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.