V logistike platí jednoduché pravidlo: vozidlo, ktoré stojí, nezarába. Pri úžitkových vozidlách (LCV – vans, dodávky) sa porucha väčšinou neprejaví „z ničoho nič“. Najskôr sa objavia drobné signály – odchýlky v teplotách, tlakoch, chybové kódy, zmenené správanie motora alebo batérie. AI diagnostika tieto signály vie zachytiť skôr, než sa zmenia na odstávku. Výsledok: menej neplánovaných porúch, lepšie plánovaný servis, vyššia dostupnosť flotily a lepšie TCO.

V článku vysvetlím, ako prediktívna údržba funguje v praxi, aké dáta potrebuje, aké riešenia existujú (OEM vs. nezávislé telematiky) a čo má vedieť logistická firma, keď chce s AI začať.

Prečo je predikcia porúch v logistike taká dôležitá (konkrétne dáta)

Logistika rastie – tlak na dostupnosť flotíl rastie tiež

Cestná nákladná doprava je v EÚ obrovská: ide o miliardy ton a tisíce miliárd ton kilometrov ročne. To znamená vysoké vyťaženie flotíl a citlivosť na odstávky.

Slovensko – rýchly rast výkonu cestnej dopravy

Slovensko sa v posledných rokoch v štatistikách cestnej dopravy často objavuje medzi krajinami s výraznejším rastom. Pre logistické firmy to prakticky znamená vyšší tlak na kapacitu a vyššiu cenu downtime (meškanie, náhradné vozidlo, presuny, penalizácie).

Vek vozidiel v EÚ – vyššie riziko porúch

Priemerný vek dodávok (LCV) v EÚ sa pohybuje okolo 12+ rokov. Staršie vozidlá majú vo všeobecnosti vyššie riziko porúch a vyššie servisné náklady – o to väčší zmysel dáva včasná diagnostika, plánovanie a znižovanie neplánovaných výpadkov.

Čo je AI diagnostika a čo je prediktívna údržba (neplietť pojmy)

V praxi sa často miešajú 3 pojmy. V car/fleet svete má zmysel rozlišovať:

Diagnostika (reaktívna): porucha sa stane → riešime príčinu. Typicky „rozsvietila sa kontrolka“.
Preventívna údržba: servis podľa času alebo km (napr. intervaly), bez ohľadu na reálny stav.
Prediktívna údržba (AI/ML): servis podľa reálneho stavu a pravdepodobnosti poruchy. Cieľ: opraviť „v správnom čase“ – nie príliš skoro (zbytočné náklady), ani neskoro (odstávka).

AI diagnostika je širší pojem: môže zahŕňať aj predikciu (pravdepodobnosť poruchy), aj odporúčanie akcie (čo spraviť), aj plánovanie servisu (kedy a kde).

Ako AI predikuje poruchy na LCV – krok za krokom

1) Zber dát: bez dát nie je predikcia

Najčastejšie zdroje dát v LCV flotile:

Telematika / konektivita vozidla (OEM alebo aftermarket jednotka)
OBD/CAN dáta: chybové kódy (DTC), otáčky, teploty, tlaky, napätie batérie, regenerácie DPF, atď.
Servisná história: čo sa opravovalo, kedy, pri akom nájazde
Prevádzkové dáta: štýl jazdy, trasy, zaťaženie, voľnobeh, studené štarty
Externé faktory: ročné obdobie, teploty, typ prevádzky (mesto vs. diaľnice)

Praktický tip pre logistiku: začnite s tým, čo už máte. Mnohé flotily majú aspoň základný telematický výstup, servisné faktúry a nájazdy.

2) Čistenie a „preklad“ dát do signálov

AI model nepotrebuje surové tabuľky – potrebuje signály (features), napr.:

trend teploty chladiacej kvapaliny pri záťaži,
odchýlka spotreby paliva oproti typickému profilu,
frekvencia regenerácie DPF,
kolísanie napätia batérie,
opakované „mäkké“ DTC kódy pred zlyhaním.

Tu často vzniká najväčšia pridaná hodnota: model hľadá vzory, ktoré človek v prevádzke nevidí.

3) Učenie modelu: od anomálií po pravdepodobnosť poruchy

V praxi sa používa kombinácia prístupov:

Anomaly detection: „niečo je inak“ (vhodné, keď nemáte veľa označených porúch)
Klasifikácia porúch: predikcia konkrétneho typu problému (napr. batéria, DPF, turbo)
Time-to-failure / survival analýza: odhad „za ako dlho“ problém nastane
Sekvenčné modely: zohľadnenie vývoja v čase (typické pri telematike)

4) Akcia: upozornenie + odporúčanie + plán

Najlepšie riešenia nekončia „alertom“. V logistike je kľúč:

prioritizácia (kritické vs. nekritické),
odporúčaná akcia (čo skontrolovať, čo objednať),
plánovanie (kedy odstaviť vozidlo, aby to najmenej bolelo),
napojenie na servis (objednanie termínu, dielov, náhradné vozidlo).

Čo AI typicky vie predikovať na LCV (najčastejšie príklady)

Motorizácia a emisné systémy

DPF (regenerácie, zanášanie)
EGR (zanášanie, teplotné odchýlky)
turbo / tlakové odchýlky
chladiaci systém (teplotné trendy)

Batéria, štartovanie, elektrika

slabnúca batéria (napätie, dobíjanie)
alternátor / dobíjanie
poruchy elektroniky súvisiace s vlhkosťou a vibráciami

Brzdy a podvozok

nerovnomerné opotrebenie brzdových komponentov
vibrácie a odchýlky (indikácia problémov na podvozku)

Pneumatiky

nepriamo cez štýl jazdy, preťaženie, tlakové odchýlky (ak máte TPMS dáta)

Dôležité: AI nenahrádza mechanika. AI skracuje čas „od signálu k rozhodnutiu“ a znižuje počet porúch, ktoré prekvapia.

Porovnanie riešení: OEM vs. nezávislá telematika vs. fleet platforma

OEM riešenia (výrobca vozidla)

Príklady prístupu, s ktorým sa stretnete: digitálna diagnostika, upozornenia na servis, monitoring kritických stavov.

Plusy:

hlboké dáta z vozidla (niekedy viac než aftermarket)
napojenie na autorizovaný servis a workflow

Mínusy:

pri zmiešanej flotile (viac značiek) vzniká viac systémov
často slabšia „cross-brand“ analytika a jednotný reporting

3) Fleet platformy (nadstavba nad dátami)

Zmyslom je zjednotiť dáta, mať jednotné KPI, plánovanie servisu, kontrolu TCO a procesy.

Na čo sa pýtajte pri výbere (praktické otázky):

Aké dáta beriete z vozidla? (DTC, teploty, batéria, DPF…)
Viete robiť predikciu „time-to-failure“ alebo len alerty?
Ako vyzerá workflow po alerte? (termín, diely, náhradné vozidlo)
Kto vlastní dáta a ako ľahko ich exportujem?
Ako to napojím na náš TMS/ERP a reporting?

Aký je reálny prínos: náklady, downtime, životnosť (investičný pohľad)

Prediktívna údržba sa typicky obhajuje cez 3 položky:

1.    Downtime (odstávky): menej neplánovaných porúch a lepšie plánovanie odstávok.
2.    Servisné náklady: menej „zbytočných“ výmen a lepšie načasovanie opráv.
3.    Životnosť a zostatková hodnota: konzistentnejší servisný stav a menšie riziká pri ďalšom predaji.

V priemysle sa často uvádzajú výrazné zníženia downtime a zvýšenie životnosti strojov pri nasadení prediktívnej údržby. V logistike je podstata rovnaká, len „stroj“ je vozidlo a cena odstávky je často viditeľnejšia (meškanie, náhradné riešenia, reputácia).

CFO logika: AI diagnostika sa nevypláca tým, že „máme pekný dashboard“, ale tým, že:

znižuje počet zásahov na ceste,
znižuje počet dní mimo prevádzky,
znižuje penalizácie a náhradné náklady,
stabilizuje TCO.

Ako začať s AI diagnostikou v logistike (bez chaosu)

Krok 1 – vyberte 2–3 poruchové „use-cases“ s najvyšším dopadom

Typicky:

DPF/EGR problémy (v mestskej prevádzke)
batérie a štartovanie (zimná sezóna)
chladiaci systém / prehriatie

Krok 2 – nastavte „minimum viable data“

jednoznačný identifikátor vozidla
nájazdy (aspoň mesačne)
servisná história (aspoň základ: dátum, typ opravy)
telematika (aspoň chybové kódy a základné prevádzkové dáta)

Krok 3 – definujte proces po alerte

Bez procesu bude AI generovať iba „šum“. Potrebujete:

kto alert posudzuje,
do akej doby sa rieši,
ako sa plánuje servis,
kedy sa dáva náhradné vozidlo,
ako sa meria úspech (KPIs).

Krok 4 – merajte výsledky (90 dní)

Odporúčané KPI pre logistiku:

počet neplánovaných odstávok / 100 vozidiel
priemerný čas mimo prevádzky
počet zásahov na ceste
servisné náklady na km
podiel „kritických“ alertov, ktoré sa potvrdili

Trendy pre 2026: kam sa AI diagnostika posúva

Viac konektivity „z výroby“: viac vozidiel posiela dáta automaticky.
Viac zamerania na workflow: AI + automatické objednanie servisu, dielov, náhradného vozidla.
Lepší cross-brand reporting: tlak na jednotné KPI pre zmiešané flotily.
Prepojenie s bezpečnosťou: štýl jazdy, riziko škôd, prevencia.
Elektrifikácia LCV: batériové zdravie, nabíjanie, degradácia – nové diagnostické disciplíny.

Najčastejšie otázky (FAQ)

1) Je AI diagnostika vhodná aj pre menšiu flotilu (napr. 10–30 LCV)? Áno, ak máte opakujúce sa trasy a poruchy. Najlepšie funguje na 2–3 jasných „use-cases“ (DPF, batéria, prehriatie).
2) Potrebujem vlastný data tím? Nie nutne. Dôležitejšie je mať poriadok v dátach (názvy vozidiel, servisná história) a jasný proces po alerte.
3) Aká je najčastejšia chyba pri nasadení? Zaviesť systém bez procesu: alerty nikto nerieši, alebo sa riešia chaoticky – potom AI nepomôže.
4) OEM riešenie alebo aftermarket telematika? Ak máte flotilu jednej značky, OEM môže byť výhoda. Pri zmiešanej flotile je často praktickejšie jednotné (nezávislé) riešenie s integráciami.
5) Ako rýchlo uvidím výsledky? Prvé prínosy (menej „prekvapení“) sa často ukážu v horizonte 1–3 mesiacov, najmä pri poruchách, ktoré sa opakujú.
6) Nahradí AI servis a mechanikov? Nie. AI skracuje čas od signálu k rozhodnutiu a pomáha predchádzať odstávkam.

TL;DR (zhrnutie)

AI diagnostika na LCV využíva telematiku, chybové kódy a servisnú históriu na predikciu porúch.
Najväčší prínos v logistike je menej neplánovaných odstávok a stabilnejšie TCO.
Vyberte 2–3 poruchové use-cases a nastavte proces po alerte – inak vznikne šum.
Porovnávajte riešenia podľa dátovej hĺbky, workflow, integrácií a vlastníctva dát.
Trend 2026: viac konektivity, viac automatizácie servisu a viac dát o EV/ batériách.

Kľúčové slová a entity (použité + súvisiace)

Hlavné KW: AI diagnostika, LCV
Súvisiace KW a entity: prediktívna údržba, predictive maintenance, telematika, OBD, CAN bus, DTC kódy, fleet management, TCO, downtime, servisné plánovanie, servisná história, DPF, EGR, batéria, Volvo Uptime, Mercedes-Benz Uptime, Ford Pro Telematics, MAN ServiceCare, Eurostat, ACEA, logistika, doručovanie, last-mile.

Záver

Ak prevádzkujete dodávky v logistike, AI diagnostika je praktický spôsob, ako znížiť poruchy, plánovať servis vopred a mať vozidlá v prevádzke vtedy, keď ich potrebujete.

Chcete znížiť downtime a mať k dispozícii náhradné LCV podľa potreby? Ozvite sa nám. V AVIS vieme pomôcť s mobilitou pre logistiku – od flexibilného prenájmu úžitkových vozidiel až po dlhodobejšie riešenia so servisom a podporou.

Ako AI predikuje poruchy na úžitkových vozidlách (LCV) a znižuje prestoje