The post has been translated automatically. Original language: Russian
Why is it more difficult to order a truck than a taxi: our engineering case
In Kazakhstan, ordering 5 tons of crushed stone still often turns into 6-8 calls, WhatsApp negotiations, and uncertainty about price and timing. Logistics of inert materials remains one of the most "analog" industries.
For the last two years, our team has been working on a digital solution to this problem. Today I want to share not an advertising case, but an engineering experience: where we started, what mistakes we made, what technical solutions we applied, and what lessons we learned.
The beginning: from an integrator to your own product
We have been implementing 1C, ERP, GPS monitoring and digitalization of processes in the agricultural sector and other industries for 18+ years. It was while working "inside" other people's companies that we were constantly faced with extremely inefficient logistics of building materials.
The first version of the product was a classic B2B electronic document management platform with an eye to integration with government systems and reverse auctions. The industry media wrote about the project at this stage.
The main lesson of this stage turned out to be a product one, not a technical one: the market is not ready to quickly implement complex multifunctional systems. In practice, it looked like this: to connect one logistics company, it required staff training, accounting, and weeks of approvals. The user did not immediately see the value, and we realized that the product did not need to be completed with functions, but radically simplified.
A turn to the "cargo taxi" model
We asked ourselves a simple question: why is it possible to book a passenger trip in a minute, but a cargo trip is an hour—long quest?
This led to two key decisions.:
- A rigid narrowing of the verticals is only the delivery of inert materials (crushed stone, sand, screening) and the removal of construction debris.
- A complete redesign of the UX to fit the taxi aggregator model: a map, a single-screen application, real-time price calculation, and an auction of performers.
Today, the platform operates in Almaty under the name Tasy and focuses specifically on these two verticals.
Technical solutions that turned out to be important
1. AI chat for accepting applications
The user can write in plain text: "We need 5-10 mm crushed stone, 5 tons, Mamyr-4 area." The LLM agent extracts the parameters, clarifies what is missing, and forms a structured application. This significantly reduces the barrier of entry.
2. Estimation of the cargo volume based on the photo (ML)
This is especially important for garbage collection. We are training the model to determine the approximate volume based on the photo. The accuracy is not perfect yet — this is an open engineering task, which we continue to work on.
3. Real-time auction of drivers
After creating an application, the nearest drivers see it and offer the price themselves. The client receives several offers in 1-2 minutes.
4. Handbook of bulk density
One of the most "quiet" but important features. Users think in tons, and appliances think in cubic meters. We have collected data on bulk density (~70 SKU). Without this, the correct calculation of the number of cars is impossible.
Currently, the system has more than 1,000 registered drivers in Almaty and hundreds of completed orders, dozens of pieces of equipment online at the same time.
Why is cargo logistics more difficult than passenger logistics?
We deliberately adopted the UX model of a taxi, but under the hood everything is much more complicated.:
- B2B context and specifics of heavy machinery;
- the need to calculate volume, density, and body type selection;
- commodity and transport documents, fiscalization, payment features.
This required a completely different technical stack compared to classic passenger aggregators.
Where are we going next
Further development is associated with the transformation of the platform into an AI dispatcher: automatic order distribution, demand forecasting, route optimization and loading. We are actively studying digital twins and ML optimization for specialized transport.
Question to the community
Now we are consciously keeping the focus on two verticals. The next step is to add one of the services.:
- Manipulator services (loading/unloading with crane)
- Rental of special equipment (excavators, loaders, rollers)
- Universal cargo transportation in the city
I would be grateful for the opinion of those who work in construction or logistics: which of these pains is the most acute now?
It is also interesting to hear from colleagues who made similar products at the intersection of logistics and AI — which engineering rake were the most painful for you?
Почему заказать грузовик сложнее, чем такси: наш инженерный кейс
В Казахстане заказ 5 тонн щебня до сих пор часто превращается в 6–8 звонков, переговоры в WhatsApp и неопределённость по цене и срокам. Логистика инертных материалов остаётся одной из самых «аналоговых» отраслей.
Последние два года наша команда работала над цифровым решением этой проблемы. Сегодня хочу поделиться не рекламным кейсом, а именно инженерным опытом: с чего начинали, какие ошибки допустили, какие технические решения применили и какие уроки вынесли.
Начало: от интегратора к собственному продукту
Мы 18+ лет занимаемся внедрением 1С, ERP, GPS-мониторинга и цифровизацией процессов в агросекторе и других отраслях. Именно работая «внутри» чужих компаний, мы постоянно сталкивались с крайне неэффективной логистикой строительных материалов.
Первая версия продукта была классической B2B-платформой электронного документооборота с прицелом на интеграцию с государственными системами и реверс-аукционами. О проекте на этом этапе писали отраслевые СМИ.
Главный урок этого этапа оказался продуктовым, а не техническим: рынок не готов быстро внедрять сложные многофункциональные системы. На практике это выглядело так: чтобы подключить одну логистическую компанию, требовалось обучение персонала, участие бухгалтерии и недели согласований. Пользователь видел ценность не сразу — и мы поняли, что продукт нужно не достраивать функциями, а радикально упрощать.
Поворот к модели «карго-такси»
Мы задали себе простой вопрос: почему заказать пассажирскую поездку можно за минуту, а грузовую — это многочасовой квест?
Это привело к двум ключевым решениям:
- Жёсткое сужение вертикалей — только доставка инертных материалов (щебень, песок, отсев) и вывоз строительного мусора.
- Полная перестройка UX под модель агрегаторов такси: карта, заявка в один экран, расчёт цены в реальном времени и аукцион исполнителей.
Сегодня платформа работает в Алматы под названием Tasy и сфокусирована именно на этих двух вертикалях.
Технические решения, которые оказались важными
1. ИИ-чат для приёма заявок
Пользователь может написать обычным текстом: «Нужен щебень 5–10 мм, 5 тонн, район Мамыр-4». LLM-агент извлекает параметры, уточняет недостающее и формирует структурированную заявку. Это значительно снижает барьер входа.
2. Оценка объёма груза по фотографии (ML)
Особенно актуально для вывоза мусора. Мы обучаем модель определять приблизительный объём по фото. Точность пока не идеальная — это открытая инженерная задача, над которой продолжаем работать.
3. Реал-тайм аукцион водителей
После создания заявки ближайшие водители видят её и сами предлагают цену. Клиент получает несколько предложений за 1–2 минуты.
4. Справочник насыпной плотности
Одна из самых «тихих», но важных фич. Пользователи мыслят тоннами, а техника — кубометрами. Мы собрали данные по насыпной плотности (~70 SKU). Без этого корректный расчёт количества машин невозможен.
На текущий момент в системе более 1000 зарегистрированных водителей в Алматы и сотни выполненных заказов, десятки единиц техники онлайн одновременно.
Чем грузовая логистика сложнее пассажирской
Мы сознательно взяли UX-модель такси, но под капотом всё значительно сложнее:
- B2B-контекст и специфика тяжёлой техники;
- необходимость расчёта объёма, плотности и подбора типа кузова;
- товарно-транспортные документы, фискализация, особенности оплаты.
Это потребовало совсем другого технического стека по сравнению с классическими пассажирскими агрегаторами.
Куда движемся дальше
Дальнейшее развитие связано с превращением платформы в ИИ-диспетчера: автоматическое распределение заказов, прогноз спроса, оптимизация маршрутов и загрузки. Мы активно изучаем цифровые двойники и ML-оптимизацию для специализированного транспорта.
Вопрос к сообществу
Сейчас мы сознательно держим фокус на двух вертикалях. Следующим шагом планируем добавить одну из услуг:
- Услуги манипулятора (погрузка/разгрузка с краном)
- Аренда спецтехники (экскаваторы, погрузчики, катки)
- Универсальные грузоперевозки по городу
Буду благодарен за мнение тех, кто работает в строительстве или логистике: какая из этих болей сейчас самая острая?
Также интересно услышать от коллег, кто делал похожие продукты на стыке логистики и ИИ — какие инженерные грабли были самыми болезненными у вас?
Share
