Här är en siffra som förvånar de flesta: av alla svenska företag som använder AI är logistik det minst vanliga användningsområdet. I SCB:s undersökning av företagens IT-användning 2025 uppgav bara 5,6 procent av AI-användarna att tekniken används i logistiken. Marknadsföring, ekonomi och kundservice ligger alla långt före.
Samtidigt är lagret för många handels- och grossistbolag den enskilt största kapitalposten, och logistiken är full av exakt den sorts uppgifter AI är bra på: mönster i historisk data, avvikelser i flöden, prognoser under osäkerhet. Glappet mellan potential och användning är med andra ord störst just här. För er som konkurrerar i branschen är det goda nyheter, för försprånget finns kvar att ta.
AI i lager och logistik innebär att prognos- och språkmodeller arbetar i orderdata, lagersaldon och leveransflöden för att förutse behov, upptäcka avvikelser och minska manuellt planeringsarbete, oftast ovanpå det affärssystem som redan finns.
AI i lager och logistik ger mest effekt i ordningen synlighet, prognos, automation. Företag som börjar i fel ände bygger prognoser på saldon ingen litar på.
Ordningen är hela poängen med den här artikeln, så låt oss ta den steg för steg.
Steg 1: Synlighet, innan något annat
Ställ frågan "var är vi trögast?" till tre personer på ett lager och ni får tre olika svar, alla byggda på känsla. Första steget är därför inte en prognosmodell utan en gemensam lägesbild: vilka artiklar binder kapital, var uppstår brister, vilka leveranser är sena, var skiljer sig saldot i systemet från det på hyllan.
Det låter enkelt, och det är det tekniskt sett. En AI-lösning i det här steget läser orderrader, saldon och leveransdata och sammanställer avvikelser i klartext: tio artiklar står för en tredjedel av kapitalbindningen, en leverantör orsakar hälften av förseningarna, differenserna vid inventering är koncentrerade till en varugrupp. Ett grossistbolag med runt 8 000 artiklar som vi mötte förra året hade en planerare som byggde den bilden manuellt varje månadsskifte, två arbetsdagar per gång. Det är den sortens arbete som ska automatiseras först, för lägesbilden är förutsättningen för allt som följer.
Redan här avgörs också projektets öde, för det är nu bristerna i datan visar sig: saldon som inte stämmer, artiklar med dubbla nummer, historik med hål. Att städa det är tråkigt och helt nödvändigt, och vi har beskrivit hur man gör det pragmatiskt i datakvalitet inför AI.
Steg 2: Prognoser och beställningspunkter
Med en lägesbild man litar på blir prognoser meningsfulla. En prognosmodell läser försäljningshistorik per artikel, väger in säsong, trend och ledtider och föreslår när och hur mycket som ska beställas, i stället för de statiska beställningspunkter som sattes för tre år sedan och aldrig justerats.
Här förtjänar en sak att sägas rakt ut: för artiklar med stabil, jämn efterfrågan slår enkel statistik ofta avancerade modeller, och det är inget skäl att skämmas. AI-prognosernas verkliga värde ligger där tumreglerna havererar: säsongsvaror, kampanjeffekter, långa svansar av artiklar som säljer sällan och oregelbundet. En bra lösning blandar därför metoder, enkel beräkning där det räcker och maskininlärning där variationen kräver det, och redovisar öppet hur säker prognosen är per artikel.
Prognossteget hänger tätt ihop med inköpsarbetet, där samma orderhistorik driver spendanalys och leverantörsbeslut. Den sidan av myntet har vi skrivit om i AI i inköp.
Steg 3: Automation, med människan kvar vid ratten
Först när prognoserna bevisat sig i vardagen är det dags för det tredje steget: att låta systemet agera. Beställningsförslag som godkänns med ett klick, omfördelning mellan lagerställen, automatiska varningar till kunder vid försenade leveranser, prioriteringsförslag när allt inte hinns med.
Branschens riktning är tydlig. Gartner förutspår att 60 procent av störningarna i leveranskedjor hanteras utan mänsklig inblandning år 2031. Prognosen ska läsas som riktning snarare än löfte, men riktningen räcker för en slutsats: det är klokt att bygga sina flöden så att automation kan adderas stegvis, i stället för att låsa fast sig i manuella arbetssätt.
En sak har vi medvetet utelämnat: robotlager. För de flesta SME är mjukvaran före mekaniken, eftersom den kostar en bråkdel och betalar sig på månader i stället för år. Den dag ett automatiserat lager blir aktuellt är prognosdata och rena flöden dessutom förutsättningen för att investeringen ska räknas hem.
Vad krävs av era system?
Mindre än många tror. Lösningarna i alla tre stegen byggs normalt ovanpå befintligt affärssystem eller WMS genom integration, på samma sätt som vi beskrivit i integrera AI i befintliga system. Kravet är inte ett nytt system utan åtkomst till datan: orderhistorik, saldon, artikelregister och ledtider. Finns det, finns förutsättningarna.
För er inom tillverkning ser trappan likadan ut men med andra artiklar på hyllorna, och gränsdragningen mot produktionens AI-frågor har vi behandlat i AI i tillverkningsindustrin.
Vill ni veta vad era flödesdata räcker till?
Vi börjar gärna med en genomgång av era lager- och orderflöden och bygger sedan lösningen stegvis i er miljö, som en del av vår AI-utveckling. Först synlighet, sedan prognoser, sist automation, i den takt datan tillåter. Boka ett samtal så tittar vi på era flöden tillsammans. Vi sitter i Stockholm och jobbar med bolag i hela landet.
Vanliga frågor
Fungerar AI-prognoser med vårt befintliga affärssystem?
Ja, AI-prognoser byggs i regel ovanpå det affärssystem eller WMS ni redan har: det som behövs är orderhistorik, lagersaldon och artikeldata, inte ett systembyte. Prognosmodellen läser historiken, väger in säsong och trend och lämnar tillbaka beställningsförslag i det gränssnitt ni redan arbetar i. Kvaliteten avgörs av datan, framför allt att saldon stämmer och historiken är någorlunda komplett, vilket därför är rätt ställe att börja.
Hur mycket kan lagerkostnaderna minska med AI?
Hur mycket lagerkostnaderna minskar varierar för mycket för att lova en siffra på förhand: effekten beror på hur mycket kapital som är bundet i dag, hur spretigt sortimentet är och hur träffsäkra dagens beställningsrutiner är. Leverantörsstudier nämner ofta tvåsiffriga procentminskningar i lagernivåer, men de är sällan granskade. Sätt i stället en baslinje på ert eget lager, kapitalbindning, brist och svinn, och mät förändringen efter tre till sex månader.
