А что если отчёты сами приходили к вам с ответом?
Размышление о том, как AI-слой поверх 1С, ERP и BI может сам находить проблемы и приносить руководителям готовые варианты решений — и чего он делать не должен.
2026-11-21

Понедельник, 9:00
Понедельник, девять утра. Руководитель закупок открывает учётную систему, выгружает остатки в Excel и начинает искать, что изменилось за выходные. Какие позиции заканчиваются? Какой поставщик опаздывает? Почему продажи одной группы товаров выросли, а маржа упала?
К обеду картина более-менее ясна. Часть проблем найдена. Часть — нет, потому что никто не успел заглянуть в нужный отчёт. О них станет известно позже: из жалобы клиента, из пустой полки, из списания в конце квартала.
Это не история о плохом сотруднике. Это история о том, как устроена работа с данными почти в любой компании.
Данные есть. Ответов нет
С данными у большинства компаний всё в порядке — по крайней мере, с их количеством. Продажи, остатки, поставки, цены и платежи лежат в 1С, ERP, BI-системе и десятках таблиц.
Проблема в другом. Чтобы превратить данные в решение, нужен человек, который:
- знает, в какой отчёт смотреть;
- заметит отклонение среди сотен строк;
- сопоставит причины из разных систем;
- найдёт на всё это время.
Поэтому качество управленческих решений зависит от опыта и загрузки конкретного человека. Опытный руководитель уходит в отпуск — и неделю никто не замечает проблем. Отчётов становится больше, а времени их читать — нет.
Системы отвечают на вопросы. Но задавать их по-прежнему должен человек.
А что если наоборот?
Представьте тот же понедельник. Но теперь руководитель закупок начинает не с поиска, а с короткого списка. Система уже просмотрела данные за выходные и вынесла наверх три вопроса, которые нужно решить сегодня.
Первая карточка выглядит так:
- Сигнал: по группе товаров высокий риск дефицита на складе в ближайшие 10 дней.
- Факт: текущий остаток, скорость расхода, подтверждённые заказы и сроки поставки.
- Гипотеза: спрос ускорился, а поставщик задержал последнюю поставку.
- Рекомендация: запросить ускоренную поставку или скорректировать план закупки.
- Альтернативы: перераспределить остатки между филиалами или временно скорректировать заказ.
- Ожидаемый эффект: рассчитан на фактических данных.
- Уверенность: средняя — данные о сроках поставки неполные.
- Ответственный: закупщик этой товарной группы.
В этой карточке важны три вещи. Факты отделены от догадок: видно, что известно точно, а что лишь предположение. Цифры посчитаны, а не сгенерированы. И решение остаётся за человеком: система предлагает варианты, но ничего не заказывает сама.
Это не ещё один отчёт. Это ответ, который пришёл раньше, чем вы задали вопрос.
Каждому — своё
Тот же принцип работает на любом уровне управления. Меняется только масштаб вопросов:
- Генеральный директор — стратегические риски и возможности, сценарии реагирования. Например: рентабельность одного направления падает — вот варианты действий.
- Финансовый директор — отклонения P&L, оборотного капитала и движения денег. Например: растёт объём денег, замороженных в запасах.
- Коммерческий директор — ассортимент, цены, промо, маржа, спрос. Например: категория растёт в продажах, но теряет маржу.
- Закупки — дефицит, излишки, сроки и условия поставщиков. Например: риск отсутствия позиции через 9 дней.
- Логистика и склад — перекосы запасов, задержки поставок, распределение. Например: на центральном складе излишек, в филиалах — дефицит.
- Руководитель региона или филиала — отклонения по точкам, их причины и корректирующие действия. Например: группа точек теряет продажи из-за нехватки ходового товара.
- Руководитель точки или отдела — локальные задачи на сегодня. Например: залежавшийся товар, который пора распродать.
Речь не о сотнях уведомлений. Каждый получает несколько самых значимых рекомендаций — с учётом своих полномочий, масштаба эффекта, срочности и того, насколько можно доверять данным. Систему, которая шумит, перестают читать через неделю.
Что под капотом
Никакой магии и никакой одной большой нейросети, которая «всё знает». Такая система собирается из нескольких понятных слоёв:
- Данные. Подключение к 1С, ERP, BI и операционным системам. Единые справочники, одинаковые определения показателей, контроль качества и права доступа.
- Выявление. Правила контроля, поиск аномалий, прогноз спроса и запасов, оценка риска.
- Решения. Гипотезы о причинах, варианты действий, проверка ограничений, расчёт эффекта — и контраргументы.
- Объяснение. Языковая модель переводит расчёты на человеческий язык: что произошло, на чём основан вывод, насколько он надёжен.
- Доставка. Лента рекомендаций, утренний дайджест или карточка в привычном канале — своя для каждой роли.
- Память. Журнал рекомендаций, принятых решений, прогнозов и фактических результатов.
Ключевое разделение: цифры считает аналитическое ядро, а не языковая модель. LLM объясняет, но не придумывает показатели. Иначе доверять такой системе нельзя.
Самый недооценённый слой — последний. Когда система помнит, что она советовала, что решил человек и чем всё закончилось, она начинает учиться на решениях именно вашей компании. Идея во многом из «Принципов» Рэя Далио: объективность, открытый разбор ошибок, формализация решений и обратная связь.

Чего здесь нет
То, чего такая система делать не должна, важно не меньше того, что она делает. По крайней мере на старте:
- Она не заменяет руководителя. Она приносит решение с доказательствами и альтернативами. Выбирает человек.
- Она не действует сама. Никаких автоматических закупок, изменения цен или распоряжений без одобрения человека.
- Она не заменяет 1С, ERP или BI. Это слой поверх существующих систем, а не очередная миграция.
- Это не чат-бот для каждого отдела. Отдельные боты быстро превращаются в новый зоопарк систем. Нужна одна платформа с общими данными и разными ролями.
- Она не оценивает людей. Цель — качество решений, а не рейтинг сотрудников.
- Она не обещает ROI заранее. Эффект можно доказать только сравнением с тем, как компания работала до этого.
Подробнее об этих ограничениях — и о том, почему многие AI-обещания не срабатывают, — в следующей статье.
С чего начать
Самая частая ошибка — пытаться построить «корпоративный AI» сразу целиком. Работает обратный путь:
- Выбрать один процесс, где решения принимаются часто, данные уже есть, а цена ошибки понятна. Например, закупки, управление запасами или контроль дебиторской задолженности.
- Зафиксировать, как работа устроена сейчас: точность текущих прогнозов, время на поиск проблем, уровень дефицита и излишков.
- Запустить два-три сценария и сравнить рекомендации системы с решениями людей и с контрольной группой.
- С первого дня сохранять каждую рекомендацию и её результат.
- Расширяться на новые процессы и роли только тогда, когда польза доказана цифрами.
Каждый новый модуль использует уже собранные данные и ту же архитектуру. Поэтому каждый следующий шаг даётся проще предыдущего.
А теперь вопрос к вам. Какой отчёт в вашей компании каждое утро открывают, чтобы найти проблему? И что, если бы проблема находила вас сама?
FAQ
Заменит ли такая система руководителей?
Нет. Она находит проблемы, объясняет причины и предлагает варианты с расчётом эффекта. Решение и ответственность остаются за человеком.
Нужно ли менять 1С или ERP?
Нет. Это слой поверх существующих систем: он читает данные из 1С, ERP и BI и не заменяет их.
С чего начать?
С одного процесса, где решения принимаются часто, данные уже есть, а цена ошибки понятна, — например, с закупок или управления запасами. Сначала фиксируем, как работа устроена сейчас, затем сравниваем рекомендации с решениями людей.
ИТ-экосистема для бизнеса: от «зоопарка» программ к единой системе