«Внедрим ИИ» звучит как решение, но почти всегда упирается не в модель, а в то, что под ней. Модель не может классифицировать номенклатуру, если справочник — три разных названия одного товара под разными кодами. Не может оценить риск поставщика, если история претензий нигде не зафиксирована. Не может сформировать безопасную рекомендацию, если никто не решил, какие данные вообще нельзя передавать наружу. ИИ усиливает то, что уже работает, и обнажает то, что не работает — третьего не дано.
Практический разрыв между ожиданием и результатом чаще всего лежит в четырёх местах: данные (дубли, отсутствие истории, ручной ввод без стандартов), процессы (закупка без описанных исключений — исключение и есть то место, где нужна автоматизация, а его никто не формализовал), поставщики (реестр без критичности и истории качества — модели не на чем учиться) и governance (не определено, кто проверяет результат ИИ и что делать, если модель ошиблась). Слабость в любом из четырёх делает точечное внедрение хрупким, даже если сама модель работает исправно.
Отсюда практичный порядок действий: не «выбрать ИИ-инструмент», а сначала оценить готовность по этим четырём блокам и начинать с того, что уже безопасно при текущем состоянии данных — аналитика и классификация обычно возможны раньше, чем автономное принятие решений. Формальная методика такой оценки — на 40 вопросах по пяти блокам (данные, процессы, поставщики, автоматизация, управление ИИ) — упомянута ниже как отдельный бесплатный инструмент.
Отдельная и часто недооценённая часть — governance уже после внедрения: кто отвечает за проверку вывода модели, какие сценарии допустимы, а какие запрещены явно, куда обращаться при сбое, и остаётся ли решение за человеком в критичных случаях. Пилот без этого слоя обычно работает, пока не столкнётся с нетиповым случаем — а в закупках нетиповые случаи не редкость, а норма.
Бесплатный инструмент Оценить готовность закупок к ИИ — бесплатно