Є гроші, які бізнес ще не заробив. Це неприємно, але зрозуміло. А є гроші значно болючіші: вони вже майже ваші, тільки застрягли в рахунках, погодженнях, листуванні з постачальниками, ручних перевірках і дрібних розбіжностях, до яких ні в кого не доходять руки.

Тому історія Worldwide Express цікава не лише логістам. Як пише AWS Machine Learning Blog, компанія автоматизувала обробку винятків у вантажних рахунках за допомогою мультиагентного рішення на Amazon Bedrock. За шість місяців після запуску активні винятки скоротилися на 75%, time-to-cash покращився на чотири тижні, а вільний cash flow зріс на $10 млн.

Процес ніби працює, але гроші стоять

Worldwide Express працює у великому масштабі: приблизно $5 млрд системної виручки, понад 75 LTL-перевізників і більше 130 000 клієнтів. Разом із масштабом прийшла цілком знайома операційна проблема. Щомісяця близько $15 млн вільного cash flow були заблоковані у billing exceptions.

У LTL-перевезеннях приблизно 14% інвойсів не проходять стандартну звірку між замовленням, фактично отриманою послугою та рахунком перевізника. Причини дуже життєві: не збігаються позиції, тариф відрізняється від контрактного, з’являється додаткова плата за ліфтгейт, доставку в житлову зону чи переважування.

Раніше все це розгрібали люди. Перевіряли документи, шукали причину розбіжності, писали перевізнику або складу, чекали на відповідь і вносили рішення в TMS-систему SpeedShip. А кожен перевізник має власні правила, тарифи й порядок спорів. Звичайна RPA тут швидко впирається в стіну: процес не йде рівною рейкою, треба розуміти контекст.

AI-агенти взяли на себе не магію, а рутину з правилами

Worldwide Express разом з AWS і LTM побудувала рішення, яке підключається до SpeedShip. Amazon Bedrock відповідає за AI-міркування, Amazon EC2 — за виконання та оркестрацію. Команда не віддала системі все підряд. Навпаки, обрала архітектуру з тонким контролем: у кожного агента є роль, межі рішень, доступні дії та формат відповіді.

У системі працюють три спеціалізовані агенти:

  • агент зіставлення інвойсів знаходить відповідний запис відправлення і показує, що саме не збігається;
  • агент тарифних розбіжностей порівнює суму перевізника з контрактною ставкою;
  • агент додаткових зборів перевіряє, чи підтверджені несподівані платежі реальними подіями доставки.

Перед рекомендацією агент підтягує правила конкретного перевізника: тарифи, визначення доплат, процедури спорів, пороги відхилень. Після рішення система формує коротку текстову примітку: що знайшли і яку дію виконали. На старті людина затверджувала рекомендації в інтерфейсі SpeedShip. Коли точність перевищила 99%, масове погодження стало стандартним режимом.

Результат вийшов дуже прикладний. У продакшені працюють понад 40 LTL-перевізників, агенти закривають 10 000 винятків на тиждень, тобто приблизно 50% потоку. Помилка — менше 1%. Активний backlog впав із $15 млн у червні 2025 року до $4 млн через шість місяців. Річна економія перевищила $1 млн, а first-year ROI склав 60x.

Де шукати такий ефект у меншому бізнесі

Що з цим робити малому чи середньому бізнесу? Точно не копіювати AWS-архітектуру один в один. Почати краще з пошуку власних «винятків»: рахунків, повернень, рекламацій, погоджень із постачальниками, медичних записів, заявок у доставці.

Уявімо інтернет-магазин, де частина повернень зависає через різні правила маркетплейсів і служб доставки. Або клініку, де адміністратори вручну звіряють записи, оплати й документи пацієнтів. Це не той випадок, де потрібна гучна трансформація. Потрібен один повторюваний вузол, у якому багато однотипних рішень, але правила щоразу трохи різні.

Перший крок простий: взяти один тип проблеми, описати правила, підключити дані й залишити людину на затвердженні. Далі міряти автоматизацію, помилки, час обробки та частоту ручних відхилень. І тут починається найцікавіше. Без якісної бази правил AI може дуже переконливо пояснювати сумнівні рішення. У фінансах, медицині чи логістиці це швидко стає не інновацією, а ризиком.

Для нас у цьому кейсі головний урок такий: AI-агенти мають сенс там, де є обсяг, варіативність і зрозуміла ціна затримки. Автоматизація починається не з модного інструмента, а з тверезого питання: де в нас уже зароблені гроші лежать без руху?