AI-агенты в управлении запасами: что умеют и где ломаются

Прогноз спроса в рознице перестал быть отчётом, который смотрит закупщик. Всё чаще между прогнозом и заказом поставщику не остаётся человека: система сама считает, сколько товара закончится через неделю, сама формирует заявку и сама отправляет её. Это и есть сдвиг от классической аналитики к так называемым агентам — программам, которые не просто предсказывают, а совершают действия. И именно на этом стыке появляются как экономия, так и новые способы потерять деньги.

Что изменилось: от дашборда к действию

Десять лет управление запасами держалось на прогнозе спроса и правилах вида «когда остаток упал ниже порога — закажи столько-то». Аналитик смотрел на графики, корректировал вручную, согласовывал бюджет. Агент^* убирает часть этих шагов: он получает доступ к данным о продажах, остаткам, срокам поставки и ценам, а дальше сам решает, что заказать и когда.

Ключевое отличие от прежней автоматизации — не в точности прогноза, а в замкнутом цикле. Правило «остаток ниже порога» статично. Агент пересчитывает решение при каждом изменении входных данных: пришла новая партия, поставщик поднял цену, начался всплеск спроса из-за акции у конкурента. Он может рассуждать по цепочке — «спрос вырос, но склад поставщика пуст, значит нужно искать альтернативу» — и обращаться к разным инструментам: базе остатков, API поставщика, системе ценообразования.

Где это уже работает

Крупные ритейлеры и логистические компании давно используют алгоритмическое пополнение запасов. Новая волна — надстройка на языковых моделях, которая умеет объяснять решения текстом и работать с неструктурированными данными: письмами поставщиков, описаниями товаров, отзывами. Публичные, проверяемые кейсы с конкретными цифрами экономии пока единичны, и большинство громких процентов идёт из презентаций вендоров, а не из независимых замеров. Поэтому к обещаниям «минус 30% неликвида» стоит относиться как к маркетингу, пока нет методики расчёта.

Типичные задачи агента

• Автопополнение. Формирование заявок поставщикам с учётом срока доставки, минимальной партии и текущих остатков.
• Распределение между точками. Перемещение товара со склада, где он завис, туда, где он продаётся.
• Реакция на дефицит. Поиск альтернативного поставщика или замены, когда основной канал недоступен.
• Списания и уценка. Предложение снизить цену на товар с коротким сроком годности до того, как он превратится в убыток.

Агент, ML-прогноз и старые правила: чем отличаются

Три подхода часто смешивают в одну кучу «умных систем». На деле они решают разные задачи и требуют разного контроля.

Практический вывод: агент не заменяет прогнозную модель, он надстраивается над ней. Если под капотом слабый прогноз спроса, автономность только ускорит накопление ошибок.

Автономность без лимитов на сумму заказа и без права человека остановить цикл — это не оптимизация, а делегирование бюджета алгоритму, который никто не проверял в стрессовой ситуации.

Кому это пригодится, а кому нет

Инструмент окупается не везде. Он даёт эффект там, где решений много, они рутинны и цена ошибки на одной позиции невелика.

Скорее да

• Сеть с тысячами SKU и десятками точек, где закупщик физически не успевает обрабатывать позиции вручную.
• Товары со стабильной оборачиваемостью и предсказуемой сезонностью — продукты, бытовая химия, расходники.
• Бизнес, у которого уже собраны чистые данные о продажах и остатках. Без этого агент будет действовать на мусоре.

Скорее нет

• Небольшой магазин с сотней позиций, где владелец и так знает каждый товар — окупаемость внедрения сомнительна.
• Дорогие штучные товары, где одна ошибочная закупка съедает месячную прибыль.
• Компании без нормального учёта: если остатки в системе не сходятся с реальными, автономный заказ усилит бардак.

Главные риски

Самая частая ошибка — дать агенту права на действия раньше, чем на него можно положиться. Разумный порядок внедрения выглядит так:

1. Режим совета. Агент формирует заявки, но их подтверждает человек. Собираете статистику, как часто он прав.
2. Автономность с лимитами. Разрешаете автозаказ до фиксированной суммы и по проверенным категориям, остальное — на согласование.
3. Полная автономность точечно. Только там, где месяцы статистики показали устойчивое качество, с обязательным логированием каждого решения.

Отдельно держите под контролем стоимость самой модели: языковые агенты платятся за объём обработанного контекста, и цикл, который лишний раз перечитывает всю историю продаж, способен обойтись дороже сэкономленного неликвида.

* Агент — программа на основе модели, которая не только выдаёт ответ, но и сама вызывает внешние инструменты (базы, API, скрипты) и совершает действия для достижения цели, повторяя цикл «оценил ситуацию — выбрал действие — проверил результат».