Вымпелком - автоматизация закупок с помощью ИИ-агентов, Мария Медведева

Агентные системы, языковые модели, мультимодальные модели, ИИ

Мария Медведева, дирекция по закупкам и логистике, ВымпелКом. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.

БОЛИ И РУТИНА СОВРЕМЕННОГО ЗАКУПЩИКА

Типичный рабочий день специалиста по закупкам сегодня перегружен избыточными операциями по поиску информации. Когда заказчику требуется консультация о том, как правильно провести закупочное мероприятие, сотрудник вынужден вручную просматривать десятки документов, переходить по запутанным ссылкам и сопоставлять данные из разных источников. Этот процесс занимает колоссальное количество времени, что приводит к росту раздражения как со стороны внутреннего заказчика, так и самого исполнителя.

Особенно остро эта проблема проявляется в моменты пиковых нагрузок или перед выходными. Ситуация, когда сотрудник остается в офисе допоздна в пятницу вечером, пытаясь найти актуальную версию документа или вспомнить, где именно хранится нужный регламент, является массовой и знакомой многим профессионалам отрасли. «Представьте себе: 5-6 часов вечера пятницы, все уже на шашлыках, а вы всё еще пытаетесь в документах что-то найти», — отмечает, подчеркивая эмоциональное выгорание персонала из-за неэффективных инструментов поиска.

Такая разрозненность данных создает риски ошибок в принятии решений. Когда закупщик не может оперативно и однозначно ответить на вопрос, страдает весь бизнес-процесс. Отсутствие единого «интеллектуального окна» превращает простую консультацию в длительный квест по внутренним папкам и архивам, что делает работу департамента менее гибкой и более зависичей от человеческого фактора и памяти конкретных сотрудников.

ФУНДАМЕНТ ДЛЯ ВНЕДРЕНИЯ ИИ-АГЕНТОВ

Переход к использованию искусственного интеллекта в Вымпелком стал возможен благодаря многолетней системной работе по цифровизации закупочного контура. Компания успешно развернула полноценную SRM-систему, которая охватывает весь жизненный цикл закупки: от инициации договорной работы и выбора поставщика до принятия окончательных решений по мероприятиям и управления заказами. Это позволило создать сквозной end-to-end процесс, где все этапы прозрачны и зафиксированы в системе.

Огромным преимуществом стала плотная интеграция SRM с внутренним контуром ERP, что обеспечило накопление массивных объемов структурированных данных по каждой цепочке поставок. Однако наличие данных само по себе не решает проблему доступности информации. Даже в структурированной базе извлечь конкретный ответ для договорника или заказчика бывает сложно без специализированного инструментария, который мог бы «понимать» контекст запроса и быстро находить нужный фрагмент.

Именно на этом этапе возникает потребность во внедрении ИИ-агентов. подчеркивает критически важное условие: агент будет полезен только в том случае, если данные на входе чисты и структурированы. «Если у вас на входе полная каша из данных, то вам агент либо будет ошибки выдавать, либо просто он будет совершенно бесполезен», — поясняет Мария Медведева. Таким образом, предварительная нормализация данных стала залогом успеха проекта.

МЕТОДОЛОГИЯ ВЫБОРА ПРИОРИТЕТНЫХ ИНИЦИАТИВ

На начальном этапе команда имела более десяти различных идей по применению ИИ в закупках. Чтобы выбрать наиболее перспективные направления, был проведен детальный анализ рынка (RFA) и серия внутренних брейнштормов. Основной целью было определить методологию фильтрации инициатив, которая позволила бы сфокусироваться на задачах с максимальным возвратом инвестиций и минимальными рисками реализации.

В качестве главных критериев отбора были выбраны два параметра: ценность для бизнеса и техническая реализуемость. Команда оценивала, насколько сложно будет реализовать функционал с технической точки зрения и какой объем ручного труда удастся сократить для закупщика или заказчика. Этот прагматичный подход позволил отсечь избыточно сложные проекты, которые могли бы потребовать неоправданно больших ресурсов при сомнительном эффекте.

В итоге были выделены две ключевые задачи: работа с внутренними нормативными документами (ВНД) и автоматизация квалификации контрагентов. Эти направления объединяет общая цель — оптимизация ручного труда, а также общий профиль пользователя. Поскольку и закупщик, и заказчик сталкиваются с одними и теми же сложностями при проверке регламентов и документов поставщиков, решение этих задач дает синергетический эффект для всей организации.

АВТОМАТИЗАЦИЯ РАБОТЫ С НОРМАТИВНЫМИ ДОКУМЕНТАМИ

Работа с внутренними нормативными документами была выбрана как одна из приоритетных задач из-за высокого объема однотипных запросов. Заказчики часто не знают, сколько закупок необходимо провести и каким именно образом это сделать согласно текущим правилам компании. Ранее поиск этой информации требовал глубокого погружения в регламенты, что замедляло запуск новых проектов и увеличивало количество ошибок при оформлении заявок.

Внедрение ИИ-агента по ВНД позволяет пользователю получать мгновенный ответ на вопрос, основываясь на актуальной базе знаний компании. Вместо того чтобы самостоятельно изучать многостраничные PDF-файлы или Word-документы, сотрудник задает вопрос в чате и получает конкретную выжимку с указанием правил. Это радикально меняет пользовательский опыт, превращая поиск информации из трудоемкого процесса в секундную операцию.

На текущий момент агент по ВНД уже находится в стадии промышленной эксплуатации после успешного тестирования прототипа. Команда проводит финальные проверки качества ответов, чтобы в ближайшие недели официально проинформировать всех пользователей о запуске сервиса. Ожидается, что это позволит существенно разгрузить экспертов-методологов от рутинных консультаций по базовым вопросам регламента.

СЛОЖНОСТИ И ОСОБЕННОСТИ КВАЛИФИКАЦИИ КОНТРАГЕНТОВ

Процесс квалификации контрагентов оказался значительно более сложной задачей по сравнению с работой по регламентам. Основная трудность заключается в том, что для полноценной проверки поставщика недостаточно внутренних данных — требуется анализ огромного массива документов, предоставляемых самим контрагентом, и их верификация через внешние источники.

Для обеспечения достоверности агент должен иметь доступ к интернет-ресурсам, чтобы проверить существование СРО, актуальность лицензий или подтвердить опыт работы компании в конкретных проектах. «Поскольку квалификация — это оценка тех документов, которые поставщик вам предоставляет в большом объеме, требуется доступ к интернет-ресурсам», — отмечает. В Вымпелком для этого был использован специальный внутренний сервис, который позволил интегрировать внешние данные в работу агента.

В настоящее время прототип по квалификации реализован на open-source решении и функционирует на локальных машинах. Команда тестирует точность ответов, чтобы затем передать разработку внутренней IT-команде для полноценного масштабирования на всех заказчиков и закупщиков компании. Ожидается, что инструмент выйдет в продуктив в первом квартале следующего года.

ЭКОНОМИЧЕСКАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ И БЕЙЗЛАЙН

Оценка эффективности внедрения ИИ-агентов требует особого подхода, отличного от стандартных корпоративных метрик. предлагает использовать методику расчета через бейзлайн: определение базового времени, которое сотрудник тратит на операцию до внедрения инструмента, и сравнение его с временем после автоматизации. Разница в рабочих часах, умноженная на ставку сотрудника, дает прямой денежный эффект в месяц или год.

Однако главной проблемой при таком расчете часто становится отсутствие самой базы (бейзлайна). Если данные о трудозатратах хранятся в разрозненных Excel-таблицах или переписках в почте, доказать финансовому департаменту эффективность инициативы становится крайне сложно. Именно поэтому нормализация данных и фиксация текущих процессов должны предшествовать внедрению любых интеллектуальных агентов.

Важно учитывать, что полная стоимость владения (TCO) включает не только выгоду от экономии времени сотрудников, но и значительные расходы: оплату токенов, затраты на инфраструктуру и стоимость работы IT-специалистов. В некоторых случаях отдельный агент может оказаться экономически неэффективным, однако совокупный эффект от целого пула агентов обычно перекрывает инвестиции в разработку.

ИИ КАК ИНСТРУМЕНТ ОСВОБОЖДЕНИЯ ОТ РУТИНЫ

Существует распространенное заблуждение, что внедрение ИИ-агентов равносильно прямой замене людей или сокращению штата (FTE). В контексте закупочной деятельности утверждает обратное: цель автоматизации — не увольнение сотрудников, а освобождение их от «ручника». Это позволяет перераспределить человеческий ресурс на более интеллектуальные и стратегически важные задачи.

Когда закупщик перестает тратить часы на поиск параграфа в регламенте или проверку СРО поставщика, у него появляется время на глубокую аналитику, разработку стратегий закупок, проведение сложных переговоров и принятие взвешенных управленческих решений. «Мы не предлагаем заменять закупщиков ассистентами-агентами», — подчеркивает Мария Медведева, акцентируя внимание на повышении качества работы специалиста.

Таким образом, ИИ выступает в роли когнитивного усилителя, который берет на себя всю низкоквалифицированную работу по сбору и сопоставлению данных. Это меняет саму роль закупщика: из администратора документов он превращается в полноценного бизнес-партнера, который управляет стоимостью и рисками цепочки поставок, опираясь на быстрые ответы интеллектуальных систем.

УРОКИ ТЕСТИРОВАНИЯ И КАЧЕСТВО ДОКУМЕНТАЦИИ

Процесс внедрения агента по ВНД выявил неожиданный инсайт: техническое решение работает исправно, но обнаружились серьезные пробелы в самих нормативных документах компании. Оказалось, что пользователи задают вопросы, ответы на которые просто отсутствуют в базе знаний, или формулировки в регламентах настолько размыты, что даже продвинутая языковая модель не может извлечь однозначный ответ.

Это привело к пониманию того, что внедрение ИИ — это отличный аудит бизнес-процессов. Агент подсветил «дыры» в документации, что заставило компанию пересмотреть подход к написанию регламентов и начать их корректировку для повышения ясности и точности. Теперь работа над ИИ идет параллельно с работой по улучшению качества самой методологии закупок.

Кроме того, анализ запросов пользователей позволил сформировать обновленный roadmap развития продукта. Выяснилось, что потребности бизнеса выходят за рамки первоначальных гипотез, и теперь команда планирует добавлять новые области знаний в базу агента, чтобы максимально удовлетворить запросы как закупщиков, так и внутренних заказчиков.

КРИТЕРИИ УСПЕХА И ПРАВИЛЬНАЯ ИНТЕГРАЦИЯ

Для того чтобы проект по внедрению ИИ считался успешным, недостаточно одного правильного ответа агента. выделяет три ключевых критерия успеха: доведение качества ответов до высокого уровня, бесшовная интеграция в рабочий процесс и подтверждение экономического эффекта. Качество проверяется через «стресс-тесты» — провокационные вопросы и сложные кейсы от реальных пользователей.

Особое внимание уделяется пользовательскому интерфейсу и удобству доступа. Если для получения ответа агенту пользователю нужно совершить десять переходов между окнами или заниматься копипастом данных, эффективность системы стремится к нулю. «Если закупщику нужно 10 раз открыть какие-то окна... это просто неэффективно», — отмечает, настаивая на максимальном упрощении пути пользователя.

Третий критерий — подтверждение эффекта — остается самым дискуссионным, так как в крупных компаниях часто сосуществуют несколько разных методологий оценки. Тем не менее, стремление к прозрачному расчету экономии времени и ресурсов является единственным способом обеспечить долгосрочную поддержку проекта со стороны руководства и финансистов.

ЧЕЛОВЕЧЕСКИЙ ФАКТОР И КУЛЬТУРА ВНЕДРЕНИЯ

Технологии сами по себе не гарантируют успеха; решающим фактором является команда внедрения. подчеркивает необходимость подбора людей с определенным менталитетом — тех, кто относится к компании как к своему детищу, а не просто как к месту работы с 9 до 6. Именно такие «заряженные» сотрудники способны проталкивать сложные и провокационные изменения в культуре организации.

Проекты по оптимизации часто воспринимаются персоналом в штыки, так как люди видят в них угрозу своим рабочим местам. Чтобы преодолеть это сопротивление, важно иметь в команде лидеров мнений, которые могут объяснить ценность ИИ не как инструмента сокращения штата, а как средства избавления от ненавистной рутины и бюрократии.

В завершение своего выступления Мария Медведева формулирует главный тезис: «ИИ не заменит людей, люди с ИИ, скорее всего, заменят людей без ИИ». Это означает, что инвестиции в обучение сотрудников работе с интеллектуальными агентами становятся таким же важным стратегическим приоритетом, как и сама техническая разработка ПО.

Ключевым выводом стало то, что успех ИИ зависит от качества исходных данных и вовлеченности команды. Внедрение агентов позволило не только ускорить поиск информации, но и выявить пробелы в корпоративной документации, стимулируя её обновление. подчеркнула, что цель автоматизации — освобождение специалистов от рутины для выполнения более сложных интеллектуальных задач.

Заказать съёмку видео
у команды JSON.TV
Написать
Реклама услуг съемки видео

Связанное видео

Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
95
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
93
0
Ноябрь 2026 г.
CNews
"Информационные технологии завтра" CNews Forum 2026
127
0
Ноябрь 2026 г.
CNews
"Информационные технологии завтра" CNews Forum 2026
113
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
113
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
97
0
Ноябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
93
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
102
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
92
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
91
0
Ноябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
94
0
Ноябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
102
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
94
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
98
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
110
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
104
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
102
0
Октябрь 2026 г.
Агентные системы, языковые модели, мультимодальные модели, ИИ
Смотреть видео
CNews
Форум "Технологии искусственного интеллекта 2026"
99
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
146
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
104
0
Октябрь 2026 г.
TAdviser.ru
Искусственный интеллект и большие данные: от экспериментов к эффекту
105
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
102
0
Октябрь 2026 г.
CNews
Форум "Технологии искусственного интеллекта 2026"
108
0
Октябрь 2026 г.
Смотреть раздел полностью ->