ИИ для закупок: как автоматизировать снабжение, поставщиков и КП

Фармацевтический гигант Bristol Myers Squibb 3 года назад тратил на оформление одной закупки больше времени, [1] чем уходит на рождение ребенка — так шутил гендиректор компании о старых процессах снабжения. В январе 2026 года издание SupplyChainBrain рассказало, как ситуация изменилась. Новый директор по закупкам Паула Гликенхаус запустила «пересборку» отдела на базе агентной платформы Globality, [2] и результат превзошел ожидания: команда стала обрабатывать в 10 раз больше тендеров, вышла на оборот свыше 1 млрд долларов через платформу за 10 месяцев и сократила штат вдвое при том же объеме задач, работая на 70% быстрее прежнего аутсорс-подрядчика.

У финансовой корпорации Invesco, которая внедряла тот же инструмент параллельно, экономия превысила плановую в 2,5 раза, а систему запустили в работу за несколько недель вместо долгих месяцев. [3]

Цифры показывают простую вещь: рутина в снабжении поддается автоматизации быстрее, чем кажется. И ии для закупок перестал быть темой отдаленного будущего — он уже экономит деньги конкретным компаниям.

В статье разберем, где технология реально помогает, чем ассистент отличается от агента, как контролировать риски и с чего начать внедрение ИИ в закупках.

Какие задачи закупок можно ускорить с помощью ИИ

Снабженец тратит массу времени на однотипные операции. Сбор коммерческих предложений, сверка позиций в Excel, проверка контрагентов, чтение договоров. Именно здесь машина обгоняет человека.

Исследование Wharton Human-AI Research и GBK Collective «Accountable Acceleration» (октябрь 2025) [4] зафиксировало резкий рост: 94% руководителей в закупках используют генеративный ИИ хотя бы 1 раз в неделю, и это на 44 % пункта больше, чем годом ранее — самый большой прирост среди всех бизнес-функций. Спрос понятен. Объем данных растет, а сроки сжимаются.

Вот задачи, которые ускоряются в первую очередь:

• поиск и предварительная проверка поставщиков;
• сравнение коммерческих предложений и нормализация номенклатуры;
• анализ договоров, спецификаций и заявок;
• прогноз потребности и планирование регулярных закупок;
• мониторинг рисков и отклонений от условий контракта.

McKinsey оценивает: [5] связка ИИ-инструментов способна сделать закупочную функцию на 25–40% эффективнее. А в дистрибуции экономия распределяется так:

• запасы сокращаются на 20–30%;
• логистика — на 5–20%;
• закупочные расходы — на 5–15%.

Нейросети для закупок хорошо работают там, где много повторяющихся операций и структурированных данных. Чем чище данные, тем выше отдача.

Как обычные люди собирают сайты и ботов на нейросетях и начинают зарабатывать онлайн

Вышел бесплатный 5-дневный онлайн-мастер-класс, на котором показывают, как за несколько вечеров собрать простой сайт или бота с платной подпиской и подключёнными платежами — без опыта в программировании.

Николай Волосянков — автор проектов на нейросетях, основатель онлайн-университета интернет-профессий Universus.

Что разбирают за 5 дней мастер-класса:

• ✓ Как устроены нейросети простыми словами и почему сейчас на них строят новые онлайн-сервисы.
• ✓ Пошагово показывают, как из обычной идеи сделать рабочий сайт: от текста и дизайна до первых пользователей.
• ✓ Как подключить оплату и платную подписку, чтобы сайт или сервис могли приносить деньги автоматически.
• ✓ Как собрать бота в популярных мессенджерах, который отвечает людям и принимает оплату без участия владельца.
• ✓ Какие реальные способы заработка используют участники: от первых продаж в течение недели до стабильного дохода с цифрового актива.

Записаться на мастер-класс

Уже начали обучение 12 350 человек

Когда ИИ полезен в снабжении компании

Технология не универсальна. Она дает результат на конкретных участках, где важны скорость, объем и точность. Ниже разберем 4 ключевых сценария.

Планирование регулярных закупок и потребляемых материалов

Для промышленных предприятий ремонт и обслуживание оборудования, это одна из самых затратных статей бюджета. Расходники, запчасти, СИЗ, канцелярия закупаются постоянно и неравномерно. Такие позиции называют регулярно потребляемыми материалами.

Хороший пример «ЕВРАЗ». [6] Компания столкнулась с типичной болью: мелкие закупки инструментов и электродеталей выматывают снабженцев, а сотрудники месяцами ждут нужную «мелочевку». Решением стал внутренний маркетплейс на стеке «1С» и «Битрикс». [7] Доступ к покупкам получили около полутора тысяч ответственных заявителей из 50 000 сотрудников, а поставщиков отобрали через тендер — их всего 18.

Алгоритмы же анализируют историю потребления и выделяют регулярные позиции автоматически. Результат — меньше замороженных денег на складе и неликвида. Классический ручной подход тут проигрывает: человек смотрит на продажи прошлого месяца, а если товара не было половину периода, план получается заниженным, и снабжение снова уходит в дефицит.

Сегментация номенклатуры и прогноз потребности

Точный прогноз — основа разумных закупок. Unilever внедрил систему совместного планирования с Walmart Mexico под названием Sky. [8] По опубликованным данным, нейросеть ежедневно генерирует более 3,1 млн прогнозных комбинаций и запускает пополнение по стране. Итог — 98% доступности товара на полке и 12% рост продаж меньше чем за 1 год при снижении запасов.

Еще пример от того же производителя. В Швеции анализ погодных данных повысил точность прогноза спроса на мороженое примерно на 10%. [9] Машина видит связи, которые человек упускает: сезонность, промо, погоду, поведение покупателей.

Поиск и предварительный отбор поставщиков

Ручной поиск поставщиков отнимает дни. Менеджеры сидят в переписке вместо анализа условий. Здесь ускорение особенно заметно.

Российский сервис DocsInBox в апреле 2026 года запустил ИИ-закупщика для кафе и ресторанов. [10] По данным компании, регулярные тендеры среди поставщиков дают 7–10% экономии, а при работе с одним привычным поставщиком без мониторинга рынка переплата достигает 15–30%.

Сооснователь DocsInBox Леонид Довбенко пояснил, что весь цикл проходит автоматически, а закупщик подключается только на этапе финального решения. Задачи первичного сбора данных о рынке хорошо закрывают и универсальные нейросети для поиска информации, которые помогают быстро собрать профили компаний и отзывы.

Именно на этом этапе раскрывается ии для поиска закупок и подходящих контрагентов: система семантически понимает суть запроса, а не просто фильтрует по формальным признакам.

Сравнение коммерческих предложений

Свести десятки КП в одну таблицу вручную — долго и с ошибками. Позиции у поставщиков названы по-разному, единицы измерения не совпадают.

Российская система «Синтека» в связке с площадкой «Закупай» решает это точечно. [11] Нейросеть унифицирует номенклатуру, пересчитывает объемы, стоимость и выводит результат в сравнительной таблице.

На площадке зарегистрировано более 5000 поставщиков из 36 регионов. Логика та же, что у бытовых сервисов: как нейросети сравнения товаров помогают выбрать покупку, так корпоративные инструменты выбирают лучшего поставщика по цене и срокам.

«Главная ошибка на старте — пытаться сравнивать предложения, не наведя порядок в справочниках. Пока номенклатура у поставщиков и внутри компании не приведена к общему виду, любой алгоритм будет спотыкаться. Сначала данные, потом автоматизация», — отмечает Павел Томник, куратор отдела обучения «Универус».

ИИ-ассистент и ИИ-агент для отдела закупок: в чем разница

Эти 2 понятия часто путают. Разница принципиальная и касается уровня самостоятельности. Ниже сравнение двух форматов ИИ в закупках: что делает ассистент, чем отличается агент, где у него есть границы и с чего лучше начинать внедрение.

Из этого сравнения видно простое правило: сначала лучше запускать ассистента на понятной задаче, а к агенту переходить тогда, когда процессы уже настроены и данные приведены в порядок.

Анализ документов, договоров, спецификаций и заявок

Здесь ИИ показывает себя особенно ярко. Договоры, счета, техзадания, это все горы неструктурированного текста, который традиционные программы читать не умеют.

JPMorgan Chase масштабировал опыт ранней платформы COiN, внедрив экосистему генеративного ИИ LLM Suite для автоматизации юридических и финансовых процессов. [12] Сегодня автономные ИИ-агенты банка за секунды анализируют массивы сложных контрактов, извлекая скрытые ковенанты и оценивая риски, что освобождает сотни тысяч часов ручной работы ежегодно.

Важный нюанс. ИИ не принимает юридических решений сам. Он подсвечивает зоны внимания и снижает риск пропустить критичную деталь. Финальное слово за специалистом.

Вот, к примеру, Российский кейс «НСПК» показывает это наглядно. [13] Директор по закупкам Национальной системы платежных карт Гагик Аветисян на форуме VPROC 2026 (Москва, 25-27 марта) рассказал об «онлайн-аудиторе» техзаданий.

По материалам выступления, систему обучали на миллионах заданий из «ЕИС», помеченных, как «эталонные» и «плохие». Алгоритм сверяет требования с предметом закупки и базой контрагентов и может прямо указать: «Вы требуете лицензию МЧС, но у вас нет пожарных работ» или «Исходя из критериев, это ТЗ написано под конкретную компанию». Отдельно Аветисян отметил проблему «подхалимажа» ИИ: генеративные модели склонны соглашаться с пользователем, даже когда он неправ, и на обучение критическому мышлению ушло несколько месяцев.

Как ИИ помогает контролировать риски поставщиков

Риск поставщика редко приходит с предупреждением. Финансовые проблемы, срыв сроков, санкции всплывают, когда уже поздно. ИИ меняет логику: от тушения пожаров к раннему предупреждению.

Система непрерывно отслеживает сотни источников: новости, финансовую отчетность, данные о поставках, регуляторные базы, и замечает тревожные сигналы раньше человека. Например, стабильный средний срок поставки в 12 дней при росте разброса с ±1 до ±5 дней уже говорит о проблеме, хотя средняя «выглядит нормально».

BMW применяет модели ИИ для прогноза сбоев поставщиков. [14] По опубликованным данным, точность классификации достигает 86%, а число производственных сбоев из-за поставщиков снизилось примерно на 35%.

Концерн развернул ИИ-агентов на объеме закупок около 90 млрд долларов в год и сети поставщиков в 140 странах, выявляя аномалии на несколько месяцев раньше прежних методов.

Отдельная тема — контроль внутри самих закупок. Нейросеть для контроля закупок ищет отклонения, дубли счетов, завышенные цены и признаки сговора. По оценкам отраслевых аналитиков, [15] компании с риск-ориентированным управлением закупками сообщают о снижении потерь выручки от срывов поставок примерно на 30%.

Российская строительная компания «ИТС» использует сервис «Тринити». Нейросеть, доступная через Telegram-бот, проверяет закупку по 18 параметрам в трех группах: экономика, надежность поставщика, техническое соответствие.

Такой формат контроля снижает себестоимость закупок на 4–8% и предотвращает скрытые потери, а средняя экономия по одному отрицательному заключению системы составляет 12%. В 90% случаев «Тринити» подтверждает выбранный вариант закупки, что укрепляет уверенность в решении.

«ИИ в снабжении лучше воспринимать как второго контролера, а не как замену закупщику. Он не устает, не берет откатов и просматривает все документы подряд. Но контекст рынка, переговоры и репутационные нюансы остаются за человеком. Сильный результат дает именно связка: опытный менеджер плюс алгоритм», — комментирует Павел Томник, «Универус».

Чем закупки отличаются от тендеров и госзакупок

Коммерческие закупки и госзакупки — разные миры, хотя инструменты ИИ похожи.

Коммерческая закупка регулируется договором и внутренними правилами компании. Здесь свобода выбора поставщика шире, а главная цель — цена, качество и сроки. Госзакупки жестко регламентированы законами 44-ФЗ и 223-ФЗ, с формальными процедурами и публичной отчетностью.

Масштаб госсегмента огромен. По данным Минфина [16] и «Коммерсанта», [17] в 2024 году по 44-ФЗ заключили 3,58 млн контрактов на 11,98 трлн рублей, а закупки госкомпаний по 223-ФЗ достигли рекордных 35,3 трлн рублей. При этом среднее число заявок на процедуру по итогам 2025 года составило всего 2,44 — конкуренция остается невысокой.

Государство тоже внедряет ИИ. По данным government.ru, [18] ФАС создала государственную систему «Антикартель» на платформе «ГосТех» (правовая основа — закон от 24 июня 2025 года, вступивший в силу 1 августа 2025-го). Система автоматически обрабатывает 9,6 млн торгов по 20 техническим и поведенческим критериям, применяет риск-ориентированную модель «светофор» и ищет признаки сговора: общий IP, MAC-адреса, метаданные файлов, аффилированность участников, подозрительное снижение цены. Она интегрирована с ЕИС и ГИС «Торги». По словам главы ФАС Максима Шаскольского, [18] доля картелей, раскрытых с помощью системы, выросла с 21% в 2025 году до 40% к маю 2026. При этом плановое наращивание доли нарушений, выявляемых именно ИИ, до 80% к 2027 году, это прогнозный показатель из закупочной документации, а не достигнутый результат.

Свежий отраслевой пример — кейс iStockLink, описанный в обзоре TAdviser за 2026 год. [19] Крупный производитель растительного масла из топ-3 рынка после ухода SAP и закрытия прежней электронной торговой площадки запустил новую платформу закупок полного цикла менее чем за месяц.

Результат — сокращение ручной работы и экономия за счет конкурентных процедур. Кейс показывает, что быстрые внедрения без многолетних трансформационных проектов уже стали нормой на российском рынке.

Для поставщика разница в подходе к автоматизации. В тендерах ИИ мониторит площадки, читает многостраничную документацию и оценивает шансы на победу. Подробнее об этом в материале про ИИ для работы с тендерами.

Как внедрить ИИ в закупочный процесс

Внедрение начинается не с технологий, а с подготовки. Компании, которые пытаются автоматизировать все и сразу, чаще застревают на старте.

Данные, интеграции с ERP/CRM и роли сотрудников

1. Порядок в данных. Без чистой истории закупок, актуальных остатков и единого справочника номенклатуры любая модель работает плохо. Опыт «НСПК» показывает, что ИИ — это результат зрелости процесса, а не его начало. При этом опыт Bristol Myers Squibb говорит и о другом: ждать «идеальных» данных не стоит, структура данных проясняется уже в процессе внедрения, и затягивание старта обходится дороже, чем работа с несовершенной базой на первом этапе.
2. Интеграции. Инструмент должен связываться с 1С, ERP и CRM, чтобы подтягивать номенклатуру, цены и историю. Например, «Синтека» синхронизируется с 1С и Битрикс24, а система разграничивает права: закупщик, руководитель, финансовое согласование.
3. Роли людей. ИИ не увольняет снабженца, он меняет его работу. Рутинные решения автоматизируются, а специалист переходит к управлению исключениями и стратегии. Unilever оценивает, что автоматизация прогнозирования способна снизить ручной труд в этой зоне примерно на 30%, освобождая людей для более сложных задач.

Отдельный барьер в России — информационная безопасность. Работу с бюджетами, ценами и поставщиками относят к чувствительной зоне, поэтому многие компании обучают ИИ в закрытом контуре. Попытка «НСПК» подключиться к публичным моделям была заблокирована службой безопасности.

Метрики эффективности и контроль качества

Без измеримых метрик оценить отдачу невозможно. Стоит замерить базовые показатели до старта и сравнить после.

Полезно отслеживать:

• среднюю длительность цикла закупки от потребности до поставки,
• процент ручных операций и высвобожденные ресурсы,
• точность прогноза спроса и уровень дефицита,
• объем неликвидных запасов и оборачиваемость,
• экономию от сокращения потерь и отклонений.

Контроль качества обязателен. ИИ ошибается на неполных данных и склонен «соглашаться» с пользователем. Поэтому финальные решения проверяет человек, а модель регулярно донастраивают.

Глобальный рынок ИИ-решений именно для закупок, по оценке аналитиков Market.us, [20] может вырасти с 1,9 млрд долларов в 2023 году до 22,6 млрд к 2033 при среднегодовом росте около 28%. Направление задано, и порог входа снижается.

Заключение

Ии для отдела закупок уже не эксперимент, а рабочий инструмент с измеримой отдачей. Свежие кейсы Bristol Myers Squibb, Invesco, «ЕВРАЗ» и «НСПК» показывают одно: технология берет на себя рутину, ускоряет цикл и снижает потери, оставляя человеку стратегию и ответственность.

Начинать разумно с малого. Один процесс, чистые данные, понятная метрика. Дальше — масштабирование. А нейросети в закупках дадут максимум там, где их совмещают с опытом сильного специалиста, а не противопоставляют ему.

Тем, кто хочет разобраться в инструментах и научиться применять их на практике, полезно освоить навыки работы с ИИ системно — это открывает и новые карьерные возможности, и свободу от рутины.

Отзывы от учеников «Универус»

«Пришел на курс с недоверием — думал, ИИ это для айтишников. Оказалось, все объясняют человеческим языком. Уже настроил проверку договоров через нейросеть, экономлю по несколько часов в неделю. Жалею только, что не начал раньше».

Игорь, 54 года, начальник отдела снабжения

«Больше всего ценю практику. Каждый модуль — реальная задача из работы, а не сухая теория. Научилась сводить КП автоматически, теперь коллеги приходят за советом. Появилось ощущение, что снова расту профессионально».

Марина, 47 лет, менеджер по закупкам

«Держу небольшую торговую компанию, закупками занимался сам и тонул в рутине. После обучения выстроил прогноз потребности и перестал замораживать деньги в неликвиде. Технологии, оказывается, доступны и в моем возрасте».

Сергей, 61 год, предприниматель

«Курс дал понимание, как отличать полезный инструмент от хайпа. Перестала бояться новых сервисов и стала быстрее готовить заявки. Отдельное спасибо за поддержку кураторов — отвечали на любые вопросы».

Ольга, 39 лет, специалист по тендерам