Журнал «Отинофф»
Оптимизация закупок с ИИ: чек-лист из 10 пунктов для Raft AI4BI

Оптимизация закупок с ИИ: чек-лист из 10 пунктов для Raft AI4BI

ИИ-инструменты 29 июня 2026 г.

Менеджер по закупкам производственного предприятия получает от технологов заявку на 40 единиц промышленных фильтров. Прежде чем принять её в работу, он открывает Raft AI4BI и через AI-агент платформы задаёт вопрос в свободной форме: «Какие остатки по категории "промышленные фильтры" и есть ли активные заказы за последние 60 дней?» Через минуту приходит ответ: «На складе числится 18 единиц, ещё 15 уже в пути по заказу от прошлого месяца. Реальная потребность — 7 единиц.» Заявка на 40 единиц отклоняется ещё до регистрации в системе.

Это не гипотетический сценарий, а рабочий пример из практики, описанный в блоге компании Raft. Проблема, которую он иллюстрирует, знакома каждому, кто работает в закупках: основная масса операционной нагрузки и перерасхода возникает не на этапе выбора поставщика, а в самом начале цикла — при идентификации потребности и формировании заявки. Внедрение чек-листа на фазе формирования потребности, проверяемого с помощью ИИ-аналитика, позволяет отсечь «мусорные» заявки до того, как они попадут в работу.

Что меняет ИИ-аналитик в закупочном процессе

Традиционный подход к проверке заявок требует от менеджера по закупкам вручную собирать данные из нескольких систем: ERP, складского учёта, реестра контрактов, планов производства. На практике это означает, что проверка каждой заявки занимает от 20 минут до нескольких часов, а при высокой нагрузке многие заявки проходят без проверки.

ИИ-аналитик Raft AI4BI меняет эту схему. Вместо того чтобы открывать несколько дашбордов и отчётов, менеджер задаёт вопрос на естественном языке через AI-агента платформы. Система агрегирует данные из ERP, показывает остатки, активные заказы, дублирующиеся заявки и аномальные запросы. Результат — не просто ответ, а интерактивная визуализация, которую можно детализировать.

Автор статьи в блоге Raft подчёркивает: грамотно настроенный чек-лист служит фильтром, который отсекает «мусорные» заявки и снижает операционную нагрузку на закупки. При этом ИИ-аналитик не заменяет чётко выстроенный процесс закупок, но помогает понять данные и получить картину для взвешенных решений.

Почему это меняет стоимость и время закупок

Экономический эффект от внедрения такого подхода складывается из трёх составляющих.

Первое — сокращение времени на проверку одной заявки. Вместо 20–60 минут ручного сбора данных менеджер тратит 1–3 минуты на формулировку запроса и анализ ответа. При потоке 50–100 заявок в неделю экономия составляет 15–40 часов рабочего времени одного сотрудника.

Второе — предотвращение закупок, которые не нужны. Пример с промышленными фильтрами показывает: заявка на 40 единиц была сокращена до 7. Разница в 33 единицы — это прямой перерасход бюджета, которого удалось избежать.

Третье — снижение риска дублирования заказов. Категорийный менеджер получает заявку от производственного отдела на крепёжные изделия, а через некоторое время — аналогичную заявку от подразделения технического обслуживания. Без единого дашборда дублирование сложно заметить. Raft AI4BI агрегирует данные из ERP и показывает все активные спецификации по одной номенклатуре в разрезе инициаторов.

Что компания должна проверить перед внедрением

Прежде чем принимать решение о внедрении ИИ-аналитика для проверки закупочных заявок, необходимо оценить готовность компании по нескольким параметрам.

Что меняется Почему важно бизнесу Что проверить
Проверка заявок занимает минуты вместо часов Снижение операционной нагрузки на закупщиков Есть ли у компании ERP с актуальными данными об остатках и заказах
Заявки проверяются до регистрации в системе Предотвращение необоснованных закупок Настроен ли регламент, требующий проверки заявок на этапе формирования
Данные агрегируются из нескольких источников Единая картина по остаткам, заказам, загрузке Интегрированы ли складской учёт, ERP и система закупок
Выявляются дублирующиеся заявки Снижение перерасхода по одинаковым позициям Есть ли единая номенклатура и классификатор материалов
Доступна предиктивная аналитика аномалий Раннее выявление нестандартных запросов Готов ли бизнес адаптировать чек-лист под отраслевую специфику

Автор статьи предупреждает: для получения полноценного чек-листа, который организация может использовать в реальной жизни, требуется адаптация под отраслевую специфику и требования существующего корпоративного регламента закупок. Готового универсального шаблона не существует.

Где скрыты риски и ограничения

Любой инструмент, основанный на данных, работает ровно настолько, насколько актуальны и корректны эти данные. ИИ-аналитик Raft AI4BI не рассеет тьму и не упорядочит хаос — он помогает понять данные и получить чёткую картину для дальнейших шагов. Если в ERP хранятся устаревшие остатки, если номенклатура не унифицирована, если заказы в пути не отражены в системе — ответ AI-агента будет неточным.

Второе ограничение — необходимость адаптации. Чек-лист из десяти пунктов, описанный в статье, требует настройки под конкретную отрасль и корпоративные процедуры. Для производственного предприятия и для торговой компании набор проверок будет разным.

Третье — человеческий фактор. Даже самый точный ответ ИИ-аналитика не отменяет решения менеджера. Система может показать, что реальная потребность составляет 7 единиц вместо 40, но окончательное решение об отклонении заявки принимает человек. Если регламент не требует обязательной проверки через ИИ-аналитика, инструмент останется невостребованным.

Четвёртое — стоимость внедрения и лицензирования. В статье не указаны цены на Raft AI4BI, но любой корпоративный ИИ-инструмент требует бюджета на лицензию, интеграцию и обучение сотрудников. Для небольших компаний с низким объёмом закупок экономический эффект может не оправдать затрат.

Что сделать на этой неделе

Для руководителя закупок или финансового директора, который рассматривает возможность внедрения ИИ-аналитика для проверки заявок, практические шаги выглядят так:

  1. Проверьте актуальность данных в ERP. Выберите 10–20 заявок за последний месяц и вручную сверьте остатки на складе с данными системы. Если расхождения превышают 10–15%, сначала наведите порядок в учёте.
  2. Составьте свой чек-лист из 5–7 пунктов. Не копируйте готовый список из статьи — адаптируйте его под свою отрасль. Для производственной компании важны остатки сырья и незавершённое производство, для торговой — товарные запасы и сроки годности.
  3. Оцените объём «мусорных» заявок. Проанализируйте заявки за последние 3–6 месяцев. Сколько из них были отклонены после регистрации? Сколько привели к перерасходу? Если доля проблемных заявок меньше 5–10%, эффект от внедрения может быть незначительным.
  4. Проведите пилот на одной категории. Выберите категорию товаров или услуг с наибольшим объёмом заявок. Внедрите чек-лист и ИИ-аналитика только для этой категории на 1–2 месяца. Сравните количество отклонённых заявок, время на проверку и объём перерасхода до и после пилота.
  5. Оцените готовность команды. Проведите короткое обучение для 2–3 менеджеров по закупкам. Если они не готовы формулировать запросы на естественном языке и доверять ответам системы, внедрение не даст результата.
  6. Запросите коммерческое предложение. Уточните стоимость лицензии, интеграции и поддержки. Сравните с потенциальной экономией от сокращения перерасхода и операционной нагрузки.

Автор статьи в блоге Raft приводит ещё один показательный пример. Подразделение логистики запрашивает аренду дополнительных погрузчиков на квартал. Руководитель закупок открывает в Raft AI4BI раздел по загрузке техники по всем площадкам и видит, что погрузчики на складе в соседнем регионе загружены лишь на 34%, а плановая загрузка не превысит 65%. Вместо аренды инициируется внутреннее перемещение. Это пример того, как ИИ-аналитик помогает не просто отклонить заявку, а найти альтернативное решение, эффективно расходуя имеющиеся ресурсы.

Источники

Генерация изображения

  • Модель: flux-schnell
  • Провайдер: replicate

Что почитать дальше

Теги

Андрей Отинов

Рекомендуем