Dedykowany system zamówień roślin z AI dla hurtowego importera

Hurtowy importer roślin doniczkowych z bazą 18 stałych dostawców (Holandia, Niemcy, Dania, Włochy) obsługiwał miesięcznie około 3 500 pozycji asortymentowych. Każdy dostawca komunikował się inaczej: jeden wysyłał Excel z cenami i dostępnością, drugi PDF z listą gatunków, trzeci pisał na WhatsApp z fotkami palet, czwarty wrzucał formularz na własnym portalu B2B.

Dwuosobowy zespół zakupowy spędzał łącznie ponad 240 godzin w miesiącu na przepisywaniu zamówień do wewnętrznego systemu, sprawdzaniu dostępności i kalkulowaniu kosztów per dostawca. Faktury przychodziły z opóźnieniem 2–6 tygodni, więc kontrola marży była zawsze post-factum. Trudno było szybko odpowiedzieć na pytanie: ile naprawdę zarabiamy na konkretnym dostawcy w sezonie wiosennym.

Branża ogrodnicza dodała komplikacji: nazwy łacińskie roślin często mają literówki, jeden gatunek występuje pod kilkoma nazwami handlowymi (Strelitzia reginae = Strelicja królewska = Bird of Paradise), a sezonowość zmienia dostępność z dnia na dzień. Każdy nowy dostawca to były dwa tygodnie nauki dla zakupowca, jak rozszyfrować jego konkretny format.

Pierwsze 3 tygodnie: warsztaty z zakupowcami i discovery na próbce 250 historycznych zamówień. Zbudowaliśmy słownik gatunków (600 nazw łacińskich z synonimami handlowymi i tłumaczeniami) oraz mapę polityk handlowych każdego z 18 dostawców. To dało nam fundament wiedzy, na którym później sięgał model OpenAI przy klasyfikacji niejasnych pozycji.

Build trwał 6 tygodni i obejmował trzy warstwy. Warstwa pierwsza — OpenAI GPT-4o jako parser: rozpoznaje format dokumentu (Excel, PDF, mail, WhatsApp), wyciąga pozycje zamówienia (gatunek, rozmiar, ilość, cena), normalizuje nazwy łacińskie do bazy gatunków, oznacza wątpliwe pozycje do weryfikacji człowieka. Warstwa druga — n8n jako orkiestrator: routing zamówień od dostawców (Outlook, WhatsApp Business API, FTP, custom webhook), kierowanie do parsera AI, sync do systemu zamówień, generowanie list dla magazynu. Warstwa trzecia — dedykowana aplikacja webowa (Node.js + React) dla zakupowców: panel z dziennym pipeline'em zamówień, kalkulator kosztów per dostawca z prognozą marży, automatyczne pobieranie faktur z portali dostawców i parsowanie ich przez OpenAI.

Ostatnie 3 tygodnie to rollout etapowy. Najpierw 5 najprostszych dostawców (Excel + standardowe formaty), potem 8 średnich, na koniec 5 najtrudniejszych (WhatsApp, własne portale, nietypowe nazwy). Każdy etap miał 1 tydzień pilota z weryfikacją człowieka 100% pozycji, potem przejście na auto-tryb z weryfikacją tylko wątpliwych. Stosunek auto/manual ustawiliśmy adaptacyjnie — model uczy się polityk każdego dostawcy.

Po pełnym rollout'cie dwie osoby z zespołu zakupowego przeszły na zadania o większej wartości: sourcing nowych dostawców z Hiszpanii i Włoch (wcześniej nie było na to czasu), negocjacje warunków handlowych z istniejącymi, monitoring jakości dostaw. Liczba dostawców wzrosła z 18 do 27 w pierwszym roku po wdrożeniu — bez zwiększania headcountu.

Dyrektor handlowy ma teraz dashboard w aplikacji pokazujący marżę per dostawca w czasie rzeczywistym, z prognozą tygodniową na podstawie składanych zamówień. Decyzje typu warto czy nie warto kupować w tym tygodniu od dostawcy X są podejmowane na bieżąco, a nie po fakcie. W sezonie wiosennym 2026 firma zwiększyła wolumen obrotu o 28% rdr przy tej samej liczbie pracowników biurowych.

Niespodziewany efekt: rozpoznawanie nazw łacińskich z synonimami pozwoliło wykryć dwa przypadki, w których ten sam gatunek był kupowany od dwóch różnych dostawców pod różnymi nazwami w cenach różniących się o 18%. Roczna oszczędność z samej tej obserwacji pokryła 40% kosztu wdrożenia.