AI-агенты в закупках: что умеют и где ломаются

Что происходит с автоматизацией закупок

За последний год закупочный софт обзавёлся новым слоем — автономными агентами. SAP анонсировала линейку помощников Joule для своих модулей, включая Ariba; Coupa раскатывает набор ИИ-функций под брендом Navi; Microsoft продвигает агентов на базе Copilot Studio, которые встраиваются в Dynamics 365. Общая идея одинаковая: не подсказка в чате, а исполнитель, который сам проходит цепочку шагов — от поиска поставщика до формирования заявки на закупку.

Разница с прежними чат-ботами принципиальная. Раньше система отвечала на вопрос «покажи остатки по складу». Агент* получает задачу «найди трёх поставщиков этой номенклатуры дешевле текущего контракта, сравни сроки и подготовь черновик заявки» — и выполняет её последовательными действиями, обращаясь к каталогу, почте и внутренним справочникам. Цена вопроса для бизнеса измеряется не в удобстве, а в часах закупщика и в размере скидки, которую он успеет выбить.

Что агенты реально делают в закупках

Если убрать маркетинговые формулировки, сегодняшние агенты закрывают несколько повторяющихся операций:

• Поиск и первичный отбор поставщиков — по каталогу вендора и открытым источникам, с фильтром по цене, географии и наличию.
• Сравнение коммерческих предложений — сведение разных прайсов в одну таблицу, подсветка расхождений в условиях оплаты и доставки.
• Черновики документов — заявка на закупку, запрос предложений, проект письма поставщику. Не отправка, а именно черновик на согласование.
• Контроль соответствия — сверка заказа с внутренними лимитами и утверждёнными контрактами, флаг на выход за бюджет.
• Мониторинг рисков — отслеживание изменений по поставщику (просрочки, изменение реквизитов) и уведомление ответственного.

Ключевое ограничение: большинство продакшн-сценариев работают в режиме «человек в контуре». Агент готовит и предлагает, финальное действие — заказ, платёж, подпись — подтверждает человек. Полностью автономные закупки без утверждения вендоры демонстрируют на пилотах, но в стандартных лицензиях этого по умолчанию нет.

Агент, который сам ищет поставщика, — это ускоритель рутины. Агент, который сам подписывает контракт, — это юридический и финансовый риск, который пока никто не хочет брать на себя.

Сравнение решений

Публичных бенчмарков, которые честно измеряли бы качество закупочных агентов на одинаковых задачах, на сегодня нет — поэтому сравнивать корректно только по заявленным возможностям и модели доступа, а не по «уму». Ниже — что известно из официальных материалов вендоров.

Цены на все перечисленные продукты корпоративные и обсуждаются индивидуально: публичных прайсов вендоры для этих модулей, как правило, не публикуют. Актуальные условия и состав функций уточняйте на официальных страницах SAP, Coupa и Microsoft — набор возможностей меняется от релиза к релизу.

Почему кастомный вариант вообще в списке

Если ваши данные о поставщиках лежат не в SAP и не в Coupa, а в 1С, самописной ERP или таблицах, готовый агент вендора туда просто не дотянется. Тогда рассматривают собственную сборку: языковая модель плюс RAG** по внутренней базе договоров и прайсов. Плюс — контроль и приватность. Минус — вы сами отвечаете за качество, безопасность и обновления, а это отдельная команда и бюджет.

Кому это пригодится, а кому нет

Автономный агент оправдан там, где закупок много, они однотипные и хорошо оцифрованы.

• Пригодится: компании с сотнями SKU и десятками поставщиков, где закупщик тратит часы на сведение прайсов и рутинные заявки. Здесь агент экономит время на первичном отборе и снижает число ручных ошибок в документах.
• Пригодится: организации, уже сидящие в SAP или Coupa целиком — им агент достаётся как надстройка над данными, которые и так структурированы.
• Скорее нет: малый бизнес с несколькими сделками в месяц. Настройка, лицензии и контроль обойдутся дороже сэкономленного времени.
• Скорее нет: закупки уникальных, сложно специфицируемых позиций (проектное оборудование, услуги под ТЗ), где решение всё равно принимает инженер, а не алгоритм.
• Осторожно: любые сценарии с чувствительными данными о ценах и контрагентах, если агент работает через внешнее облако вендора без внятного соглашения об обработке данных.

Главные риски, о которых молчит маркетинг

Три вещи, которые стоит проверить до внедрения:

1. Галлюцинации в цифрах. Языковая модель может уверенно свести неверную сумму или перепутать условия оплаты. Для закупок это прямые деньги, поэтому сверка человеком по критичным полям обязательна.
2. Куда уходят данные. Прайсы и список поставщиков — коммерческая тайна. Уточняйте, обрабатываются ли ваши данные в изолированном контуре и не используются ли для обучения общей модели.
3. Ответственность за действие агента. Если агент отправил заказ по ошибочной цене, отвечает компания, а не вендор. Отсюда правило: чем выше сумма, тем жёстче должен быть порог ручного подтверждения.

* Агент — программа на основе языковой модели, которая не просто отвечает на вопрос, а выполняет задачу последовательными действиями: обращается к данным, инструментам и внешним системам, оценивает результат и делает следующий шаг.

** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает нужные фрагменты из вашей базы (договоров, прайсов, справочников) и опирается на них, а не только на то, что запомнила при обучении.