ИИ для складского учёта: что снимает, а где пустая цифра

Коротко: ИИ надёжно работает с данными склада, которые вы ему дали. Он распознает и занесёт приход из накладной, сведёт остатки в понятный отчёт, найдёт нестыковки внутри базы, поможет прикинуть спрос по накопленной статистике. Пустая цифра начинается там, где нужен факт из реального мира или будущее. Модель не знает, сколько товара реально на полке, если этого нет в базе. Прогноз спроса - это сценарий по прошлому, а не гарантия. А генеративная модель, которую просто спросили «сколько у меня на складе», уверенно назовёт число, которого не знает. Инвентаризацию и решение о заказе машина не отменяет.

Я пять лет на торгах по банкротству и в недвижимости, сам собираю ИИ-агентов под конкретные задачи бизнеса. И со складом вижу одну и ту же сцену. У владельца оптовой торговли остатки в базе живут отдельно от полки: там числится сто коробок, по факту семьдесят, а ходовой позиции нет совсем. Деньги заморожены в неликвиде, который никто не считал полгода. Он слышит «поставь ИИ, он сам посчитает и закажет» и ждёт, что машина наведёт порядок сама.

Эта статья про границу: что в складском учёте отдать машине, а что обязательно оставить человеку и реальному пересчёту. Речь про обычный бизнес на земле, про товар, который лежит на полках и проходит через накладные. Это не реклама конкретной системы и не разбор одной программы - это про то, где ИИ со складом помогает, а где подставляет.

Что ИИ надёжно снимает в складском учёте

Начну с того, что работает, потому что это и есть та часть, которую стоит отдать машине. ИИ хорошо справляется с текстом и данными, которые вы ему принесли. Яндекс прямо относит к задачам, важным для бизнеса, работу «от суммаризации документа до выделения из текста важных данных». Склад - это поток документов и строк в базе, и большую часть рутины по ним можно снять.

Вот где ИИ реально экономит время на складе:

• Занесение прихода из накладной. Распознать товарную накладную или счёт-фактуру и вытащить из неё позиции, количества, цены, чтобы не вбивать руками. Это та же работа с первичкой, что я разбирал в ИИ-агенте для документов: машина переносит в учёт то, что написано в бумаге.
• Свод остатков в понятный вид. Сделать из выгрузки на тысячу строк короткий человеческий отчёт: что заканчивается, что лежит мёртвым грузом, где остаток ушёл в минус. Модель перерабатывает ту таблицу, которую вы ей дали.
• Поиск нестыковок внутри базы. Одна позиция заведена двумя карточками, единица измерения не та, количество в приходе не бьётся с суммой - то, что видно из самих данных.
• Подготовка к инвентаризации. Сгруппировать номенклатуру, собрать список спорных позиций, расписать, что пересчитать в первую очередь.
• Прогноз спроса по статистике. Это отдельная большая тема, к ней вернусь ниже. Такая функция давно есть в учётных системах. В 1С подсистема «Планирование» умеет «прогнозировать спрос на товары с помощью методики ассортиментного планирования и нормативов распределения, в том числе спрос на новинки продукции». Это заявление разработчика, а не независимый тест.

Общий признак надёжной части: машина приводит в порядок то, что уже есть в ваших документах и базе. Она не достаёт факты из воздуха, поэтому этой части можно доверять с обычной сверкой. Если вы только присматриваетесь, с чего вообще начать применять ИИ в деле, у меня есть отдельный разбор - автоматизация бизнеса с помощью ИИ: с чего начать. Проблемы начинаются там, где вы просите машину знать то, чего в данных нет.

Прогноз спроса и дозаказ: где польза, а где граница

Прогноз спроса - самая соблазнительная часть: кажется, что машина сама скажет, сколько и когда заказать. Польза тут реальная, но и граница жёсткая, поэтому разберу отдельно.

Что машина делает хорошо. Она видит в накопленной истории то, что человек глазами не сведёт. 1С строит планы на разных данных, в том числе на «накопленной в базе статистике по продажам, производству или закупкам». На этой статистике она ловит повторяющиеся узоры - например, «автоматически учитывать сезонность продаж в планах продаж». Если товар каждый год растёт к декабрю и проседает в июле, машина это извлечёт из прошлого точнее и быстрее вас.

Где граница. Прогноз опирается на прошлое, а значит не видит того, чего в прошлом не было. Открылся конкурент через дорогу, ушёл крупный клиент, подняли цену, сорвалась поставка - в истории продаж этого нет, и модель это не предскажет. Поэтому в тех же системах планирование идёт не одним числом, а сценариями: 1С позволяет «моделировать различные сценарии развития событий», вплоть до оптимистичного, реалистичного и пессимистичного. Это и есть честный статус прогноза: не «будет продано 120 штук», а «при таких допущениях выйдет столько, при других - столько».

Слева - узоры из прошлого, которые машина считает лучше человека. Справа - внешние события, которых в истории продаж нет, поэтому прогноз их не учитывает.

Отсюда практический вывод. Прогноз и автодозаказ хорошо снимают рутину по ровному, ходовому ассортименту с длинной историей: тут машина считает лучше кладовщика «на глазок». А вот по новинкам, по позициям с рваным спросом и в месяцы, когда у вас меняется что-то снаружи, финальное решение о заказе оставляйте за собой. Машина даёт черновик заявки, вы его правите под то, что знаете про рынок, а модель - нет. И не путайте дозаказ с закупкой: выбор поставщика, цены и условия - это соседняя задача, я разбирал её в ИИ для закупок.

Где склад превращается в пустую цифру

Самое опасное на складе - не ошибка, которую видно, а уверенное число, за которым ничего нет. Тут важно понять одну вещь про генеративные модели: они не признаются, что не знают. Сам Яндекс про них говорит прямо - модели иногда «дают выдуманные или некорректные ответы в ситуациях, когда не могут найти правильный». То есть когда данных не хватает, модель не молчит, а подставляет правдоподобное.

И это не редкий сбой. По замеру самого Яндекса, у обновлённой YandexGPT при той же доле отказов «процент неправильных ответов снизился с 30% до 16% по сравнению с предыдущей моделью». Это про улучшенную версию, и всё равно примерно каждый шестой ответ, на который модель решилась, остаётся неверным. Для склада, где цифра - это деньги и заказы, этого хватает, чтобы не верить вслепую.

Вот где на складе чаще всего рождается пустая цифра:

• Остаток, которого модель не знает. Если вы в чате спрашиваете «сколько у меня на складе гвоздей», а модель не подключена к вашей базе, она назовёт число. Любое. Оно ниоткуда не взято - его просто придумали. Настоящий остаток знает только учёт и пересчёт, а не языковая модель сама по себе.
• Расхождение базы и полки. Даже подключённая модель знает то, что занесено. Если кладовщик не провёл списание или пересортицу, в базе будет одно, на полке другое. Машина покажет базу и будет уверена - разницу найдёт только инвентаризация.
• Прогноз как обещание. Красивое ровное число прогноза легко принять за факт. Это сценарий по прошлому, а не гарантия, что столько купят.
• Очень большая номенклатура за один раз. У модели есть предел объёма данных, который она обрабатывает за раз. Тесты на длинный контекст у Яндекса проводят на документах ограниченной длины: бенчмарк FinQA «составленный из финансовых вопросов к длинным документам (до 32K токенов)». Выгрузка остатков на десятки тысяч строк в один запрос целиком не влезет, и часть данных выпадет из анализа молча.

Слева - то, что ИИ делает с вашими данными надёжно. Справа - то, что держится на реальном мире и будущем и остаётся человеку и инвентаризации.

Проще держать в голове одно правило. Как только в ответе появляется число остатка или обещание будущих продаж, считайте это гипотезой. Фактом оно станет после сверки с учётом и пересчётом. Почему модель так уверенно выдаёт то, чего нет, я разбирал в понятии выдумка машины. А про предел объёма данных за один раз - в понятии окно памяти.

Как подключить ИИ к складу по шагам

Чтобы это не осталось общими словами, вот порядок, по которому имеет смысл заводить ИИ на складе, не подставляясь. Машина здесь помощник по данным, а не замена учёту.

1. Сначала наведите порядок в базе. ИИ считает от того, что занесено. Пока остатки в базе врут, любая автоматизация поверх будет врать красивее. Проведите инвентаризацию и закройте расхождения - это фундамент, а не этап «потом».
2. Задайте модели роль и рамки. Опишите, что она работает только с той выгрузкой, которую вы дали, и не придумывает числа, которых в ней нет. Системная инструкция держится крепко: как пишет Яндекс, «модель будет придерживаться инструкций, даже если пользователь явно требует отвечать иначе». Это снижает выдумку, хотя и не убирает её полностью.
3. Начните с распознавания прихода. Самая понятная и безопасная задача: загрузка накладных и перенос позиций в учёт. Ошибку тут видно сразу при приёмке, а выигрыш по времени большой.
4. Добавьте свод остатков и поиск нестыковок. Пусть модель раз в день собирает короткий отчёт: что кончается, что мёртвый груз, где дубли карточек. Сверяйте выводы с базой глазами первые недели.
5. Прогноз включайте на ровном ассортименте. Сначала на ходовых позициях с длинной историей, где есть сезонность. Сравните прогноз с тем, что реально произошло, за пару месяцев, прежде чем доверять автозаявке.
6. Большую номенклатуру режьте на части. Не суйте выгрузку на десятки тысяч строк в один запрос: разбивайте по складам, группам или датам, иначе часть данных выпадет молча.
7. Решение о заказе и инвентаризацию оставьте за собой. Машина готовит черновик заявки и список на пересчёт. Утверждаете вы, с поправкой на то, что знаете про рынок, а модель не знает.

Несложное правило на каждом шаге: если число можно открыть и показать пальцем в учёте или на полке, оно идёт в работу. Если его назвала только модель, это вопрос, а не факт. Разобрать именно вашу задачу со складом можно за полминуты на странице услуг.

Частые ошибки и когда ИИ не ваш случай

• Поставить ИИ на грязную базу. Автоматизация поверх расхождений множит ошибку, а не чинит её. Сначала инвентаризация.
• Принять уверенный тон за точность. Модель одинаково ровно выдаёт и верное, и выдуманное число. Тон - не признак надёжности.
• Спросить остаток у модели, не подключённой к базе. Это чистая выдумка. Остаток знает учёт, а не языковая модель сама по себе.
• Принять прогноз за обещание. Это сценарий по прошлому. Под внешнее изменение его правит человек.
• Залить всю номенклатуру одним запросом. Часть выпадет из окна памяти без предупреждения. Режьте на части.
• Отдать модели финальный заказ. Автозаявка - это черновик, а не решение. Где ещё ИИ подставляет пустую цифру в бизнесе, я разбирал в рисках внедрения ИИ-агентов. А как ИИ в целом живёт внутри 1С - в разборе ИИ-агента для 1С.

Когда ИИ тут вообще не ваш случай: если у вас полсотни позиций и приход раз в месяц, городить автоматизацию дороже, чем вести учёт руками. А вот если номенклатура большая, приход идёт потоком и остатки живут своей жизнью, связка «ИИ на приход, свод и прогноз плюс человек на пересчёт и решение» разгружает заметно.

Если коротко: ИИ ускоряет складской учёт там, где надо переработать ваши данные, и подводит там, где нужен факт из реального мира или знание будущего. Держите эту границу - и машина из генератора правдоподобных чисел превращается в нормального помощника.

Источники

Хотите, чтобы я посмотрел на вашу задачу? Скажу, где ИИ в вашем складе снимет работу, а где подставит пустую цифру. Это четыре вопроса и полминуты на странице услуг.