Программатик-закупки

Программатик-закупки — это автоматизированный процесс приобретения товаров и услуг для нужд организации, основанный на использовании программных алгоритмов, анализа больших данных и машинного обучения для принятия решений о выборе поставщика, цене и условиях сделки. В отличие от традиционных закупок, где ключевые решения принимаются человеком на основе ограниченного набора данных, программатик-закупки стремятся к полной или частичной автоматизации цикла «поиск — оценка — торги — контрактация — контроль исполнения».

История и предпосылки возникновения

Термин «программатик-закупки» (от англ. programmatic procurement) возник в середине 2010-х годов как развитие концепций электронных закупок (e-procurement) и автоматизации бизнес-процессов. Предпосылками стали:

• Рост объёмов данных — появление цифровых платформ, содержащих миллионы коммерческих предложений, реестров контрактов и рейтингов поставщиков.
• Развитие технологий машинного обучения — возможность обрабатывать неструктурированные данные (тексты договоров, спецификации, отзывы) и выявлять скрытые закономерности.
• Усложнение цепочек поставок — глобализация и необходимость управления тысячами позиций в режиме реального времени.
• Требования к снижению издержек — компании искали способы сократить время на рутинные операции и минимизировать человеческий фактор (ошибки, коррупция).

Первыми внедрять программные алгоритмы в закупки начали крупные технологические корпорации (Google, Amazon, Microsoft) и ритейлеры, где объём транзакций исчислялся миллионами в год. В государственном секторе пионерами стали США (система GSA Advantage) и страны Европейского союза (единая платформа TED).

Ключевые отличия от традиционных и электронных закупок

Программатик-закупки представляют собой следующий этап эволюции после электронных закупок. Основные различия:

Технологическая основа

Программатик-закупки базируются на нескольких ключевых технологиях:

• Алгоритмы машинного обучения (ML) — используются для классификации товаров (например, автоматическое определение кода ОКПД2), прогнозирования цен на сырьё, выявления аномалий в заявках (потенциальные сговоры или завышение смет).
• Обработка естественного языка (NLP) — позволяет анализировать тексты контрактов, технических заданий и отзывов о поставщиках, извлекая ключевые условия (сроки, гарантии, штрафы).
• Предиктивная аналитика — модели, предсказывающие риск срыва поставок, вероятность банкротства поставщика или оптимальный момент для закупки сезонного товара.
• Роботизированная автоматизация процессов (RPA) — «софтверные роботы», которые выполняют рутинные действия: ввод данных в ERP-систему, отправка уведомлений, формирование отчётов.
• Блокчейн — применяется для создания неизменяемых записей о транзакциях, подтверждения происхождения товаров и автоматического исполнения контрактов (смарт-контракты).

Классификация и виды

В зависимости от степени автоматизации и сферы применения выделяют несколько моделей программатик-закупок:

1. Полностью автоматизированные (end-to-end) — система сама находит поставщика, проводит переговоры (через API), заключает контракт и инициирует оплату. Человек вмешивается только в исключительных случаях (например, при превышении бюджета). Характерны для закупок стандартных товаров (канцтовары, офисная техника, сырьё с биржевыми ценами).
2. Гибридные (человек + алгоритм) — алгоритм предлагает топ-3 варианта с обоснованием, а окончательное решение принимает закупщик. Распространены в сфере сложных услуг (IT-аутсорсинг, консалтинг) или при закупках уникального оборудования.
3. Категорийные (category management) — алгоритмы управляют закупками в рамках отдельной товарной категории (например, «металлопрокат» или «упаковка»), оптимизируя ассортимент и условия поставок.
4. Динамические (spot buying) — система в реальном времени сканирует рынок на предмет неликвидных остатков, срочных распродаж или избыточных запасов у других компаний и предлагает мгновенную сделку.

Применение в России

В Российской Федерации программатик-закупки начали внедряться с 2018–2019 годов, преимущественно в крупных государственных корпорациях и компаниях с государственным участием («Росатом», «РЖД», «Газпром», «Сбер»). Основные направления:

• Автоматизация закупок малого объёма (до 100–500 тыс. руб.) — алгоритмы обрабатывают заявки из внутренних систем и автоматически размещают их на электронных торговых площадках (ЭТП), таких как «Сбербанк-АСТ», «РТС-тендер», «ТЭК-Торг».
• Управление рисками — системы мониторинга благонадёжности поставщиков (например, сервисы «СПАРК-Интерфакс» или «Контур.Фокус») интегрируются с закупочными алгоритмами для автоматической блокировки сомнительных контрагентов.
• Оптимизация закупок топлива и энергоресурсов — в сфере ЖКХ и промышленности алгоритмы прогнозируют потребление и выбирают оптимального поставщика на сутки-двое вперёд.
• Госзакупки по 44-ФЗ и 223-ФЗ — пилотные проекты по автоматическому формированию технического задания на основе типовых шаблонов и анализу ценовых предложений.

Сдерживающими факторами в России являются: сложность интеграции с устаревшими ERP-системами, дефицит квалифицированных кадров (data-инженеров и аналитиков в сфере закупок), а также нормативные ограничения, требующие обязательного участия человека в ряде процедур (например, при рассмотрении заявок на участие в конкурсе).

Преимущества и вызовы

Преимущества

• Скорость — сокращение цикла закупки от заявки до контракта в 3–10 раз.
• Экономия — снижение закупочных цен на 5–15% за счёт более точного анализа рынка и исключения посредников.
• Прозрачность — каждый шаг алгоритма фиксируется в журнале, что снижает коррупционные риски.
• Масштабируемость — система способна обрабатывать миллионы заявок без увеличения штата.

Вызовы и критика

• «Чёрный ящик» — сложность объяснения решений, принятых нейросетью, что противоречит принципу обоснованности закупок в госсекторе.
• Риски алгоритмической дискриминации — если обучающие данные содержат перекос (например, исторически малые предприятия получали меньше контрактов), алгоритм может воспроизводить эту несправедливость.
• Кибербезопасность — автоматизированные системы становятся привлекательной целью для хакеров, способных манипулировать ценами или блокировать закупки.
• Юридическая ответственность — в случае ошибки алгоритма (закупка некачественного товара или срыв сроков) сложно определить, кто несёт ответственность: разработчик, оператор системы или заказчик.

Перспективы развития

Эксперты прогнозируют, что к 2030 году доля программатик-закупок в общем объёме закупок крупных компаний может достигнуть 40–60%. Ключевые тренды:

• Интеграция с IoT — умные датчики на складах будут автоматически генерировать заявки на пополнение запасов.
• Использование генеративного ИИ — нейросети смогут самостоятельно составлять тексты контрактов и технических заданий.
• Развитие децентрализованных платформ — на базе блокчейна, где поставщики и заказчики взаимодействуют напрямую без посредников.

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. Исследование «Programmatic Procurement: The Next Frontier in Digital Transformation» (Deloitte, 2020).
4. Отчёт «Искусственный интеллект в закупках: практика российских компаний» (Ассоциация электронных торговых площадок, 2022).
5. Материалы конференции «Procurement Digital Summit» (Москва, 2023).