ИИ-агенты в фарме: кто управляет цепочкой поставок лекарств

Что происходит

Крупные поставщики систем управления цепочками поставок — SAP, Blue Yonder, Kinaxis — за последние полтора года добавили в свои платформы модули на базе LLM, которые вендоры называют «агентами»*. Речь не о чат-ботах для отчётов, а о софте, который сам формирует заказ поставщику, перераспределяет запасы между складами и поднимает тревогу, когда партия вакцины рискует выйти за температурный коридор. В фарме, где просроченная или испорченная партия — это не убыток, а отзыв продукции и разбирательство с регулятором, ставки выше, чем в рознице.

Отдельная волна — стартапы, которые строят агентов поверх GPT-4o, Claude и открытых моделей вроде Llama, обучая их на данных конкретного дистрибьютора. Обещание одно: сократить время реакции на дефектуру (нехватку препарата) с дней до часов и убрать часть ручного планирования, которое сейчас держится на Excel и телефонных звонках.

Чем агент отличается от обычной аналитики

Классические системы планирования спроса тоже прогнозируют потребность и предлагают закупку. Разница в том, что аналитическая система выдаёт рекомендацию, а человек нажимает кнопку. Агент задуман так, чтобы часть решений принимать и исполнять самостоятельно в заданных рамках: сам отправить заказ, если запас упал ниже порога, сам переключить маршрут доставки, если по трассе перекрыто движение.

Ключевое слово — «в заданных рамках». Ни один серьёзный вендор в фарме не отдаёт агенту полную автономию: критичные операции (выпуск партии в оборот, изменение поставщика активной субстанции) остаются за человеком. Агент готовит решение, обосновывает его и ждёт подтверждения — либо действует сам только в узкой, заранее очерченной зоне.

Агент в фарме ценен не тем, что решает за человека, а тем, что за секунды собирает контекст, на который у планировщика уходит полдня: остатки по складам, статус партий, погоду на маршруте и историю срывов конкретного поставщика.

Где это уже приносит пользу

• Прогноз спроса на сезонные препараты. Модель учитывает не только историю продаж, но и внешние сигналы — уровень заболеваемости, данные по регионам, календарь.
• Контроль холодовой цепи. Агент отслеживает показания датчиков температуры в реальном времени и реагирует на отклонения до того, как партия испорчена, а не после.
• Реакция на дефектуру. Когда препарат пропадает у одного поставщика, агент за минуты находит альтернативу, проверяет её по реестру и предлагает замену.
• Разбор документации. LLM неплохо вытаскивает данные из сертификатов, накладных и деклараций — это скучная ручная работа, которую агент делает быстрее.

Сравнение подходов

На рынке три принципиально разных пути: расширить существующую ERP-платформу, купить специализированный SaaS для фармы или строить агента на своих данных поверх коммерческой LLM. У каждого своя цена входа и свои ограничения.

Цены на такие внедрения публично почти никто не называет — они собираются под проект и зависят от числа складов, номенклатуры и объёма интеграций. Ориентироваться на «прайс с сайта» здесь не выйдет; бюджет считают на этапе пилота.

Где агенты спотыкаются

Главная проблема LLM в критичной инфраструктуре — галлюцинации. Модель может уверенно предложить заменить препарат аналогом, который на самом деле не взаимозаменяем, или сослаться на несуществующий сертификат. В рознице это неудобство, в фарме — риск для пациента. Поэтому агенту дают доступ к проверенным источникам через RAG**, а критичные шаги закрывают ручным подтверждением.

Вторая проблема — данные. Агент хорош ровно настолько, насколько чисты остатки на складах и статусы партий. Если в системе учёта бардак, ИИ его не исправит, а лишь автоматизирует ошибки быстрее.

Третья — регуляторика. Фарма — жёстко контролируемая отрасль. Автономное решение системы должно быть прослеживаемым: кто, когда и на каком основании его принял. «Так решил ИИ» — не ответ для проверяющего.

Кому это пригодится и кому нет

Пригодится:

• Дистрибьютору с десятками складов и тысячами позиций, где планировщики физически не успевают отслеживать все риски вручную.
• Производителю биопрепаратов, где холодовая цепь критична и цена испорченной партии измеряется миллионами.
• Аптечной сети, которая теряет продажи из-за локальной дефектуры и хочет быстрее перебрасывать остатки между точками.

Не пригодится или преждевременно:

• Небольшой аптеке с одной точкой и понятным ассортиментом — тут ручного планирования и простой аналитики достаточно.
• Компании, у которой данные учёта не в порядке: сначала наведите порядок в учёте, потом думайте про агентов.
• Тем, кто ждёт полной автономии «поставил и забыл» — в фарме это пока не про закон и не про здравый смысл.

Что делать, если приглядываетесь

1. Начните с одного узкого сценария — например, контроль холодовой цепи, а не «управление всей цепочкой».
2. Запустите пилот на реальных, но ограниченных данных и сравните решения агента с решениями планировщиков за тот же период.
3. Заранее очертите зону автономии: что агент делает сам, а что только предлагает.
4. Проверьте прослеживаемость: каждое действие агента должно логироваться так, чтобы вы могли объяснить его регулятору.
5. Считайте не только экономию, но и стоимость ошибки, которую агент может совершить в этой зоне.

* Агент — программа на базе языковой модели, которая не просто отвечает на запрос, а сама выполняет цепочку действий для достижения цели: собирает данные, вызывает внешние сервисы, принимает решения в заданных рамках.

** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом достаёт факты из проверенной базы (реестры, справочники, документы компании), а не полагается только на то, что «помнит». Снижает риск выдумок.