Применение искусственного интеллекта в закупках: работа с предложениями поставщиков, закупочной информацией и снабжением. Реальные кейсы компаний с описанием действий сотрудников, используемых решений и результатов.
Кейсов внедрения: 49.
ГИС «Антикартель» анализирует данные торгов и отмечает признаки сговора. Специалисты ФАС проверяют собранные материалы и принимают решение о возбуждении дела.
С использованием материалов системы возбуждено 12 антимонопольных дел. Ещё 31 расследование находится в работе.
Система управления запасами нормализует справочники и рекомендует альтернативы из имеющихся сверхнормативных остатков, чтобы предотвращать дублирующие закупки.
Спикер оценивает чистый финансовый эффект внедрения не менее чем в 10 млн долларов экономии в год.
Парсер распознаёт сканы и PDF, нормализует единицы измерения и шифры расценок и сводит предложения разных поставщиков в сравнительную таблицу.
Данные поставщиков автоматически формируются в единую сравнительную таблицу.
Агент получает предложение с электронной торговой площадки, сверяет его с техническим заданием, выявляет пропуски и противоречия и готовит запрос поставщику.
Время анализа одной позиции сократилось с 40 до 5 минут; качество ответов модели выросло с 41% в первую неделю до 65% к третьей.
Ассистент читает предложения в Excel, PDF и Word и сверяет их с требованиями.
Заявлена точность не ниже 95%; обработка заявок ускорилась в разы.
ML прогнозирует спрос и формирует автозаказ для 161 магазина.
95% заказов формируются автоматически, наличие ассортимента составляет 97–98%, списания снизились на 10–15%.
Нейросеть структурирует жалобы по причинам и формирует базу для аналитики и профилактической работы с заказчиками.
Нейросеть структурирует около 87% жалоб. Доля жалоб в регионе снизилась примерно с 3% в 2022 году до 1,5% в 2024 году.
Нейросеть сопоставляет цены по 10–15 сайтам и одновременно анализирует до сотни закупок; итоговое решение принимает специалист.
Время проверки одной закупки сократилось примерно с десяти до трёх минут.
Нейросеть ищет позицию в справочнике, сверяет её характеристики, определяет ОКПД и добавляет требования национального режима и КТРУ; специалист проводит финальную сверку.
Работа, занимавшая у опытного специалиста не менее 15 минут, сведена к пятиминутной проверке результата.
В нескольких муниципалитетах пилотируется автоматическая проверка закупочной документации от начала до конца, включая проверку заявок; муниципалитеты самостоятельно обучают модель.
Результат пилота не раскрыт.
ИИ прогнозирует спрос на лекарства с учётом сезонности и эпидемиологической ситуации, после чего производителям формируются автоматические заказы.
Заявлено снижение дефицита ключевых позиций на 40%.
Платформа анализирует рынок, складские остатки и кассовые чеки и рассчитывает объём закупок для каждой торговой точки.
Источник совместно для X5 Group и «Балтики» сообщает рост точности прогнозов на 20% и снижение затрат на хранение и доставку; отдельный эффект X5 Group не выделен.
Алгоритм машинного обучения выявляет дублирующиеся позиции товаров и сырья в справочниках номенклатуры.
Заявлены снижение ошибок в закупках и складском учёте и экономия на закупках.
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.
ИИ-ассистент с семантическим поиском разбирает запрос менеджера на естественном языке и подбирает электронные компоненты с учётом срока поставки, цены, SLA и складских остатков. Сотрудники обращаются к нему через Telegram-бот и веб-виджет.
Подбор компонента сократился с 15 минут — нескольких часов до 2–4 секунд; 87% запросов обрабатываются без эксперта, конверсия в закупку из ассистента выросла на 3%.
ФСК вместе с red_mad_robot внедрила платформу с двумя ИИ-агентами: для сотрудников и внешних поставщиков. Ответы формируются с поиском по корпоративной базе знаний.
Нагрузка на поддержку и коммерческий департамент снизилась на 30–40%. Разработка и внедрение заняли два месяца.
Внедрён внутренний корпоративный веб-сервис на базе LLM для семантической обработки специализированных документов, анализа ценовых соглашений поставщиков, подготовки типовых документов и визуального сравнения документов.
Заявлено сокращение времени работы с документами до 50% при полном активном использовании; фактический эффект будет уточняться по мере накопления эксплуатационной статистики.
ИИ обучен на заданиях из ЕИС и проверяет требования технического задания, их соответствие предмету закупки, сведения о контрагентах и бюджет.
Система автоматизировала проверку бюджета и используется для выявления ошибок и признаков технических заданий, составленных под конкретного поставщика.
ИИ проверяет комплекты документов участников закупок и формирует отчет о наличии обязательных сведений и документов.
Отчет формируется за 10 минут; окончательное решение о допуске участника остается за человеком.
Внедрила собственную ИИ-систему на базе нескольких нейросетей для анализа тендеров, структурирования документации, поиска противоречий и формирования подборок конкурсов.
За последний месяц для собственных нужд проанализировано более 2,5 тыс. тендеров; специалист получает первичное понимание пригодности конкурса примерно за 40 секунд. Компания также сообщила о стократном ускорении собственной работы и о помощи начинающему поставщику в выигрыше первых двух конкурсов.
Автоматизировано прогнозирование потребности в сырье для ресторанной сети.
Время заказа сырья сократилось с нескольких часов примерно до 2 минут; точность прогноза выросла примерно на 18%; заявлена экономия более 50 млн рублей в год на масштабе около 50 ресторанов.
Голосовой помощник консультирует предпринимателей по работе на портале и самостоятельно обслуживает типовые обращения горячей линии.
Помощник обрабатывает 100% звонков горячей линии.
Система переводит номенклатурные данные в параметрические карточки и подбирает аналоги с оптимизацией по цене, качеству и доступности.
Пилот; метрики экономии не раскрыты.
ВТБ использует цифровых помощников для поддержки закупочных служб.
Количественный эффект не раскрыт.
AI-система прогнозирует энергопотребление на сутки вперёд по историческим и погодным данным.
Компания закупает объём энергии в соответствии с прогнозной потребностью.
Разработана ML-модель на данных продаж и интегрирована с ERP; модель ежедневно рекомендует объем заказа у поставщиков.
Точность прогноза улучшилась на 24%, потери от затоваривания снизились на 30%, доступность товара повысилась на 15%; заявлен совокупный эффект 20 млн рублей в год.
Внедрена система «Дельта BI»; после пилота и MVP она введена в промышленную эксплуатацию. Запущены прогнозные модели на основе машинного обучения.
Создано единое окно для управленческой аналитики; системой пользуются 87 сотрудников. Доступны аналитика продаж, строительного контроля, программ строительства, конкурентов, закупок и веб-аналитики.
Система выявляет подозрительные паттерны поведения участников торгов.
Не раскрыто.
ИИ-агенты сопровождают закупку от формирования заявки и проверки бюджета до подготовки полного комплекта закупочной документации.
Потенциальный объём таких закупок превышает 5 тысяч процедур в год.
ИИ-агент автоматически формирует закупочные документы, проверяет наличие бюджета и помогает определить источник финансирования.
Среднее время подготовки заявки сократилось с 60 до 5 минут, примерно в 12 раз.