Искусственный интеллект в закупках

Искусственный интеллект в закупках — это совокупность технологий и методов машинного обучения, обработки естественного языка и анализа данных, применяемых для автоматизации, оптимизации и повышения эффективности процессов снабжения, закупочной деятельности и управления цепочками поставок. Внедрение ИИ позволяет сократить время на рутинные операции, снизить операционные и закупочные затраты, минимизировать человеческий фактор и повысить прозрачность закупочных процедур.

История и предпосылки внедрения

Первые эксперименты по автоматизации закупок с использованием правил и простых алгоритмов относятся к 1990-м годам, когда появились электронные торговые площадки (B2B). Однако полноценное применение методов искусственного интеллекта стало возможным в 2010-х годах благодаря росту вычислительных мощностей, накоплению больших массивов данных (Big Data) и развитию алгоритмов глубокого обучения.

Ключевыми факторами, стимулировавшими внедрение ИИ в закупках, стали:

• Усложнение цепочек поставок — глобализация привела к росту числа поставщиков, логистических маршрутов и рисков.
• Необходимость снижения затрат — в условиях конкуренции компании ищут способы сокращения закупочных бюджетов без потери качества.
• Требования к прозрачности — в государственных и корпоративных закупках (особенно в России, где действует Федеральный закон № 44-ФЗ и № 223-ФЗ) возрастает потребность в аудите и предотвращении коррупции.
• Развитие облачных технологий — SaaS-решения сделали ИИ-инструменты доступными для среднего и малого бизнеса.

Основные направления применения

Автоматизация рутинных операций

ИИ способен выполнять задачи, ранее требовавшие участия человека: распознавание и ввод данных из счетов-фактур и договоров (с использованием оптического распознавания символов и NLP), категоризация товаров и услуг, проверка документов на соответствие требованиям. Это позволяет сократить время обработки заявки с нескольких часов до нескольких минут.

Прогнозирование спроса и потребностей

Алгоритмы машинного обучения анализируют исторические данные о закупках, сезонность, рыночные тренды и внешние факторы (например, погоду или экономические индикаторы) для точного прогноза потребности в материалах и товарах. Это помогает избежать дефицита или избыточных запасов, снижая затраты на хранение.

Управление поставщиками

ИИ используется для оценки и ранжирования поставщиков по таким критериям, как цена, качество, сроки поставки, финансовая устойчивость и репутация. Системы могут автоматически выявлять риски (например, задержки или банкротство контрагента) и рекомендовать альтернативных поставщиков. В России такие решения применяются, в частности, на электронных площадках, работающих по 44-ФЗ.

Оптимизация ценообразования и переговоров

Роботизированные системы (RPA) и ИИ-агенты могут анализировать рыночные цены, историю торгов и поведение конкурентов, чтобы предлагать оптимальную начальную цену закупки или рекомендовать стратегию переговоров. В некоторых системах реализованы «умные» чат-боты, которые ведут переписку с поставщиками по стандартным вопросам.

Выявление аномалий и мошенничества

Методы машинного обучения позволяют обнаруживать подозрительные транзакции, сговоры между участниками торгов, искусственное завышение цен или необоснованные отклонения от стандартных процедур. Это особенно актуально для государственных закупок, где контроль за расходованием бюджетных средств строг.

Технологии и инструменты

В основе решений для ИИ в закупках лежат следующие технологии:

• Машинное обучение (ML) — для построения прогнозных моделей, кластеризации поставщиков и классификации товаров.
• Обработка естественного языка (NLP) — для анализа текстов контрактов, спецификаций, отзывов и переписки.
• Компьютерное зрение — для распознавания документов и штрих-кодов.
• Роботизированная автоматизация процессов (RPA) — для выполнения повторяющихся действий в информационных системах (например, в SAP или 1С).
• Рекомендательные системы — для подбора оптимальных поставщиков или условий закупки.

На российском рынке представлены как зарубежные платформы (SAP Ariba, Coupa, Jaggaer), так и отечественные разработки, адаптированные под требования 44-ФЗ и 223-ФЗ. Среди российских решений — модули на базе 1С, платформа «ЭТП ГПБ» (Электронная торговая площадка Газпромбанка), а также специализированные AI-сервисы от компаний-разработчиков в сфере закупок.

Примеры внедрения

• Крупные промышленные корпорации (например, «Росатом», «Газпром», «Сбер») используют ИИ для прогнозирования потребностей в материалах и автоматизации проверки контрагентов. Внедрение позволило сократить время согласования заявок на 30–50 %.
• Государственные закупки — в Единой информационной системе (ЕИС) в сфере закупок применяются алгоритмы для выявления картельных сговоров и аномально низких цен. По данным Федеральной антимонопольной службы (ФАС) России, использование ИИ повысило эффективность контроля.
• Ритейл — сети, такие как X5 Group и «Магнит», используют ИИ для управления ассортиментом и автоматического заказа товаров на основе прогноза спроса, что снизило долю неликвидных запасов.

Преимущества и ограничения

Преимущества

• Скорость — обработка тысяч заявок и документов за секунды.
• Точность — снижение ошибок, связанных с человеческим фактором.
• Экономия — сокращение затрат на закупки на 5–15 % в среднем по отраслям.
• Прозрачность — полная аудируемость всех решений, принятых ИИ.

Ограничения и риски

• Качество данных — ИИ требует чистых, структурированных и актуальных данных. В российских компаниях часто наблюдается фрагментация данных по разным системам.
• Чёрный ящик — сложность объяснения решений, принятых нейросетями, что может вызывать недоверие у заказчиков и контролирующих органов.
• Юридическая ответственность — в случае ошибки ИИ (например, неверного прогноза или выбора недобросовестного поставщика) вопрос об ответственности остаётся нерешённым.
• Зависимость от поставщиков технологий — использование зарубежного ПО несёт риски, связанные с санкциями и ограничениями.

Перспективы развития

Ожидается, что в ближайшие годы искусственный интеллект в закупках будет развиваться в следующих направлениях:

• Интеграция с блокчейном — для создания неизменяемых записей о транзакциях и проверке происхождения товаров.
• Автономные закупки — системы, способные самостоятельно заключать контракты на основе заданных правил и прогнозов (смарт-контракты).
• Углублённая аналитика рисков — использование ИИ для оценки геополитических, экологических и социальных рисков в цепочках поставок.
• Развитие отечественных платформ — в условиях импортозамещения российские компании активно разрабатывают собственные AI-решения, адаптированные к локальному законодательству.

Источники

1. Федеральный закон от 05.04.2013 № 44-ФЗ «О контрактной системе в сфере закупок товаров, работ, услуг для обеспечения государственных и муниципальных нужд».
2. Федеральный закон от 18.07.2011 № 223-ФЗ «О закупках товаров, работ, услуг отдельными видами юридических лиц».
3. Доклад «Искусственный интеллект в закупках: мировой опыт и российская практика» — НИУ ВШЭ, 2023.
4. Материалы конференции «Цифровизация закупок — 2024» (Москва, 2024).
5. Публикации ФАС России о применении алгоритмов для выявления нарушений в госзакупках (2022–2024).
6. Отчёты компаний SAP, Coupa, 1С о внедрении AI-решений в закупочные процессы.