زنجیره‌های تأمین تحویل، رگ حیاتی کسب‌وکارهای امروزی‌اند و یک استارتاپ تازه روی این شرط بسته است که ایجنت‌های هوش مصنوعیِ طراحی‌شده برای همین کار می‌توانند آن‌ها را بسیار روان‌تر به پیش ببرند.

روز سه‌شنبه، استارتاپ Pedestal AI با ۴.۷ میلیون دلار سرمایه‌گذاری اولیه (seed) از حالت مخفی (استیلث) خارج شد. هدف این شرکت استفاده از هوش مصنوعی ایجنتی (عامل‌محور) برای سریع‌تر و مطمئن‌تر کردن زنجیره تأمین است؛ برنامه‌ای که پیش از این، شرکت را با شرکت‌های Fortune 500 و برخی از بزرگ‌ترین شرکت‌های کشتیرانی جهان گرد هم آورده است.

دور سرمایه‌گذاری اولیه را Eclipse رهبری کرد و RRE، Converge VC، Timescale VC و VitalStage در آن مشارکت داشتند. به گفته Pedestal، این سرمایه صرف گسترش تیم محصول و مهندسی، رشد سازمان بازاریابی و پشتیبانی از استقرارهای بیشتر خواهد شد.

در عمل، بخش زیادی از کار Pedestal بر کاهش اصطکاک در فرایند حمل‌ونقل متمرکز است و فناوری ایجنتی ابزاری برای رسیدن به این هدف به شمار می‌رود. در یک مورد، این شرکت با به‌کارگیری ایجنت‌ها برای انجام بخشی از کارهایی که قرار بود رانندگان انجام دهند، تحویل‌های ناموفق یک شرکت بزرگ مبلمان را ۲۰٪ کاهش داد. سیستم ایجنتی که ساخته بودند، ۳۰ دقیقه پیش از تحویل با مشتری تماس می‌گرفت و دستورهای ویژه را جمع‌آوری می‌کرد؛ اگر تماس برقرار نمی‌شد، از سیستمی جداگانه پیامکی ارسال می‌شد. در این مسیر، استقرار این سیستم داده‌های فراوانی درباره نقاط اصطکاک در فرایند جمع کرد که می‌توان از آن‌ها برای بهینه‌سازی بیشتر سیستم استفاده کرد.

راج آگاروال (Raj Aggarwal)، مدیرعامل شرکت، می‌گوید سیستم‌های هوش مصنوعی امروزی برای کار با چنین داده‌هایی به‌ویژه مفیدند. آگاروال به TechCrunch گفت: «چالش این است که داده‌ها آشفته‌اند و مدام تغییر می‌کنند. داده‌ها پراکنده‌اند، چون در سیستم‌های قدیمی بسیار زیادی قرار دارند. همین کار را سخت می‌کند.»

هوش مصنوعی زنجیره تأمین در ماه‌های اخیر به حوزه‌ای داغ تبدیل شده است، چرا که فارغ‌التحصیلان تیم‌های رانندگی خودران به راه‌اندازی استارتاپ‌های خود علاقه نشان می‌دهند. استارتاپ زنجیره تأمین Atomic که تیمی از فارغ‌التحصیلان تسلا (Tesla) آن را راه‌اندازی کرده‌اند، در سال ۲۰۲۵ از حالت مخفی خارج شد و بر ساده‌سازی مدیریت موجودی تمرکز دارد. استارتاپ دیگری به نام Loop نیز توسط فارغ‌التحصیلان اوبر (Uber) با تمرکز بر تحلیل پیش‌بینی راه‌اندازی شده است.

به باور آگاروال، تحویل‌ها به‌طور ویژه برای آموزش سیستم‌های یادگیری تقویتی مناسب‌اند. چون حجمشان زیاد است و نتایجشان به‌راحتی اندازه‌گیری می‌شود، تنظیم دقیق سیستم‌های هوش مصنوعی امروزی به سمت آنچه کار می‌کند و دور شدن از آنچه کار نمی‌کند آسان است.

شاید مهم‌تر از همه این باشد که این نوع مسئله می‌تواند تأثیری فوری بر سود نهایی مشتری بگذارد و همین، توجیه هزینه را آسان می‌کند.

او به TechCrunch گفت: «اگر بتوانید درست انجامش دهید، می‌توانید تأثیر واقعاً بزرگی بگذارید.»