Три сценария использования ИИ-агентов в закупках

Еще пару лет назад искусственный интеллект в закупках воспринимался как эксперимент крупных корпораций с большими бюджетами на IT. Сегодня все больше игроков передает алгоритмам рутинные, но трудоемкие этапы закупочного цикла, а закупщики концентрируются на решениях, которые требуют человеческой оценки.

Можно ли бизнесу получить эффект от ИИ-агентов без внутренней команды разработчиков и если да, то за счет чего именно?

Как выглядит измеримый эффект от ИИ-агентов в закупках

В компаниях, где ИИ-агент настроен корректно, он автоматически формирует документы, проверяет наличие бюджета и помогает определить источник финансирования, показывая конкретный результат: среднее время подготовки заявки сокращается с 60 до 5 минут, то есть в 12 раз. Чтобы получить такой результат необходимо выстраивать трансформацию собственными силами: своя разработка, своя интеграция с внутренними системами, годы настройки процессов под конкретную организацию. У большинства компаний такого ресурса нет.

Как небольшим игрокам получить измеримый результат

Бизнесу необходимо решение, где логика ИИ-агентов для закупок будет реализована и настроена под типовые сценарии. При этом роль агента в такой системе не должна сводиться к роли советчика, который выдает информацию и ждет команды. Интеллектуальный помощник совершает действия внутри процесса самостоятельно — создает заявки и пакеты документов на основе описания инициатора, сразу отправляет их на согласование и планирует регулярные закупки по расписанию.

Агенты при этом не зашиты намертво. С помощью no-code и low-code инструментов их логику, сценарии работы и правила принятия решений можно настроить под процессы конкретной организации: собственные шаблоны документов, регламенты согласования, источники данных, критерии оценки поставщиков.

ИИ-агенты в закупках: три сценария применения и результаты

Предлагаем рассмотреть сценарии, которые закрывают узкие места закупочного цикла.

Агент формирует пакет закупочной документации

Традиционно один из самых трудоемких этапов для инициатора и закупщика — подготовка технического задания, опросника для RFI (request for Information — «запрос на информацию») и сопутствующих материалов. Сложность увеличивается, если номенклатура нетиповая.

ИИ-агент, встроенный в закупки, получает от инициатора описание характеристик товара или услуги и дополнительные требования в свободной форме, а затем на основе истории похожих закупок формирует готовый пакет: техническое задание с учетом специфики номенклатуры и ранее согласованных формулировок, адаптированный опросник и другие документы для запуска процедуры.

Это освобождает инициатора от необходимости начинать каждый раз с «чистого листа» и уменьшает вероятность упустить значимые требования в техническом задании.

Агент определяет условия поставки до старта закупки

Перед началом закупок важно определить, на какие цены и коммерческие условия ориентироваться. Однако данные часто разрознены и противоречивы. Некоторые хранятся в старых договорах, другие — в переписке, а третьи вообще нигде не зафиксированы. Поиск нужной информации может отнимать несколько часов.

Агент лучше ориентируется в этом хаосе и в режиме диалога подсказывает актуальные коммерческие условия по нужной номенклатуре, опираясь на историю закупок компании и ограниченный список проверенных внешних источников.

Он помогает сориентироваться по рыночному уровню цен, находит действующий контракт, по которому товар можно закупить без новой процедуры, а если такого контракта нет — формирует пул подходящих поставщиков для запроса предложений. В результате закупщики тратят меньше времени на ручной анализ рынка и быстрее переходят к стратегическим задачам.

Агент сопоставляет предложения и выбирает лучшее

Оценка предложений поставщиков в сложных закупках, например высокотехнологичного оборудования, требует систематизации большого объема информации. Здесь агент сопоставляет предложения с изначальным техническим заданием и требованиями закупки, наглядно показывает соответствия и отклонения по каждой позиции, формирует рекомендации для закупщика и технического эксперта.

Отдельная функция — выявление неявных аномалий и ошибок, которые сложно заметить вручную при большом количестве предложений. Система подсвечивает отклонения и подсказывает, какие детали стоит уточнить у поставщика. Финальное решение при этом остается за человеком: агент сокращает трудозатраты на его подготовку, а не подменяет саму оценку.

Быть или не быть ИИ в закупках

Получается, что ИИ-агенты в закупках дают измеримый эффект — кратное ускорение подготовки документов, более быструю оценку предложений, разгрузку закупщиков от рутины. И опыт крупных компаний лишь подтверждает это. Правда, такая трансформация получилась благодаря собственной разработки и нескольким годам настройки. У бизнеса нет времени, а зачастую и ресурсов на то, чтобы повторять этот путь. Особенно учитывая, что результат нужен уже сегодня.

Читайте также

Максим Березин: «Импортозамещение виртуализации стало необходимостью для снижения рисков»

Как меняется роль виртуализации в стратегиях компаний, какие решения на уровне виртуальной среды помогают сократить затраты на ИТ, как реализуется защита ИТ-периметра и какие инструменты помогают ускорить миграцию, IT-World рассказывает Максим БЕРЕЗИН, директор по развитию бизнеса Orion soft.

Компании решают не просто «строить или не строить ИИ-агентов», а выбирают между разработкой с нуля и использованием готовой low-code платформы, где логика агентов уже настроена под типовые закупочные сценарии, но при этом легко адаптируется под конкретные регламенты компании. Для закупочного подразделения, у которого нет собственного IT-департамента, это разница между экспериментом на годы и внедрением, которое можно запустить и адаптировать без внешней команды разработчиков.