En ny videnskabelig undersøgelse sår tvivl om, hvorvidt avancerede AI-modeller reelt kan forbedre dynamisk ruteplanlægning i logistik. Forskere testede event-drevne Transformer- og MLP-politikker mod simple heuristikker og traditionel optimering i et benchmark med 20 scenarier. Resultatet er klart: den simple 'nærmeste mulige' heuristik opnåede den laveste gennemsnitlige omkostning og overgik de lærte politikker på rute-kvalitet, ventetid, stabilitet, makespan og runtime. Det fremgår af undersøgelsen på arXiv.
Selvom de lærte politikker kunne træffe beslutninger på millisekunder og overføres til op til 80 forespørgsler uden genoptræning, formåede de ikke at slå den stærkeste heuristik. Faktisk var ingen enkelt metode bedst på tværs af alle parametre: rolling-horizon optimering opnåede de laveste ventetider og makespan, men til en væsentligt højere beregningsomkostning.
For beslutningstagere i logistik og transport er implikationen klar: Avancerede AI-modeller er ikke automatisk et bedre valg end velafprøvede, simple metoder. Investering i komplekse læringsbaserede systemer bør derfor baseres på konkrete behov og grundig evaluering mod eksisterende løsninger – ikke på teknologiens nyhedsværdi. Resultaterne understreger vigtigheden af at teste AI-løsninger i realistiske scenarier, før man skifter infrastruktur.
