Как компании используют искусственный интеллект в планировании и управленческой аналитике: прогнозирование, анализ данных и поддержка решений руководителей. Кейсы внедрения с исходной задачей, способом применения прогноза и результатами.
Кейсов внедрения: 332.
Команда без отдельного штата разработчиков собрала на реальных данных систему поддержки решений для планирования закупок и производства.
Рабочую модель собрали за месяц вместо полугода согласований.
Модели Demand Planning прогнозируют ежедневный спрос на каждый артикул в каждом магазине на горизонте до 180 дней.
Потери товарооборота из-за ошибок прогнозирования снизились с 2% в 2024 году до 1,5% в 2025 году и 1% на момент публикации.
Модель учитывает прогнозируемый объём работ, производительность сотрудников и другие факторы при расчёте потребности в персонале.
Количественный эффект не раскрыт.
Проектный модуль анализирует заполненность контейнерных площадок для распределения нагрузки коммунальных служб.
Количественный результат не раскрыт.
Модели машинного обучения прогнозируют природные пожары и наводнения по данным спутникового мониторинга и метеорологических наблюдений.
Количественный эффект не раскрыт.
ИИ автоматизирует самоорганизацию сети, анализирует данные, прогнозирует нагрузку, предотвращает инциденты и автоматически устраняет неисправности; также используется при планировании и строительстве мобильных сетей.
Количественный эффект не раскрыт.
В 2026 году оператор запустил сетевого агента «ИИ-инженер» для разбора технических событий; ИИ также используется для планирования сети, управления радиоресурсами, трафиком и конфигурацией сети.
Заявлено ускорение разбора технических событий, снижение нагрузки на специалистов и повышение устойчивости инфраструктуры; количественные показатели не раскрыты.
Алгоритмы формируют рейтинг налогоплательщиков по вероятности нарушений для отбора компаний в план проверок.
Компании с высоким риск-баллом попадают в план проверок.
Модель учитывает спрос, сезонность, расположение, цены конкурентов и поведение пользователей. Рекомендации по цене встроены в кабинет арендодателя и внутренние системы сервиса.
Заявлен рост конверсии из просмотра в бронирование на 6%, сокращение простоя объектов на 8% и рост LTV арендодателя на 3%.
Заказчик создаёт комплексный цифровой двойник группы нефтегазоконденсатных месторождений на полуострове Ямал. На первом этапе создана интегрированная модель, объединяющая пласт, скважины, трубопроводы, дожимные станции и другое наземное оборудование.
Первый этап работ завершён созданием интегрированной модели месторождения; подключение реальных производственных данных названо следующим этапом.
В экосистеме агрохолдинга запущен специализированный ИИ-сервис, который консультирует по агрономии, диагностирует болезни растений по фотографиям, рассчитывает нормы удобрений, ведёт цифровой журнал обработок и помогает планировать полевые работы.
Менее чем за месяц после запуска сервис получил более 1000 активных пользователей.
Цифровой двойник автоматически обновляется по производственным данным и в реальном времени отражает состояние газоконденсатного актива на всех этапах.
На объекте повысилась точность режимов работы оборудования, совершенствуются планирование выпуска и использование ресурсов, достигнут более высокий уровень безопасности.
Система анализирует поведенческие паттерны сотрудников и заранее выявляет риски увольнения; в кейсе также упомянут чат-бот «Настенька».
Количественный эффект не раскрыт.
ИИ-агент получает данные из операционных систем ресторанов, анализирует расходы и другие финансовые и операционные показатели, формирует отчёты для собственника и выявляет признаки хищений.
По оценке разработчика, сервис может увеличить операционную прибыль на 5–7% и сократить убытки; фактический результат внедрения не опубликован.
ИИ-алгоритмы анализируют рыночную информацию, определяют риск-профиль клиента по анкете и автоматически подбирают инвестиционную стратегию на горизонте от 1 до 5 лет.
С момента запуска в ноябре стратегия показала доходность 12% против 7% у индекса Мосбиржи за сопоставимый период.
БПЛА автоматически фотографируют поля, а система распознаёт сорняки и болезни, формирует рецепт и дозировку средств защиты и составляет карту дифференцированного внесения.
Заявлена возможность выявлять проблемы и готовить меры обработки на ранней стадии.
Внедрено прогнозирование спроса на Python с использованием временных рядов.
Через три месяца доля списаний продуктов снизилась с 8% до 4,5%.
ИИ-Ассистент интегрирован с модулем финансовой аналитики и отвечает на свободные запросы предпринимателей о доходах, расходах и контрагентах.
Ответы предоставляются за 1–3 секунды.
В промышленную АСУП интегрировали GigaChat MAX, модель машинного обучения, RAG и ИИ-агентов.
Модель прогнозирует качество готовой продукции, LLM контролирует соблюдение технологических регламентов, а система помогает поддерживать технологический режим, сокращать время ежедневных операций и минимизировать нештатные ситуации; количественный эффект не раскрыт.
Мультиагентная система анализировала эффективность и проектные команды, а её рекомендации учитывались при принятии кадрового решения.
По сообщению статьи, в феврале 2026 года Сбербанк сократил 20% сотрудников центрального аппарата с учётом рекомендаций системы.
Сеть использовала алгоритм TextZavod для сопоставления поискового спроса, наличия товаров у конкурентов и структуры поисковой выдачи; выявила 47 недостаточно представленных позиций противогрибковых препаратов и создала под них карточки.
Трафик на категорию вырос на 34% за 6 недель.
Платформа анализирует сведения о клиентах, объектах и рынке и предлагает аналитикам гипотезы для решений.
Ликвидирован 15-процентный разрыв между плановыми и фактическими продажами; ROI вырос с 10% до 20%, доля одобрения ипотечных заявок — с 15% до 30%.
Модель прогнозирует спрос для производства продукции с коротким сроком хранения.
Точность прогноза выросла более чем на три процентных пункта, списания сократились на 33%; заявлена ежегодная экономия 40–50 млн рублей.
ИИ используется для performance review, оценки культурного соответствия и потенциала развития сотрудников.
Количественный эффект не раскрыт.
В РЖД используют AI-модель для прогнозирования увольнений; модель также выявляет факторы, влияющие на уход сотрудников.
Количественный эффект не раскрыт.
Данные из разных ИТ-систем о сроках и фактических темпах работ собраны в едином хранилище, из которого руководитель получает нужный срез по текстовому запросу.
Источник заявляет получение нужного среза данных за секунды вместо работы с множеством отчётов.
Большая языковая модель A-Vibe ежедневно мониторит новости 30 фондов и создаёт краткие отчёты о расходовании средств для пользователей.
Финансовые результаты фондов представлены пользователям в понятном виде в рассылках и на страницах фондов.
ИИ применён для сбора базы пунктов утилизации новогодних ёлок.
База из более чем 1000 пунктов в 100 городах собрана за 2 дня.
Прогноз спроса строится по данным о выданных разрешениях на строительство в регионе и используется при планировании производства.
Складские остатки на конец сезона снизились на 30%.
Руководитель двух НКО самостоятельно разрабатывает ИИ-агентов для анализа аудитории, подготовки писем, сегментирования и планирования действий команды в фандрайзинге.
Агенты помогают представить структуру работы целиком и готовят варианты действий; окончательные решения остаются за руководителем.