Половина статей про ИИ в закупках обещает «революцию» и заканчивается списком из пяти красивых сценариев без единой цифры. На практике закупщик упирается в другое: куда нейросеть реально встроить во вторник утром, что она сломает, если дать ей лишний доступ, и почему прогноз спроса лучше не доверять «чёрному ящику».
Этот материал собран из практики — разбора того, как ИИ применяют в реальной закупочной работе и в управлении запасами: и со стороны разработчика системы прогнозирования спроса с 15-летним стажем, и со стороны действующего аналитика-закупщика международной компании.
Внутри — шесть живых кейсов с инструментами и эффектом (категоризация номенклатуры, дашборд KPI, накладные в 1С, ценообразование), разбор трёх типов ИИ-моделей, которые постоянно путают, честный блок про безопасность и про то, где нейросети проваливаются. Главный тезис простой: ИИ в закупках — это инструмент, который интенсифицирует работу, а не заменяет закупщика. Ответственность за результат остаётся на человеке.
Статья подготовлена по нашему вебинару «Как использовать ИИ в управлении запасами». Если хотите увидеть демонстрации вживую — сборку блок-схемы в Draw.io, переписывание макроса и категоризацию номенклатуры — и услышать ответы на вопросы участников, посмотрите полную запись вебинара.
Что такое ИИ в закупках и управлении запасами простыми словами
ИИ в закупках — это применение нейросетей и агентов для автоматизации рутины: разбора документов, категоризации товаров, написания скриптов, анализа поставщиков, подготовки аналитики. В управлении запасами и логистике добавляется прогнозирование спроса и расчёт заказа. ИИ ускоряет операции, но решения и контроль остаются за специалистом.
Простыми словами: чат-модель — это эрудированный стажёр, который быстро пишет и считает по вашей просьбе. Агент — тот же стажёр, которому выдали ключи от кабинета и разрешили самому ходить за данными. А прогнозная модель — отдельный специалист по цифрам, который не пишет писем, зато умеет считать спрос.
Три типа ИИ, которые постоянно путают
Большинство ошибок при внедрении начинается с того, что от чат-модели ждут точного прогноза, а от прогнозной — красивого письма. Под «ИИ» скрываются три разные вещи, и от их различия зависит, что вы получите на выходе.
| Тип модели | Что это | Что делает для закупщика |
|---|---|---|
| Чат-модель (LLM) | ChatGPT, Claude, YandexGPT, DeepSeek — отвечают текстом на запрос | Письма поставщикам, follow-up, переговорные записки, анализ КП, скрипты для Excel |
| ИИ-агент | Та же модель, которой дали инструменты и право действовать | Исследование рынка, обход документов, запуск скриптов, работа с базой знаний |
| Прогнозная модель | Работает не с текстом, а с временными рядами (продажи по датам) | Прогноз спроса, расчёт оптимального запаса |
Чат-модели (LLM): ChatGPT, Claude, YandexGPT, DeepSeek
Большие языковые модели работают в формате диалога: вы пишете запрос — получаете текст. Сегодня чат уже не только отвечает: внутри интерфейса можно включить режим глубокого исследования (deep research), генерацию картинок, работу с файлами.
Что это даёт закупщику на практике:
- подготовить переговорные записки и follow-up после встречи;
- проанализировать коммерческое предложение или поставщика, подсветить «красные флаги»;
- собрать исследование рынка по оборачиваемости и трендам в вашей отрасли;
- набросать скрипт для Excel вместо ручных ВПР и сведения таблиц.
Пример промта (анализ поставщиков): на вебинаре показывали такую формулировку —
«Проанализируй вот этих поставщиков на основании их КП, которые у меня есть, и подсвети красные флаги и проблемы. Потом оберни это в скил, чтобы я повторял задачу одним запросом».
Для исследования рынка включают режим глубокого исследования (deep research) и просят —
«Собери всю информацию по оборачиваемости в моей отрасли, по трендам и по тому, где мы находимся на рынке».
ИИ-агенты: модель плюс инструменты
Агент — это модель, которой дали инструменты и возможность действовать: искать в интернете, открывать программы, работать с вашей базой знаний, выполнять несколько шагов подряд. Вокруг агента живёт «оболочка» (по-английски harness) — ограничения, инструкции и так называемые скилы.
Скил — это промт, записанный в файл, которым можно делиться и улучшать. Так разовую задачу (например, анализ поставщиков из примера выше) превращают в повторяемый инструмент и запускают одним запросом.
Важное замечание: агент может галлюцинировать даже по хорошему промту и хитрить, обходя ограничения. Чем больше у него доступов, тем выше риск. Об этом — в разделе про безопасность.
Прогнозные модели: работа с временными рядами
Это отдельный класс. Такие модели прогнозируют не текст, а ряды чисел — например продажи по датам. На технологии трансформеров (той же, что лежит в основе LLM) построены модели прогнозирования рядов вроде Chronos от Amazon. Они умеют спрогнозировать спрос и в хорошем случае объяснить расчёт, рассчитать оптимальный запас.
Вывод: под текстовые задачи берите чат или агента, под прогноз спроса — специализированную модель или статистический расчёт. Универсального «ИИ на всё» не существует.
ИИ в закупках: практические кейсы
Конкретные задачи, которые закупщики и аналитики уже автоматизируют нейросетями. Все кейсы — из реальной работы аналитика международной компании, с инструментами и эффектом; промты и шаги приводим так, как их показывали вживую.
Чтобы понимать, куда встраивается ИИ, держите в голове сквозную цепочку поставки (логистику): вход и выход данных → потребность → заказ → приход → отгрузка, а сверху — KPI и контроль состояния. В основе всего лежат информационная система (ERP — 1С, Oracle, SAP), мастер-данные и регламентированные процессы. ИИ подключается точечно почти на каждом звене.
Категоризация новой номенклатуры
Задача знакома любому, у кого десятки тысяч SKU и дерево из сотен категорий. Появляется новый поставщик или артикул — карточке нужно присвоить товарную категорию, чтобы дальше применить к ней ценовую стратегию, целевую оборачиваемость и параметры запаса.
Решение собрали из двух обработчиков, написанных нейросетью (DeepSeek или ChatGPT): один на Python, второй — прямо в Excel. Логика — сопоставление ключевых слов и побуквенное сравнение названий новых позиций со справочником категорий.
Пример промта (категоризация):
«Напиши обработчик на Python: он сопоставляет новые наименования номенклатуры со справочником категорий по ключевым словам, привязанным к каждой категории, и присваивает позиции подходящую категорию. Позиции без совпадений выводи отдельным списком на ручную проверку».
Пример: на входе — 100 000 новых позиций. Около 80% получили правильную категорию сразу, без ручной ревизии — классическое правило Парето. Осталось разобрать вручную 20%, причём часть из них — товары, для которых категории ещё не существовало.
Простыми словами: вы за пару промтов и немного кода получаете готовую разметку четырёх позиций из пяти. На масштабе в десятки тысяч SKU это экономит недели ручной работы.
Дашборд KPI цепочки поставок
Чтобы видеть состояние системы — уровень запасов, оборачиваемость, число SKU, частоту обновления ассортимента, lead time — собирают дашборд, который письмом с графиками приходит на почту.
Нейросеть здесь написала программный код на VBA (Visual Basic for Applications под Excel), помогла сформировать HTML-письмо и даже нарисовала блок-схему архитектуры. Порог входа низкий: из-под Excel можно сделать многое, имея лишь базовые знания.
Вывод: дашборд — не панацея, а удобный каркас, который каждый достраивает под свои процессы и логику.
Блок-схемы и визуализация процессов
Быстрый способ увидеть процесс «сверху» — блок-схема. Вместо ручного черчения дают нейросети промт с описанием шагов и просят сформировать XML для сервиса вроде Draw.io. Модель (например DeepSeek) генерирует файл, его импортируют в диаграмму — и схема готова за минуты.
Пример промта (блок-схема в Draw.io):
«Опиши процесс: ежедневно выгружаются данные из ERP и сохраняются на сетевом ресурсе; обработчик №1 формирует расчёты; обработчик №2 отправляет данные в базу и формирует дашборд; дашборд уходит на почту и в задачу Bitrix24. Сформируй XML-файл для описания этой блок-схемы в Draw.io».
XML вставляют через импорт в Draw.io — схема собирается сама. Это не «истинно правильная» архитектура, а быстрый черновик: развилки, нотации BPMN и детали дописывают потом. Но для разговора о процессе на старте — отличный ускоритель.
Описание и улучшение регламентов
Любая система живёт на регламентах. Нейросеть помогает не только чище описать процесс «как есть», но и предложить улучшения: найти узкие места и ограничения, которые вы могли упустить.
Рабочий приём — открыть два-три варианта (ChatGPT, DeepSeek) и сравнить, чьё решение полнее. Сложную выстроенную экосистему сюда отдавать не стоит, а отдельные процессы — вполне.
Мнение эксперта. Готовый текст регламента от нейросети нужно вычитывать: модель склонна додумывать. Суть оставляйте свою, ИИ используйте как редактора и генератора идей, а не как источник истины.
Занесение накладных в 1С
Импортные поставки — это десятки контейнеров и комплекты документов: инвойс, packing list, сертификат происхождения. Когда приходит 50 комплектов, а склад ждёт приёмки, скорость заведения накладных в 1С становится узким местом.
Нейросеть написала VBA-код, который проходит по всему массиву документов, извлекает нужные файлы по паттернам в названиях, приводит инвойс к шаблону (артикул, наименование, количество, цена) и складывает результат в одну папку — откуда обработчик 1С загружает весь пакет разом.
Пример: написать и проверить промт — около 30–60 минут. Эффект на масштабе бизнеса — десятки и сотни человеко-часов, то есть экономия измеряется не минутами, а днями.
Ценообразование: подбор закупочной цены под конкурента
Поставщик даёт закупочную цену, вы добавляете издержки, пошлины, наценку — и хотите понять, какой должна быть закупочная цена, чтобы ваша конечная сравнялась с ценой конкурента. По одной позиции это решает встроенный в Excel «Подбор параметра». По тысячам SKU — нет.
Записывают макрос для одной позиции, отдают его код нейросети (DeepSeek) с задачей: переписать так, чтобы подбор шёл циклом по всему диапазону строк и ссылался на ячейки, а не на константы. Модель возвращает готовый макрос с комментариями — он за секунду пересчитывает всю номенклатуру.
Протокол действий (как это показывали вживую):
- Для одной позиции вызовите в Excel «Подбор параметра»: задайте целевую конечную цену, меняя закупочную.
- Запишите это действие в макрос (Запись макроса → выполнить подбор → остановить запись).
- Откройте код макроса в редакторе VBA и скопируйте его.
- Отдайте код нейросети с задачей переписать под цикл по всем строкам.
- Вставьте полученный макрос обратно и запустите на всей таблице.
Пример промта (переписать макрос):
«Есть макрос и таблица со строками с 9-й по 36-ю. Перепиши код так, чтобы ячейка H9 менялась в диапазоне строк 9–36, целевое значение бралось из диапазона I9:I36, а изменяемая ячейка — C9:C36 (вместо констант). Добавь комментарии».
Важное замечание: часть задач нерешаема в принципе. Если базовая наценка меняется по ценовому порогу, цену не «выровнять» — ни Excel, ни нейросеть тут бессильны. ИИ не отменяет здравый смысл.
Сводно по кейсам:
| Кейс | Инструмент | Эффект |
|---|---|---|
| Категоризация номенклатуры | Python + Excel, DeepSeek/ChatGPT | ~80% категорий сразу, вручную остаётся 20% |
| Дашборд KPI | VBA, HTML, нейросеть | Автоматическая сводка по запасам и оборачиваемости |
| Блок-схемы процессов | Промт → XML → Draw.io | Визуализация процесса за минуты |
| Улучшение регламентов | ChatGPT/DeepSeek | Поиск узких мест, чистое описание |
| Накладные в 1С | VBA по шаблонам | Экономия десятков–сотен человеко-часов |
| Ценообразование | Excel «Подбор параметра» + макрос | Пересчёт цен по всей номенклатуре за секунды |
Главный принцип: ИИ нужно давать контекст
Один принцип определяет, получите вы пользу или красивый мусор: нейросети нужно давать контекст, и желательно подготовленный заранее.
Соберите файл о своей компании и передайте его модели — тогда анализ поставщика или конкурентный анализ станут адекватными: модель сравнивает с вашей реальностью, а не с чем-то абстрактным. На вебинаре перечислили, что в него класть:
- кто вы за компания и кому продаёте;
- какие типы продукции и кто ваши поставщики;
- типичные проблемы и цикл переговоров;
- ваши принципы, ценности и приоритеты;
- ваш стиль писем — чтобы модель писала в нём.
Пример: запрос «сделай конкурентный анализ» без контекста даст общие слова. Тот же запрос с этим файлом — сравнение вашей продукции с конкретными конкурентами по вашим условиям.
Простыми словами: без контекста ИИ отвечает «вообще», а вам нужно «про вас». Без файла вы получаете шаблон, с ним — анализ под вашу номенклатуру и поставщиков.
Почему для прогноза спроса нейросети — спорный выбор
Здесь начинается зона, о которой статьи-агитки молчат. Прогнозировать спрос «чистыми» нейросетями пробовали ещё в 2011 году — и быстро уперлись в проблемы, которые в 2026-м подтвердились и на современных моделях рядов вроде Chronos:
- хуже работают с прерывистым спросом и промышленными группами товаров;
- не дают глубокой подневной симуляции всей цепочки на длинных горизонтах;
- работают непрозрачно — а закупщику важно понимать и проверять, откуда взялось число;
- требуют большого штата аналитиков и дообучения на огромных данных.
Альтернатива, которая объяснима и проверяема, — вероятностный подход. Вместо одного числа модель даёт распределение вероятностей: с какой вероятностью какой объём спроса возможен. Можно промоделировать десятки тысяч сценариев будущего, оценить стоимость каждого и выбрать оптимальное покрытие. Именно по такому принципу — симуляция и моделирование вместо «чёрного ящика» — работает расчётное ядро систем прогнозирования спроса, например Forecast NOW!
Можно ли вообще собрать такую систему силами одного ИИ — отдельный большой вопрос; подробный разбор мы вынесли в статью «Можно ли написать систему управления запасами с помощью ИИ».
Вывод: это не значит «нейросети не нужны». Их используют вокруг прогноза — для автоматизации, проверки данных, поддержки. Но критичный расчёт держат на прозрачной математике, которую можно объяснить аудитору.
Простыми словами: закупщик не примет план, если не понимает, почему система просит заказать именно столько. Объяснимость важнее модного слова «нейросеть».
Безопасность ИИ в закупках — правило №1
Закупки — чувствительная зона: бюджеты, цены, условия поставщиков. Поэтому безопасность здесь не пункт в конце, а первое правило.
С чем работать осознанно:
- Конфиденциальные данные не грузим в облако. Номенклатуру и цифры обезличивают — можно попросить нейросеть написать скрипт, который заменит реальные названия на «товар 1, товар 2» до отправки.
- Локальные модели для чувствительного. Развернуть модель у себя (на видеокарте уровня 5090 или специализированном железе) стоит порядка полумиллиона рублей, зато данные не уходят наружу. Так же поступают с анализом кода, который нельзя «сливать» на обучение чужих моделей.
- Галлюцинации контролируем второй моделью. Хороший паттерн: одна модель делает, другая проверяет (Claude пишет — Codex ревьюит). Модель лояльна к собственному «почерку», поэтому проверять саму себя ей нельзя.
- Чужие скилы — с осторожностью. Они могут содержать скрытые инструкции. Перед запуском просите своего агента проверить чужой скил на безопасность.
Важное замечание: чем больше доступов у агента, тем серьёзнее последствия ошибки. Был реальный случай: антивирус удалил программу, которой управлял агент, тот «решил» её восстановить, пошёл искать копии по дискам, подложил чужие библиотеки и едва не положил систему. Прежде чем выдавать полный доступ, прокручивайте в голове: что агент сделает в худшем случае?
Протокол действий: безопасное внедрение
- Определите, какие данные нельзя выпускать наружу, и обезличивайте их до отправки.
- Для чувствительных задач используйте локальную модель.
- Критичные процессы дробите на мелкие проверяемые шаги с человеком между ними (принцип Human-in-the-loop).
- Поставьте вторую модель или метрику «надсмотрщиком» над результатом.
- Чужие скилы и промты проверяйте перед запуском.
Какую нейросеть выбрать закупщику
Единой «лучшей» модели нет: ChatGPT и Codex берут для исполнительных задач и кода, Claude — для креатива и прототипов, Gemini — для больших объёмов данных, DeepSeek — для работы с инструментами и доступности. Выбор зависит от задачи, и сравнивать стоит на своих кейсах.
| Модель | Сильная сторона | Когда брать |
|---|---|---|
| ChatGPT / Codex | Исполнительный, предсказуемый, аккуратный | Рутинные задачи, генерация кода без сюрпризов |
| Claude | Креативный, делает красивые интерфейсы, но «хитрее» | Творческие задачи, прототипы UI |
| Gemini | Обработка очень больших объёмов данных | Анализ сложных и объёмных массивов |
| DeepSeek V4 Flash | Отлично работает с инструментами, дёшев и доступен | Агенты с базой знаний, командная работа без подписок |
На практике многие выбирают DeepSeek просто потому, что он бесплатен и доступен с рабочего места без закупки лицензий. Но «лучшей на всё» модели нет — сравнивайте на своей задаче.
Вывод: нейросеть не отменяет классику. ABC- и XYZ-анализ, EOQ для ассортиментной матрицы по-прежнему работают — сначала используйте проверенные методы, а ИИ подключайте там, где он реально ускоряет.
5 правил применения ИИ в управлении запасами и закупках
Свод из практики — пять принципов, которые экономят месяцы граблей.
- ИИ — инструмент, а не замена. При внедрении работы становится больше, а не меньше: открывается возможность делать задачи, за которые раньше не брались.
- Прототип ≠ продакшн. Решение «за вечер» далеко от рабочей системы. Между демо и тем, что можно выкатить наружу, — недели и месяцы.
- Разные задачи — разные инструменты. Где-то агент, где-то чат, где-то специализированная модель.
- Прозрачность и объяснимость. Для критичных расчётов выбирайте то, что можно объяснить, а не «чёрный ящик».
- Безопасность — правило номер один. Всегда оценивайте, что произойдёт в худшем случае.
Протокол действий: с чего начать внедрение
- Найдите процесс-«бутылочное горлышко» — где уходит больше всего времени (метод «с хронометром»).
- Соберите контекст-файл о компании и процессе.
- Сделайте быстрый прототип на одной задаче (категоризация, накладные, дашборд).
- Проверьте результат вручную, зафиксируйте ошибки и причины.
- Оберните рабочее решение в скрипт или скил для повторного использования.
- Поставьте контроль качества и только потом масштабируйте.
Частые вопросы (FAQ)
Заменит ли ИИ закупщика?
Нет. ИИ интенсифицирует работу и снимает рутину, но ответственность за результат и конечное решение остаются на человеке. Принцип Human-in-the-loop: специалист участвует на запуске, контроле и выходе.
Можно ли прогнозировать спрос нейросетью?
Технически да, но на практике «чистые» нейросети хуже работают с прерывистым спросом и длинными горизонтами, и их трудно объяснить. Прозрачнее и точнее — вероятностное прогнозирование и симуляция. Подробный разбор — в статье «Что умеет ИИ в прогнозировании — и чего нет».
Безопасно ли давать ИИ данные компании?
Конфиденциальные данные не стоит грузить в публичные облака. Обезличивайте номенклатуру и цены, а для чувствительных задач разворачивайте локальную модель.
Какая нейросеть лучше для закупок?
Зависит от задачи: ChatGPT/Codex — исполнительные, Claude — креативный, Gemini — большие данные, DeepSeek — работа с инструментами и доступность. Сравнивайте на своих кейсах.
Нужно ли уметь программировать, чтобы пользоваться ИИ в закупках?
Нет. Достаточно базовых знаний Excel: нейросеть пишет код на VBA, Python или Power Query за вас. Главное — внятно сформулировать логику задачи.
С чего начать внедрение ИИ в закупках?
С одного узкого процесса, где теряется больше всего времени. Сделайте прототип, проверьте вручную, оберните в повторяемый скрипт — и только потом масштабируйте.
Читайте по теме
Мы намеренно не углублялись в прогноз спроса и устройство систем — этим темам посвящены отдельные разборы:
- Что умеет ИИ в прогнозировании — и чего нет — когда нейросетевые модели реально работают для прогноза спроса, а когда проваливаются.
- Можно ли написать систему управления запасами с помощью ИИ — где проходит граница между ИИ-контуром и расчётным ядром, что ломается на масштабе.
- Почему мы отказались от нейросетей в прогнозировании спроса — как вероятностные алгоритмы оказались эффективнее нейросетей.
- 9 рекомендаций, как сравнить между собой несколько систем управления запасами (SCM) — на что смотреть при выборе решения.
Заключение: с чего начать
ИИ в закупках и управлении запасами — это не «волшебная кнопка», а набор инструментов, которые ускоряют конкретные задачи: разбор документов, категоризацию, дашборды, ценообразование. Эффект появляется там, где есть подготовленный контекст, проверяемый результат и человек в контуре принятия решений.
Главная мысль: начинайте с рутины, которую не жалко автоматизировать, держите критичные расчёты прозрачными, а конфиденциальные данные — под контролем. Прогноз спроса и расчёт заказа — та зона, где важнее объяснимость, а не модность технологии.
А сам прогноз спроса и расчёт заказа — та зона, где важнее прозрачность и объяснимость: именно так, через вероятностную симуляцию, а не «чёрный ящик», работают системы прогнозирования спроса, например Forecast NOW!
