ИИ в закупках: как руководителю увидеть реальную эффективность решений

Учётная система фиксирует состоявшуюся операцию, но не всегда объясняет, насколько выгодным было решение. Для руководителя это означает, что он знает, сколько потрачено, но не знает, были ли эти затраты оптимальными, не упущена ли маржа и не принимались ли решения на основе неполной информации. В этом материале мы разбираем, как ИИ в закупках меняет подход к контролю и позволяет оценивать не факт, а качество закупочных решений.

Ответ для руководителя: что даёт ИИ в закупках на практике

ИИ в закупках позволяет руководителю увидеть не только сумму закупки, но и её обоснованность: сопоставить фактические цены с рыночными, проверить соблюдение условий договоров и отследить отклонения в сроках и качестве. Это не замена закупщика, а инструмент контроля, который делает процесс прозрачным и даёт возможность управлять маржой на основе фактов, а не предположений.

Отчётность фиксирует, но не объясняет: главная проблема управленческого контроля

Компании тратят значительные ресурсы на закупки — это одна из крупнейших статей затрат. Казалось бы, управленческая отчётность, 1С и Excel дают полную картину. Однако эти инструменты отвечают на вопрос «сколько потратили?», но молчат на вопрос «надо ли было тратить столько?».

В чём ограничения 1С и Excel?

Классические учётные системы и электронные таблицы хороши для хранения данных и отражения фактов, но они не предназначены для аналитики эффективности:

1. 1С и ERP фиксируют проводки и движение товаров, но не сравнивают цену закупки с рыночными альтернативами на момент сделки.
2. Excel позволяет делать расчёты, но требует ручного ввода данных, сравнения прайсов и постоянной актуализации.
3. Стандартные отчёты показывают динамику цен, но не отвечают на вопрос: «А могли ли мы купить дешевле или на лучших условиях у другого поставщика?».

Как отмечают эксперты, сегодняшние закупочные функции используют менее 20% доступных данных для поддержки принятия решений . Остальные 80% остаются неиспользованными — либо разрознены по разным системам, либо находятся в таблицах и письмах, которые не интегрированы в управленческий контур.

Невидимые потери в закупках: где уходит маржа

Проблема потерь в закупках часто не лежит на поверхности. Это не обязательно прямая переплата. Это может быть целый ряд отклонений, которые не фиксируются стандартной отчётностью:

1. Выбор поставщика без учёта всех альтернатив.
2. Условия оплаты, которые не сравнивались с другими предложениями (аванс, отсрочка).
3. Сроки поставки, которые влияют на оборотный капитал.
4. Дополнительные расходы на логистику, брак или возвраты.
5. Срочные дозаказы по более высоким ценам из-за отсутствия планирования.
6. Неиспользуемые скидки за объём или условия.

Когда одна ошибка невелика — 1–2% от суммы закупки, — она может оставаться незамеченной. Но если компания закупает на 500 млн рублей в год, те же 2% — это 10 млн рублей чистых потерь .

Что видит ИИ в закупках, чего не видят стандартные отчёты

В отличие от учётных систем, ИИ способен не просто хранить данные, а сопоставлять их, находить аномалии и показывать скрытые закономерности. Речь идёт не о волшебстве, а о способности обрабатывать большие массивы неструктурированной информации — прайсы, условия договоров, историю закупок — и делать их сопоставимыми.

Исследования Boston Consulting Group (BCG) выделяют три основных типа пользы от применения агентного ИИ в закупках :

1. Операционные улучшения — рост производительности, сокращение циклов, уменьшение ручного труда.
2. Коммерческие результаты — улучшение условий контрактов, снижение зависимости от поставщиков, более сильные позиции на переговорах.
3. Управленческий контроль — более высокая прозрачность решений, соблюдение регламентов, снижение рисков.

При этом операционные выгоды (скорость, автоматизация рутины) приходят быстрее, но именно коммерческие результаты и прозрачность решений создают долгосрочную ценность для бизнеса .

Пример из российской практики: группа «Самолёт» с помощью нейросети проверила около 5% своих закупок (примерно 2 тыс. позиций) и выявила переплату в 28 млн рублей. Система обнаружила 100% ошибок, заложенных в данные, проанализировав более 6 тыс. источников — тендеры, рыночные цены, открытые реестры . Ручная проверка такого объёма данных была бы невозможна.

Как ИИ помогает сравнивать поставщиков и выявлять отклонения: управленческий процесс

Процесс работы ИИ-агента можно разбить на пять последовательных этапов. На каждом из них система выполняет конкретную задачу, а руководитель получает чёткий управленческий вывод.

1. Сбор данных. ИИ-агент собирает прайсы поставщиков, историю закупок, договорные условия, данные из 1С и таблиц. Руководитель получает понимание, что учтены все доступные источники, включая те, что хранятся в письмах и файлах закупщиков.
2. Сопоставление. Система приводит данные к единому формату: сопоставляет названия товаров, единицы измерения, валюту, условия поставки. Результат для руководителя — исключение ошибок ручного переноса данных между разными форматами.
3. Анализ отклонений. Агент сравнивает фактические закупки с рыночными ценами, условиями других поставщиков и историческими данными. На выходе — информация о расхождениях: где закупка была дороже, где условия хуже, где есть риск переплаты.
4. Формирование вывода. На основе анализа система показывает, какие закупки требуют внимания, а какие были оптимальными. Руководитель получает понятный ответ по каждой закупочной категории: «здесь всё хорошо», «здесь есть потенциал улучшения».
5. Рекомендация. Агент предлагает конкретные корректирующие действия: пересмотреть условия, провести переговоры, сменить поставщика. Это уже не просто констатация проблемы, а готовые шаги для управленческого решения.

Важно отметить, что финальное управленческое решение остаётся за человеком. Как подчёркивают эксперты, «ИИ не заменяет человека, а становится мощным ассистентом, который забирает рутину и компенсирует нехватку узких знаний» .

Практический шаг: как проверить эффективность ИИ на одной закупочной категории

Многие руководители откладывают внедрение ИИ, потому что считают это сложным, дорогим и долгим процессом. Однако для проверки гипотезы можно начать с малого — с одной закупочной категории.

Этот подход решает сразу несколько задач:

1. Без длительного внедрения. Можно проанализировать доступные данные без перестройки всей IT-архитектуры.
2. Быстрый результат. Оценка занимает несколько дней, а не месяцев.
3. Минимальные риски. Вы не меняете весь процесс, а проверяете гипотезу на ограниченном участке.
4. Понятный ответ. Вы получаете конкретные цифры и выводы по одной категории, на основе которых можно принимать решение о масштабировании.

Как показывает практика, пилотные проекты часто не отражают полного потенциала масштабного внедрения . Однако именно пилот позволяет быстро и дёшево ответить на главный вопрос: есть ли в вашем закупочном процессе потери, которые можно сократить с помощью ИИ?

Какие данные нужны для первой проверки

Для того чтобы провести диагностику одной категории, не нужно собирать многолетнюю историю и подключать все системы компании. Достаточно того набора данных, с которым закупщик работает каждый день :

1. Номенклатура — список товаров или материалов в выбранной категории с артикулами и характеристиками.
2. Прайсы поставщиков — актуальные коммерческие предложения. Важно, что они могут быть в разных форматах: Excel, PDF, письма.
3. История закупок — за 1–2 месяца: что, у кого, по какой цене и в каком количестве было закуплено.
4. Итоговые закупочные заявки — чтобы видеть, какое решение было принято человеком.
5. Дополнительные условия — сроки поставки, условия оплаты (аванс, отсрочка), минимальная партия, логистика, данные о браке и возвратах.

Чем больше таких условий учтено, тем точнее ИИ сможет оценить не только цену, но и реальную выгодность поставщика.

Что мешает внедрению ИИ в закупках и как быть готовым

Внедрение ИИ в закупки — это не только технологическая, но и организационная задача. Исследования показывают, что основные препятствия лежат не в качестве самих алгоритмов, а в готовности компании к их использованию .

Основные барьеры:

1. Качество данных. Разрозненные источники, неоднородные форматы, неполная информация. Это самый частый технический барьер.
2. Интеграция с существующими системами. Сложность подключения ИИ к ERP, 1С и другим платформам.
3. Неизменённые процессы. Если вокруг ИИ не перестроить процессы, освободившееся время и выявленные отклонения не будут монетизированы.
4. Доверие к автономным решениям. Руководители опасаются передавать финансово значимые решения алгоритмам без человеческого контроля.

Что это значит для руководителя? Прежде чем начинать масштабное внедрение:

1. Начните с проверки данных. Не нужны идеальные данные, но нужно понимать, где они лежат и в каком виде.
2. Не пытайтесь автоматизировать всё сразу. Начните с одной категории — это позволяет оценить потенциал и выявить проблемы данных и процессов без больших затрат.
3. Будьте готовы к изменению ролей. Закупщикам придётся осваивать новые навыки работы с данными и ИИ-инструментами.

Следующий шаг: от диагностики к ИИ-агенту

Если по результатам проверки одной категории вы видите, что ИИ помогает выявлять отклонения, сравнивать условия и готовить более обоснованные заявки, следующий логичный шаг — создание полноценного ИИ-агента.

Такой агент может регулярно анализировать закупки, выявлять отклонения в реальном времени, формировать рекомендации и даже ставить задачи ответственным сотрудникам. Однако на старте для этого не обязательно перестраивать всю систему — достаточно начать с диагностики, которая покажет, есть ли экономический смысл в более глубокой автоматизации.

Чтобы проверить сценарий без длительного внедрения, можно начать с одной закупочной категории. WINFOX анализирует доступные данные по последним закупкам и поставщикам и показывает, где могут находиться отклонения и есть ли экономический смысл в дальнейшей автоматизации.

FAQ

1. Что такое ИИ-агент в закупках простыми словами?

ИИ-агент — это программа, которая помогает закупщику сравнивать предложения поставщиков, выявлять отклонения в ценах и условиях, а также готовить обоснованные закупочные заявки. Он не заменяет человека, а берёт на себя рутинную работу по сбору и анализу данных, позволяя закупщику сосредоточиться на переговорах и стратегии.

2. Может ли ИИ самостоятельно принимать решения о закупках?

На практике большинство компаний оставляют финальное решение за человеком . ИИ предоставляет анализ и рекомендации, но юридически и финансово значимые решения утверждаются ответственными сотрудниками. Это вопрос контроля и доверия, особенно на начальных этапах внедрения.

3. Какие данные нужны для начала работы с ИИ в закупках?

Для первой проверки достаточно данных по одной категории: номенклатура, актуальные прайсы от нескольких поставщиков, история закупок за 1–2 месяца и информация о том, какое решение было принято закупщиком. Данные могут храниться в Excel, 1С или даже в письмах — их не нужно предварительно приводить к единому формату .

4. Сколько времени занимает проверка одной закупочной категории с помощью ИИ?

Для диагностики одной категории обычно достаточно 5 рабочих дней. Вам не нужно выделять ресурсы на длительное внедрение, разворачивать сложную IT-инфраструктуру или перестраивать процессы — анализ проводится на уже доступных данных.

5. Что делать, если в компании нет «идеальных» данных для ИИ?

Это нормально. Неоднородные данные в разных форматах — реальность большинства компаний. Одна из ключевых функций ИИ как раз в том, чтобы помочь привести эти данные к единой структуре и сделать их сопоставимыми . Именно поэтому для первой проверки не требуются идеально подготовленные данные.

Чтобы проверить этот подход на практике, не требуется масштабное внедрение. Достаточно начать с одной закупочной категории. WINFOX анализирует доступные данные по последним закупкам и поставщикам и показывает, где могут находиться отклонения и есть ли экономический смысл в дальнейшей автоматизации. Такой пилот позволяет принять обоснованное решение на основе данных вашей компании, а не абстрактных примеров