AI za naftne kompanije i distributere: playbook od sedam procesa

Naftni sektor je jedan od rijetkih gdje marža po litru nije stvar marketinga nego matematike: cijena je propisana ili pratilac tržišta, trošak nabavke varira dnevno, a konkurencija je na svakom uglu. U takvom poslu AI ne pomaže tako što „piše bolji marketing" — pomaže tako što smanjuje gubitke na tri mjesta gdje se novac danas tiho gubi.

Ovaj tekst je playbook, ne najava. Sedam procesa, po svakom: gdje curi, šta AI radi, šta pokazuje praksa u svijetu i šta je realno kod nas. Na kraju: kako se uvodi u četiri koraka i šta mjeriti.

Gdje novac curi

Tri mjesta se ponavljaju u svakoj analizi ovog sektora:

Telefon. Kupac ili vozač zove, dispečer je na drugoj liniji, narudžba se prepisuje na papir i prekuca u ERP. Greške u litrima, pogrešna pumpa, propuštena narudžba.
Planiranje. Cisterne se pune po navici i iskustvu, ne po podacima. Negdje ostane goriva u rezervoaru, negdje se vozi dodatni krug.
Papir. Dostavnice, reklamacije, ulazni računi. Osoba provede dan prepisujući ono što već postoji u PDF-u.

Sve tri stvari su procesi, ne strategije. Zato se rješavaju mjesecima, a ne godinama.

1. Narudžbe telefonom — agent koji prima narudžbu

Problem: B2B kupci naručuju telefonom. Van radnog vremena nitko se ne javlja, a narudžba ujutro znači izgubljen dan dostave.

Šta radi AI: glasovni agent se javlja imenom firme, uzme narudžbu (proizvod, litri, pumpa, rok), provjeri stanje i cijenu u ERP-u, zapiše narudžbu i pošalje potvrdu. Ako nešto ne zna — prebacuje dispečeru, ne izmišlja.

Praksa: ovo je danas najzreliji dio. Isti mehanizam radi u servisnim djelatnostima gdje se 20–30% poziva izgubi jer nitko ne stigne podići slušalicu. Kod distributera je efekat veći, jer je jedna propuštena narudžba vrijedna stotine, ne desetine eura.

Kod nas: izvodljivo odmah, jer ne dira ERP — čita iz njega i piše narudžbu kroz postojeći API ili kroz međutabelu. Prvi pilot: jedna pumpa, jedan dispečer, jedan broj.

2. Prognoza potrošnje po pumpi

Problem: naručivanje „po osjećaju" drži previše zaliha na jednom mjestu i premalo na drugom. U sezoni to košta dvaput.

Šta radi AI: model koji uzima historiju prodaje, dan u sedmici, sezonu, vrijeme, praznike i lokalne događaje, pa predviđa potrošnju po pumpi i proizvodu za sljedećih 7–14 dana.

Praksa: prema preglednom radu o AI/ML i IoT-u u retail downstream-u, AI-potpomognuta prognoza omogućava smanjenje troškova držanja zaliha u rasponu 15–25%, uz manje nestanaka goriva. McKinsey je još 2019. procijenio da digitalna transformacija downstream-a nosi do 50 milijardi dolara godišnje vrijednosti u industriji.

Kod nas: počinje kao Excel koji se puni automatski, ne kao platforma. Ako model mjesečno pogodi potrošnju bolje od čovjeka za 10%, već se isplati.

3. Punjenje cisterni i rute

Problem: svaka cisterne je skupo vozilo sa skilled vozačem. Loša ruta je direktan trošak, a preticanje rokova je kazna.

Šta radi AI: optimizacija koja spaja stanje rezervoara, predviđenu potrošnju, raspoloživost vozila i ograničenja (radno vrijeme pumpi, dozvole, istovar).

Praksa: isti modeli koje koriste logističke firme; u gorivu je specifično to što su zalihe u rezervoarima mjerljive senzorima, pa je ulaz u model tačniji nego u većini drugih djelatnosti.

Kod nas: radi samo ako rezervoari imaju mjerenje. Ako nemaju, prvo senzori — pa optimizacija. Obrnut red je bacanje para.

4. Rezervoari: curenje i gubici

Problem: razlika između ulaznog i izlaznog stanja je često „gubitak", a rijetko se analizira. Ponekad je curenje, ponekad krađa, ponekad loše mjerenje.

Šta radi AI: model koji gleda dnevne razlike, temperaturu, brzinu istovara i obrasce po smjeni, pa javlja kada odstupanje izlazi iz normale — prije nego postane incident.

Praksa: IoT nadzor rezervoara je danas standard u većim mrežama; AI dodaje ono što senzor ne vidi — da razlika od 0,4% nije normalna baš na toj pumpi, u toj smjeni.

Kod nas: najmanje „sexy", najviše plaća. I najmanje rizično za početak, jer ne dira korisnički proces.

5. Forecourt: video koji broji, ne samo snima

Problem: kamere postoje, snimci se gledaju samo kad se nešto desi. Redovi na blagajni, prazne police, rizično ponašanje — sve se vidi tek naknadno.

Šta radi AI: računarska vizija na postojećim kamerama: broj vozila i vrijeme čekanja, popunjenost polica, detekcija prosutog goriva, nepropisnog pušenja, padova.

Praksa: dobavljači ove opreme danas nude preko 40 scenarija za pumpe i prodavnice — od produktivnosti do sigurnosti. Ne treba svih 40; tri koja se mjere dovoljna su za početak.

Kod nas: realno za mreže sa 5+ lokacija. Za jednu pumpu trošak kamera i obrade često nadmaši korist — osim ako je sigurnost glavni motiv, a ne optimizacija.

6. Cijene i konkurencija — pažljivo

Problem: svi prate cijene okolo, nitko to ne radi sistemski.

Šta radi AI: prikupljanje javnih cijena (sajtovi, aplikacije, teren), poređenje po lokaciji i vremenu, signal kada odstupanje nije opravdano troškom.

Praksa: u zemljama sa slobodnim formiranjem cijena ovo je jedan od najisplativijih modela. U BiH i dijelu regiona cijene derivata su regulisane na nivou entiteta/kantona, pa je prostor mali.

Kod nas: ne prodavati ovo kao „dynamic pricing". Kod regulisane cijene AI pomaže u analizi marže i odstupanja, ne u formiranju cijene. Ko obeća više, ne poznaje tržište.

7. Back-office: fakture, dostavnice, reklamacije

Problem: dokumenti dolaze u PDF-u, skenirani, u pet formata. Prepisivanje je sporo i greške se otkriju u knjiženju.

Šta radi AI: ekstrakcija podataka iz dokumenta (dobavljač, broj, litri, cijena, PDV), provjera protiv narudžbe i ugovora, predlaganje knjiženja, označavanje neslaganja čovjeku.

Praksa: najbrži ROI u cijelom sektoru, jer se mjeri u satima mjesečno i greškama koje se više ne ponavljaju.

Kod nas: počinje jednim tipom dokumenta. Ko krene sa „svim dokumentima", zaglavi na trećem formatu.

Kako se uvodi — četiri koraka

1. Mapa, ne ideja. Popis procesa sa brojem ponavljanja mjesečno i satima po ponavljanju. Bez toga se kupuje alat, ne rješenje.

2. Jedan pilot, četiri do šest sedmica. Jedan proces, jedna lokacija, jasna metrika. Ako u šest sedmica nema mjerljivog pomaka, proces nije bio pravi.

3. Integracija prije ljepote. Agent ili model mora čitati i pisati u ono što firma već koristi (ERP, TMS, webshop). Novo sučelje koje niko ne otvara je trošak.

4. Skaliranje tek na dokazu. Druga pumpa se uvodi kad prva ima broj, ne kad prva „radi".

Šta mjeriti

Proces	Metrika	Cilj prvog kvartala
Narudžbe	% narudžbi primljenih bez ljudskog unosa	60%+
Narudžbe	greške u narudžbi (litri, pumpa)	−80%
Prognoza	greška prognoze (MAPE)	−10%
Cisterne	prazna vožnja / km po litri	−5%
Rezervoari	neobjašnjena razlika	−50%
Back-office	sati po fakturi	−70%

Brojevi su ciljevi, ne obećanja. Prvi mjesec služi da se izmjeri osnova — bez osnove nema dokaza da je išta bolje.

Šta ne raditi

Ne počinjati sa chat-om na sajtu. To je najmanji efekat u ovom sektoru.
Ne kupovati platformu prije procesa. Platforma bez mape procesa je pretplata.
Ne vjerovati demou bez svojih podataka. Demo radi na čistim podacima; vaši nisu čisti.
Ne miješati pilot i produkciju. Pilot na jednom broju, produkcija tek kad se izmjeri.

Kako mi pomažemo

Radimo tri stvari, u tom redu:

Audit procesa (5 dana). Popis onoga što se ponavlja, koliko sati troši i gdje je najkraći put do pomaka.
Pilot (4–6 sedmica). Jedan proces, mjerenje prije i poslije, bez zamjene postojećih sistema.
Integracija i podrška. ERP, webshop, telefon, dokumenti — sa jasnim ko je vlasnik podataka i šta se dešava kad model pogriješi.

Ako želite da vidite gdje bi u vašoj firmi AI vratio novac prvi, javite se na kontakt sajta — audit počinje mapom, ne prezentacijom.

Izvori

Talukdar, W. (2021). Gas Station of the Future: A Perspective on AI/ML and IoT in Retail Downstream. European Journal of Technology, 5(1).
McKinsey (2019), procjena vrijednosti digitalne transformacije downstream-a, navedena u radu gore.
Marchex Institute, analiza 8 miliona poziva u auto-servisima: do 21% poziva ostaje neodgovoreno.
Avathon, Improve filling station performance with visual AI — katalog od 40+ scenarija za pumpe i convenience.