презентации на 80 слайдов. Он начинается с одного узкого места, где ошибка уже видна в деньгах.

1. Выбрать боль Берём один процесс: отгрузка, приёмка или холодная зона, где ошибка уже стоит денег.
2. Поставить наблюдение Камеры и датчики монтируются так, чтобы видеть факт операции, а не красивый общий план склада.
3. Собрать эталоны Нужны фото, веса, штрихкоды и правила: что считается нормой, а что блокирует заказ.
4. Запустить сценарии Система должна не только находить отклонение, но и создавать задачу ответственному человеку.
5. Посчитать результат Через 4–6 недель сравниваем ошибки, скорость проверки и нагрузку на смену до и после.

Где система ошибётся, если сделать наспех

Компьютерное зрение не прощает грязные линзы, слабый свет и хаос в маркировке. Если на одной паллете три типа этикеток, часть коробок замотана плёнкой, а контрольная точка стоит напротив ярких ворот, модель начнёт ошибаться. Команда быстро перестанет ей верить.

Второй риск — автоматизировать бардак. Если сотрудники не понимают, кто реагирует на тревогу и за сколько минут, AI превращается в ещё один шумный экран. Поэтому мы в Celion проектируем не «камеры ради камер», а связку: событие, правило, ответственный, срок, журнал действий.

Склад становится умнее не тогда, когда на нём появляется робот, а когда ошибка перестаёт проходить незамеченной.

инженерная практика Celion

С чем это связать: WMS, 1C, Telegram

Physical AI не должен жить отдельным островом. Камера увидела паллету, WMS знает заказ, 1C хранит документы, Telegram или корпоративный чат доставляет тревогу старшему смены. Цепочка простая, но дисциплина операций меняется сразу: спорный заказ уже нельзя тихо протолкнуть дальше.

Для локального бизнеса есть нюанс: интернет на складе не всегда стабилен, а часть данных лучше обрабатывать рядом с камерой, на edge-устройстве. Тогда система продолжает проверять отгрузку даже при слабом канале, а в облако отправляет только события и нужные фрагменты. Это практичнее, чем гнать весь видеопоток наружу.

Что забрать с собой

Если коротко: складскую автоматизацию стоит строить снизу, от видимых ошибок и ручных проверок.

• Не начинайте с роботов. Для большинства складов в Узбекистане камеры, датчики и сценарии дадут эффект быстрее и дешевле.
• Автоматизируйте одну боль. Приёмка, комплектация или отгрузка — выберите участок, где ошибка уже измеряется в сумах.
• AI должен действовать. Распознать коробку мало; система обязана блокировать, уведомлять или создавать задачу.
• Свет и процессы решают. Плохая разметка, слабое освещение и неясная ответственность убьют даже хорошую модель.
• Интеграция важнее витрины. Связка с WMS, 1C и каналами уведомлений даёт больше пользы, чем отдельный экран с видео.

Частые вопросы

Обсудим ваш склад

Celion проектирует AI- и software-решения для бизнеса в Узбекистане: от компьютерного зрения на складе до интеграции с 1C, WMS и внутренними системами. Напишите нам — разберём ваш процесс и покажем, где камеры и датчики снимут ручную работу без покупки роботов.

Связаться с нами