Что происходит с рынком ИИ прямо сейчас

Одним из драйверов развития b2b-сегмента в 2024–2025 гг. стал искусственный интеллект. Так, объем российского рынка ИИ в 2024 году составил 130–305 млрд рублей, в то время, как глобальный рынок ИИ-решений именно для закупок, по оценке Market.us, может вырасти с $1,9 млрд в 2023 году до $22,6 млрд к 2033-му, с динамикой роста около 28%. 

Основные факторы роста — давление на маржу, рост объема неструктурированных данных и регуляторная нагрузка. Закупочные процессы генерируют все больше PDF-договоров, писем и прайс-листов в разных форматах — обрабатывать это вручную уже нерентабельно. Одновременно растет объем обязательной документации по 223-ФЗ и 44-ФЗ. Компании, которые внедряют ИИ в закупки, сокращают операционные расходы и снижают трудозатраты на соответствие требованиям без расширения штата.

При этом рынок молод. Несмотря на то что цифровизация называется одним из главных трендов сектора, во многих компаниях закупки по-прежнему ведутся вручную и разрозненно. Более того, 99% российских компаний не могут найти квалифицированных специалистов по ИИ, а санкционные ограничения усложняют доступ к технологическим компонентам. Выбор инструментов и партнера по внедрению становится критически важным.

Как искусственный интеллект меняет закупочный процесс

ИИ применяют в закупках на каждом этапе цикла — от стратегии до контроля исполнения. Например, для автоматизации и улучшения качества данных в закупках: за несколько лет ИИ фактически превратил эту сферу из бумажной рутины в управляемый аналитический процесс. Кроме того, ИИ не просто фиксирует и обрабатывает данные, а помогает принимать решения.

Так, McKinsey подсчитали эффекты внедрения ИИ-инструментов в рамках пяти ключевых процессов: построения стратегии закупок, поиска поставщиков, переговоров с ними, собственно закупки и сохранения ценности. 

Измеримый эффект от внедрения ИИ на всех этапах составил от 2 до 50%

Стратегия. Искусственный интеллект анализирует расходы, выявляет скрытые возможности экономии и помогает выбрать оптимальную категорийную стратегию, что в результате приносит компаниям 5–10% дополнительной экономии.

Поиск поставщиков. Алгоритмы автоматизируют весь цикл выхода на рынок: от поиска контрагентов до генерации запросов предложений и коммуникации с поставщиками. Эффект — двукратный рост в генерации возможностей для экономии.

Переговоры. ИИ в закупках формирует переговорные стратегии на основе данных, моделирует сценарии и помогает добиться лучшей цены и условий сервиса. McKinsey фиксирует рост результативности переговоров до 50%.

Закупочные операции. Системы обеспечивают корректное оформление транзакций, контролируют комплаенс при выборе каналов закупки и отслеживают эффективность поставщиков. Качество сервиса улучшается в 2 раза.

Сохранение ценности закупок. ИИ управляет исполнением контрактов, сверяет счета, выявляет утечки и отклонения от договорных условий. Экономия от сокращения потерь составляет 2–8%.

Рассмотрим конкретный кейс. Перед компанией из производственной сферы стояла задача автоматизировать закупочный цикл. Специалисты часто допускали ошибки из-за ручного ввода данных, что влияло на качество клиентского сервиса. Для решения проблемы компания внедрила четырех AI-агентов. Первый составлял список потенциальных поставщиков, второй — отправлял персонализированные письма, третий — фильтровал отклики с коммерческими предложениями, четвертый — чат-бот, который выполнял функцию личного ассистента. Такой подход на 95% сократил трудозатраты на выполнение рутинных ручных задач, а цикл закупок ускорился в 10 раз. Теперь сотрудники занимаются не заполнением таблиц, а только контролируют процесс. А освободившееся время направили на апселл- и кросс-селл-активности.

ИИ vs автоматизация: как выбрать лучшее

Не каждая задача в закупках требует искусственного интеллекта. Ключевой вопрос: есть ли в задаче вариативность и необходимость в суждении, или процесс полностью детерминирован. Автоматизация достаточна, если:

• Действия всегда идут по одному сценарию — с идентичными шагами и условиями.

• Решение определяется правилом: «если X, то Y».
  

• Данные структурированы и поступают в предсказуемом формате.
  

• Ошибка в процессе стоит дешево и легко исправляется.

Примеры: автоматическое формирование заказа при достижении порога запасов, отправка напоминания о сроке контракта, сверка счета с накладной по реквизитам.

Внедрение AI оправдано, если:

• Объем данных превышает человеческие возможности обработки — сотни поставщиков, тысячи SKU, динамические цены.
  

• Входные данные не структурированы — PDF-договоры, письма, разнородные прайс-листы.
  

• Решение зависит от множества переменных, которые меняются одновременно: цена, надежность, логистика, валютный риск.
  

• Нужно выявить паттерн, который не виден в отдельных транзакциях — например, скрытый сговор поставщиков или системное занижение качества.

Практический тест — три вопроса

1. Можно ли написать правило? Если да, то достаточно будет и автоматизации. Если решение зависит от контекста — то нужен искусственный интеллект.

2. Как часто меняются условия задачи? Стабильный процесс — автоматизация. Высокая вариативность — ИИ.

3. Какова цена ошибки? Чем выше — тем важнее резонность решения. Здесь агентному ИИ нужен человек.

В таблице рассмотрели, какие задачи можно поручить AI и что это даст компании:

Стадия закупочного процесса	Задачи и инструменты ИИ	Пример
Стратегия и аналитика расходов	Предиктивный анализ спроса и рисков, сценарный анализ «что если» для выбора стратегии закупок. В результате повышается прозрачность затрат, снижаются ценовые и операционные риски	Производственная компания загружает в ИИ данные о закупках за три года. Система обнаруживает, что 30% поставщиков однотипных комплектующих дублируют друг друга. AI предлагает консолидировать объемы у двух крупнейших и прогнозирует экономию бюджета 12%
Категорийный менеджмент и поиск поставщиков	Поиск и ранжирование поставщиков, составление рейтингов и риск-оценка. В результате улучшается качество контрагентов	Закупщик вводит в систему «Найти поставщиков офисной бумаги в ЦФО». ИИ анализирует открытые данные и выдает рейтинг из 20 потенциальных поставщиков
Подготовка и проведение закупочных процедур	Генерация и автоматическая проверка документации, сопоставление и оценка коммерческих предложений. В результате сокращается время подготовки документов, снижаются ошибки	Специалист загружает в систему техзадание в свободной форме. AI за 2 минуты генерирует готовый пакет документов для запроса предложений, проверяет его на соответствие 223-ФЗ и подсвечивает раздел, где не хватает обоснования начальной цены
Управление договорами	Автоматическое составление и сравнение договоров с шаблонами, выделение рисковых условий, мониторинг исполнения: напоминания о продлении, изменениях условий. В результате снижаются юридические риски	Юрист тратит на ручную сверку договора 2–4 часа. NLP-система (ИИ на базе обработки естественного языка) за несколько минут извлекает ключевые условия, сравнивает с корпоративным шаблоном и подсвечивает отклонения. Юрист получает размеченный документ и тратит время только на спорные пункты
Оформление заказов и каталоги	Интеллектуальный подбор товаров и услуг из каталогов, рекомендации альтернатив и аналогов. В результате товары становится быстрее и проще выбирать	Инженер вбивает в поиск «винты М4». Система понимает, что ему нужны винты с потайной головкой, и предлагает три варианта из каталога, а также аналог с антикоррозийным покрытием на основе истории заказов похожих подразделений
Логистика, исполнение и расчеты	Планирование поставок и запасов, автоматическая проверка счетов, выявление подозрительных операций. В результате оптимизируются запасы, снижаются кассовые разрывы	Система анализирует график поставок и фактическое потребление сырья и за три недели предупреждает: «Если не сдвинуть поставку металла, склад переполнится к 15 числу, а кассовый разрыв составит 7 млн рублей». Одновременно она сверяет входящий счет от поставщика с договором и подсвечивает расхождение в НДС
Контроль, комплаенс и предотвращение нарушений	Выявление сговоров и подозрительного поведения, контроль соблюдения законодательства. В результате меньше штрафов и репутационных потерь	ИИ мониторит все закупки компании в реальном времени и фиксирует аномалию: два потенциальных поставщика на тендере регулярно подают заявки с одного IP-адреса. Система автоматически блокирует их участие до проверки службой безопасности

Как AI влияет на современные закупки: преимущества и недостатки

Внедрение технологий меняет логику взаимодействия между участниками рынка. Процесс становится прозрачным и быстрым, а требования — более стандартизированными. При этом выгоды распределяются по-разному для заказчика и поставщика. 

Польза ИИ для закупщика: ускорение операционных процессов

Закупщик без ИИ может работать в режиме тушения пожаров: дефицит обнаруживается по факту, поставщик подводит — ищут замену вручную, если расходится с договором, то разбираются неделями, и так далее. ИИ может изменить механику работы и выявить проблему до того, как она стала потерей.

Выбор поставщика. Раньше сравнивали по цене и паре базовых параметров — остальное на усмотрение закупщика. Алгоритм оценивает поставщиков по десяткам факторов одновременно: цена, история исполнения, финансовая устойчивость, репутационный скоринг — и выдает ранжированный шорт-лист.

Прогноз потребности. Раньше план закупок строили на основе прошлогоднего бюджета и экспертной оценки. Модель анализирует исторические данные, сезонность и динамику цен — и рассчитывает потребность до того, как образовался дефицит или затоварился склад.

Подготовка тендерной документации. Раньше специалист формировал пакет документов вручную под каждую процедуру — это занимало дни. ИИ генерирует документацию на основе ТЗ от подразделений, проверяет соответствие регуляторным требованиям и подсвечивает пробелы.

Анализ коммерческих предложений. Раньше закупщик сравнивал КП в таблице вручную, часто упуская скрытые условия в тексте договора. Система извлекает ключевые параметры из неструктурированных документов и строит сравнительную матрицу автоматически.

Контроль исполнения контракта. Раньше отклонения от договорных условий обнаруживались при сверке — вручную и постфактум. ИИ сопоставляет счета, накладные и условия договора в реальном времени и сигнализирует о расхождениях до оплаты.

Управление рисками по поставщику. В крупных компаниях проверку контрагентов может вести служба безопасности — вручную, по каждому участнику закупки. Один контрагент — несколько дней работы аналитика. Для ускорения процесса компании используют специализированные сервисы, которые агрегируют данные из открытых источников — реестры, финансовую отчетность, судебные дела. ИИ помогает привести разрозненные источники к единому виду и обновлять оценку в непрерывном режиме, а не только при плановой проверке.

Пример: сеть гипермаркетов Walmart внедрила ИИ на основе машинного обучения, благодаря чему удалось сократить дефицит товаров, сэкономить 30 миллионов лишних километров пробега за счет оптимизации маршрутов и автоматизировать переговоры с поставщиками так, что они заканчивались успехом в 68% случаев.

Польза ИИ для поставщика: рост продаж

Основная проблема поставщика в закупках — низкая конверсия: компании подают заявки вслепую, тратят ресурсы на тендеры, где шансы минимальны, и проигрывают не из-за цены, а из-за несоответствия профилю заказчика.

ИИ меняет эту механику в нескольких точках.

Скоринг тендеров. Раньше менеджер вручную мониторил площадки и фильтровал лоты по ключевым словам — и всё равно пропускал подходящие. ИИ ранжирует открытые тендеры по вероятности победы: учитывает профиль поставщика, историю побед и параметры лота. Вместо мониторинга всех площадок менеджер видит приоритетные лоты с обоснованием.

Оценка вероятности победы. Раньше решение об участии принималось на глаз или по принципу «подадимся на всё». До подачи заявки модель показывает типичный победный диапазон цен в категории, среднее число участников и историю заказчика — поставщик решает, участвовать или нет, до того как потратил время на заявку.

Подготовка заявки. Раньше техническое предложение писали с нуля под каждое ТЗ — это занимало дни. ИИ вычитывает требования заказчика, сопоставляет с продуктовым портфелем поставщика и формирует черновик, адаптированный под конкретный лот.

Динамическое ценообразование. Раньше цену ставили по интуиции или ориентировались на прошлый контракт. Модель анализирует исторические цены побед в категории, сезонность и уровень конкуренции — и рекомендует цену, которая балансирует между шансом выиграть и маржой.

Прогноз загрузки. Раньше производственный план строился только под подписанные контракты — спрос догоняли постфактум. Если поставщик видит пул открытых тендеров у ключевых заказчиков, ИИ помогает спланировать загрузку под вероятный спрос заранее.

Мониторинг репутационного скора. Раньше поставщик узнавал о проблемах со скором, только когда переставал попадать в шорт-листы. ИИ отслеживает факторы, которые тянут оценку вниз — просрочки, расхождения в документах — и сигнализирует до того, как это повлияло на участие в тендерах.

Тренды ИИ в закупках: что можно внедрить уже сейчас

Аналитики по всему миру фиксируют, что компании добавляют AI-инструменты на разных этапах закупок и планируют расширять присутствие технологий в бизнесе в ближайшие годы. Вот для чего ИИ применяют уже сейчас:

Автоматизация рутинных операций. Раньше сотрудники вручную заполняли формы, классифицировали номенклатуру и сопоставляли счета с договорами — на это уходили часы в неделю. ИИ берёт эти задачи на себя: распознаёт документы, сопоставляет данные и отвечает на типовые запросы через чат-боты без участия человека. 

Аналитика расходов и прогнозирование. Раньше бюджет закупок строили на основе прошлогодних данных и экспертной оценки — отклонения обнаруживались постфактум. Модели анализируют динамику цен, сезонность и паттерны потребления, выявляют скрытые возможности экономии и рассчитывают потребность до того, как возник дефицит или кассовый разрыв.

Управление рисками по поставщику. Раньше о проблемах контрагента узнавали из новостей или когда срыв уже произошёл. Система сопоставляет внутренние данные о закупках с внешними источниками — финансовой отчётностью, судебными делами, сменой собственников — и сигнализирует о рисках до того, как они повлияли на поставку.

Поддержка принятия решений. Раньше закупщик видел данные в отчётах с задержкой в несколько дней. Дашборды на основе ИИ показывают ключевые метрики в реальном времени и формируют рекомендации: какую категорию консолидировать, где сменить поставщика, где цена вышла за пределы рыночного диапазона.

Автоматизация документооборота. Раньше закупщик вручную формировал запрос предложений, рассылал его поставщикам и сводил ответы в таблицу — это занимало недели. Сейчас эту цепочку закрывают системы на основе ИИ: от формирования пакета документов до сбора и первичной обработки ответов. Человек включается на этапе финального решения. 

Технологии будущего: агентный ИИ (Agentic AI)

Следующая ступень развития — агентный ИИ. Это системы, которые не ждут команды, а сами инициируют действия в заданных рамках. Например, если говорить про документооборот: агент получает триггер (остаток на складе упал ниже порога), обращается к базе поставщиков, формирует шорт-лист, рассылает запросы предложений, собирает ответы и передает сравнительную таблицу закупщику. Человек включается в процесс один раз — на этапе финального решения.

Агентный AI — это автономная система, которая ориентирована на цель. Она способна координировать выполнение даже сложных задач. Такие разработки умеют планировать, самостоятельно запускать документы в работу, оптимизировать процессы на основе реальных данных и анализировать итоги. 

Такие помощники умеют:

• Изучать данные и цели.

• Осмысленно действовать без постоянного контроля.
  

• Самостоятельно инициировать процессы.

• Обучаться на своих действиях.
  

• Координировать работу нескольких ботов для достижения заданной цели.

Примеры применения агентного AI в закупках:

• Автономное инициирование закупочных процедур. Агенты могут оценивать потребность, составлять запросы, направлять их контрагентам и собирать ответы.

• Реальное принятие решений по поставщикам. AI-агенты сравнивают контрагентов по множеству критериев: цена, риск, надежность, репутационные показатели. Ранжируют их и рекомендуют наилучшие варианты.

• Управление рисками и предупреждение сбоев. Системы анализируют большие массивы данных в реальном времени, выявляют потенциальные угрозы, прогнозируют отказы в цепочке поставок и предлагают альтернативные сценарии.

• Интеллектуальное выполнение заказов. AI-помощники могут автоматически выбирать, согласовывать и запускать сделки в работу на основе данных по запасам, спросу и условиях поставки.

• Контрактный надзор и комплаенс. Агенты отслеживают исполнение договоров, предупреждают о рисках, анализируют отклонения и помогают соблюдать внутренние правила и нормы.

McKinsey & Company приводят такой кейс по внедрению ИИ-агентов: химическая компания регулярно закупает расходные материалы — СИЗ, офисные принадлежности, реактивы. Эта работа отнимала до 40% времени категорийных менеджеров из-за огромного количества мелких лотов и рутинных согласований.

Компания запустила связку AI-агентов:

1. Автоматическая подготовка тендерной документации
2. Поиск и предквалификация поставщиков на основе открытых данных
3. Анализ конкурирующих предложений и их ранжирование
4. Отслеживание и обобщение разъяснений от поставщиков.

Результат: новая система повысила производительность закупочного персонала на 20–30%, одновременно увеличив экономическую эффективность на 1–3% за счет более точного выбора предложений.

Но у ИИ-агентов есть свои ограничения:

• Агент работает настолько хорошо, насколько чисты данные.
  

• Автономия требует четко прописанных лимитов — до какой суммы или действия агент решает сам.
  

• Интеграция со старыми ERP — главная техническая проблема.
  

• В госзакупках автономное решение агента юридически не приравнивается к решению уполномоченного лица.

В результате машина забирает на себя часть задач и сокращает операционную нагрузку на команду. Все выводы принимаются взвешенно, на основе огромного массива данных. А задачи, которые раньше занимали недели, могут выполняться за часы.

У агентного искусственного интеллекта свои ограничения. Автономия требует четко прописанных лимитов — до какой суммы или категории агент принимает решения сам. Технология пока в начальной стадии внедрения: часть проектов оказывается сложнее и дороже, чем планировалось. Но направление задано — в ближайшие годы агенты будут забирать все больше операционной нагрузки с команд закупок.

Как посчитать эффективность от внедрения AI

Компании, которые внедряют ИИ в закупки, уже получают результаты в операционной эффективности и стратегических показателях. В первую очередь это сокращает затраты благодаря экономии времени на рутинные операции. Параметр можно проверить, если сравнить часы работы персонала на конкретную задачу до внедрения системы и после. Art of Procurement посчитал, что потенциал повышения эффективности закупок за счет использования ИИ-агентов составляет 25–40%. 

Важный показатель — ROI закупок. Он определяется как отношение общей созданной ценности к совокупным затратам на достижение этого эффекта. Ценность включает в себя: реализованную экономию, предотвращенные потери (утечки), выгоду от оптимизации оборотного капитала и снижения рисков, а также вклад в увеличение выручки. В то же время можно обратить внимание на следующие метрики:

Успех ИИ в закупках измеряется не количеством внедренных алгоритмов, а тем, как они меняют ключевые показатели бизнеса. Прежде чем внедрять AI, важно собрать объективные метрики текущего процесса. Затем — дополнять технологии поэтапно и измерять каждую интеграцию отдельно. 

Важно смотреть на новые метрики в том числе с точки зрения качества решений — точность предсказания рисков или скорость реакции на них и сопоставлять инвестиции с реальной экономией. Такой подход позволяет перевести тренды в плоскость конкретных цифр.

***

«КОРУС Консалтинг» автоматизирует закупочные процессы для среднего и крупного бизнеса. Если хотите разобрать свой процесс и понять, где теряется время и деньги — напишите на omni@korusconsulting.ru или оставьте заявку ниже.