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

Стопка отчётов с графиками, сквозь которую вырезан знак вопроса

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:

  1. Данные. Подключение к 1С, ERP, BI и операционным системам. Единые справочники, одинаковые определения показателей, контроль качества и права доступа.
  2. Выявление. Правила контроля, поиск аномалий, прогноз спроса и запасов, оценка риска.
  3. Решения. Гипотезы о причинах, варианты действий, проверка ограничений, расчёт эффекта — и контраргументы.
  4. Объяснение. Языковая модель переводит расчёты на человеческий язык: что произошло, на чём основан вывод, насколько он надёжен.
  5. Доставка. Лента рекомендаций, утренний дайджест или карточка в привычном канале — своя для каждой роли.
  6. 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.

Цикл управленческого решения из 8 шагов: данные, сигнал, проверка причин, варианты и эффект, рекомендация, решение человека, измерение результата, улучшение правил
Цикл замыкается: результат каждого решения улучшает правила, по которым система ищет следующие сигналы.

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:

  1. Выбрать один процесс, где решения принимаются часто, данные уже есть, а цена ошибки понятна. Например, закупки, управление запасами или контроль дебиторской задолженности.
  2. Зафиксировать, как работа устроена сейчас: точность текущих прогнозов, время на поиск проблем, уровень дефицита и излишков.
  3. Запустить два-три сценария и сравнить рекомендации системы с решениями людей и с контрольной группой.
  4. С первого дня сохранять каждую рекомендацию и её результат.
  5. 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.

Автор

Алексей Колосов, CTO, AKDEV Solutions

Опубликовано:

ИТ-экосистема для бизнеса: от «зоопарка» программ к единой системе