Вымпелком - автоматизация закупок с помощью ИИ-агентов, Мария Медведева
Мария Медведева, дирекция по закупкам и логистике, ВымпелКом. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.
Детали перехода от ручного поиска по регламентам к автоматизированным системам поддержки принятия решений.
ПРОБЛЕМАТИКА РУЧНОГО ПОИСКА И БОЛИ ЗАКУПОЧНЫХ ПРОЦЕССОВ
Типичный рабочий день специалиста по закупкам сегодня перегружен избыточными операциями, которые не приносят ценности бизнесу. Когда заказчику требуется консультация по проведению закупочного мероприятия, сотрудник вынужден погружаться в бесконечные массивы документов. Это процесс, который напоминает поиск иголки в стоге сена: нужно открыть один файл, затем перейти по ссылке в другой документ, сопоставить данные из третьего источника. В результате время отклика увеличивается многократно, что вызывает закономерное раздражение у заказчика и тормозит общие бизнес-процессы.
Особенно остро эта проблема проявляется в моменты пиковых нагрузок или в конце рабочей недели. Ситуация, когда сотрудник остается в офисе до позднего вечера в пятницу, пока коллеги уже отдыхают, становится нормой из-за необходимости вручную искать актуальную версию документа или вспоминать, где именно была сохранена последняя правка. «Достаточно сложная история, но я думаю, она всем очень сильно знакома», — отмечает автор, подчеркивая системный характер проблемы потери времени на поиск информации.
Такая организация труда ведет к эмоциональному выгоранию персонала и снижению качества принимаемых решений. Когда закупщик не может оперативно дать точный ответ из-за разрозненности данных, страдает вся цепочка поставок. Это создает критическую зависимость от «институциональной памяти» отдельных сотрудников, вместо того чтобы опираться на структурированную базу знаний, доступную в режиме реального времени для всех участников процесса.
ФУНДАМЕНТ ДЛЯ ВНЕДРЕНИЯ ИИ: РОЛЬ SRM-СИСТЕМЫ И ДАННЫХ
Переход к использованию искусственного интеллекта стал возможен благодаря многолетней подготовительной работе по цифровизации закупочного контура. Компания успешно развернула полноценную SRM-систему, в которую были интегрированы практически все ключевые процессы: от первичной договорной работы и выбора поставщика до принятия окончательных решений по мероприятиям и управления заказами. Таким образом был создан сквозной end-to-end процесс, где каждое действие фиксируется в системе.
Огромный объем накопленных данных по всей цепочке закупок, дополненный плотной интеграцией с внутренним контуром ERP, создал необходимую информационную базу. Однако само по себе наличие данных не решает проблему их извлечения. Даже в структурированной системе закупщику или договорнику бывает сложно быстро найти конкретный ответ на сложный вопрос. Именно здесь возникает потребность в интеллектуальных агентах, которые могут выступать интерфейсом между сырыми данными и конечным пользователем.
Критически важным условием для успеха ИИ-проекта является качество входных данных. Автор подчеркивает, что внедрять агентов имеет смысл только тогда, когда данные четко структурированы и связаны между собой. «Потому что если у вас на входе полная каша из данных, то вам агент либо будет ошибки выдавать, либо просто он будет совершенно бесполезен», — поясняет автор. Таким образом, предварительная нормализация данных становится главным предохранителем от провала проекта.
МЕТОДОЛОГИЯ ВЫБОРА ПРИОРИТЕТНЫХ ИНИЦИАТИВ ДЛЯ РАЗРАБОТКИ
На начальном этапе перед командой стоял выбор из более чем десяти потенциальных идей по автоматизации. Чтобы определить наиболее перспективные направления, был проведен детальный анализ рынка (RFA) и серия внутренних брейнштормов. Целью было создание прозрачного фильтра, который позволил бы объективно оценить каждую инициативу и выбрать те, которые принесут максимальную пользу в кратчайшие сроки.
В качестве основных критериев отбора были определены два параметра: ценность для бизнеса и техническая реализуемость. Команда искала решения, которые не требовали бы чрезмерно сложных технических доработок, но при этом могли бы существенно сократить объем ручного труда как для закупщика, так и для внутреннего заказчика. Такой подход позволил избежать «ловушки перфекционизма» и сосредоточиться на быстром получении измеримого результата.
В итоге были выбраны две ключевые задачи: работа с внутренними нормативными документами (ВНД) по регламентам закупок и автоматизация квалификации контрагентов. Эти направления объединяет общая цель — оптимизация ручного труда одного и того же круга пользователей. Сочетание этих двух инструментов дает синергетический эффект, закрывая основные болевые точки в процессе взаимодействия заказчика и службы закупок.
ОПТИМИЗАЦИЯ РАБОТЫ С ВНУТРЕННИМИ НОРМАТИВНЫМИ ДОКУМЕНТАМИ
Первым приоритетным направлением стала автоматизация ответов по внутренним регламентам. Процесс закупок со стороны заказчика всегда сопровождается проверкой огромного количества документации: нужно убедиться в корректности данных, проверить соответствие нормам компании и сделать выводы о допустимости тех или иных действий. Раньше это требовало глубокого погружения в текстовые файлы, теперь же агент берет на себя роль эксперта-консультанта.
На текущий момент решение по ВНД уже находится в стадии промышленной эксплуатации. После успешного тестирования прототипа и проверки качества ответов, система готова к массовому развертыванию. Ожидается, что в течение нескольких недель пользователи получат доступ к инструменту, который позволит мгновенно узнавать количество необходимых закупок и порядок их проведения без необходимости ручного поиска по папкам с регламентами.
Внедрение этого агента позволяет перевести коммуникацию из режима «запрос — долгое ожидание ответа» в режим «мгновенное получение справки». Это не только экономит время, но и снижает уровень стресса у сотрудников. Теперь закупщик может быть уверен, что предоставляет информацию, основанную на актуальной версии документа, а заказчик получает ответ в режиме реального времени, что значительно ускоряет общий цикл закупочного мероприятия.
СЛОЖНОСТИ И ОСОБЕННОСТИ АВТОМАТИЗАЦИИ КВАЛИФИКАЦИИ ПОСТАВЩИКОВ
Квалификация контрагентов оказалась гораздо более сложной задачей по сравнению с работой по регламентам. Основная трудность заключается в том, что для полноценной проверки поставщика недостаточно внутренних данных компании. Требуется анализ внешних документов, которые предоставляет контрагент в большом объеме, и обязательная верификация этих сведений через интернет-ресурсы.
Для реализации этой функции потребовался доступ к внешним сервисам для проверки существования СРО, подтверждения опыта работы компаний и сверки заявленных компетенций. «Поэтому здесь требуется доступ к интернету», — отмечает автор. К счастью, в компании уже существовал соответствующий сервис, к которому удалось подключить ИИ-агента. Сейчас прототип работает на open-source решении и тестируется на локальных машинах.
Процесс доработки агента по квалификации займет больше времени из-за сложности верификации данных. Текущий этап включает в себя анализ ответов и их корректировку перед передачей внутренней команде разработки для масштабного развертывания. Ожидается, что полноценный запуск этого инструмента в продуктивную среду состоится в первом квартале следующего года, после завершения всех этапов тестирования.
ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ И МЕТОДИКА РАСЧЕТА ROI
Вопрос оценки эффективности внедрения ИИ-агентов является одним из самых дискуссионных. Автор предлагает использовать подход, основанный на расчете бейзлайна — базового уровня затрат времени до внедрения системы. Формула проста: количество рабочих часов, которые сотрудник тратит на операцию, умножается на его ставку, что позволяет получить стоимость ручного труда в месяц и год.
Однако расчет чистого экономического эффекта требует учета всех сопутствующих расходов. В формулу должны быть включены затраты на инфраструктуру, оплата токенов ИИ-моделей и стоимость работы IT-персонала по разработке и поддержке агентов. Важно понимать, что в некоторых случаях отдельный агент может оказаться экономически неэффективным, если стоимость его разработки превышает выгоду от сокращения трудозатрат.
Тем не менее, при рассмотрении совокупности всех внедренных агентов общий экономический эффект становится очевидным. Главная сложность здесь заключается в необходимости нормализации данных на старте: «Если у вас этой базы нет, это все в Excel, в почте... очень сложно доказать финансистам о том, что эта инициатива будет эффективна». Поэтому работа с данными предшествует любым расчетам эффективности.
ТРАНСФОРМАЦИЯ РОЛИ ЗАКУПЩИКА И ВОПРОС ЗАМЕНЫ КАДРОВ
Существует распространенное опасение, что внедрение интеллектуальных агентов приведет к массовому сокращению персонала. Однако автор утверждает, что цель проекта — не замена человека машиной, а освобождение сотрудника от низкоквалифицированного ручного труда. Оптимизация FTE (эквивалента полной занятости) в данном случае означает перераспределение ресурсов на более важные задачи.
Когда агент берет на себя поиск по регламентам и первичную проверку документов, у закупщика освобождается время для действительно интеллектуальной работы. К таким задачам относятся разработка долгосрочных стратегий закупок, проведение сложных переговоров с поставщиками и принятие стратегических решений. «Мы не предлагаем заменять закупщиков ассистентами», — подчеркивает автор.
Таким образом, ИИ становится инструментом усиления профессионала, а не его заменой. Ценность сотрудника теперь будет определяться не способностью быстро найти нужный пункт в регламенте, а умением использовать полученные от ИИ данные для оптимизации затрат компании и управления рисками. Это качественный переход от функции «оператора данных» к функции «бизнес-аналитика».
НЕОЧЕВИДНЫЕ УРОКИ: ВЛИЯНИЕ ИИ НА КАЧЕСТВО ДОКУМЕНТАЦИИ
В процессе тестирования агента по внутренним нормативным документам была выявлена неожиданная проблема. Оказалось, что ошибки в ответах ИИ часто были вызваны не техническими сбоями модели, а низким качеством самих исходных документов. Агент подсветил «дыры» и противоречия в регламентах, которые годами оставались незамеченными людьми.
Выяснилось, что пользователи задают вопросы, ответы на которые вообще отсутствуют в текущей базе знаний. Это позволило сформировать реальный roadmap развития системы, основываясь на фактических потребностях бизнеса, а не на теоретических предположениях. ИИ фактически выступил в роли аудитора корпоративной документации, показав, где формулировки слишком размыты или устарели.
В результате компания начала корректировать саму документацию, чтобы она была более структурированной и понятной как для людей, так и для алгоритмов. Это важный урок: внедрение ИИ требует не только технической настройки, но и пересмотра методологии описания бизнес-процессов. Качество ответов агента напрямую зависит от того, насколько четко сформулированы правила в первоисточниках.
КРИТЕРИИ УСПЕХА И ПРАВИЛЬНАЯ ИНТЕГРАЦИЯ В РАБОЧИЙ ПРОЦЕСС
Для того чтобы проект по внедрению ИИ-агентов считался успешным, автор выделяет три ключевых критерия. Первый — это доведение качества ответов до высокого уровня. Недостаточно одного правильного ответа; систему нужно «угонять» на разных кейсах, задавать провокационные вопросы и собирать данные от всех участников процесса, чтобы минимизировать риск галлюцинаций ИИ.
Второй критический фактор — бесшовная интеграция в рабочий процесс. Если для получения ответа закупщику нужно совершить десять переходов между окнами или заниматься копипастом данных, эффективность системы стремится к нулю. Агент должен быть встроен в привычный интерфейс пользователя так, чтобы взаимодействие с ним было максимально естественным и быстрым.
Третий критерий — подтверждение реального эффекта. Несмотря на то что методологии оценки эффективности часто разнятся даже внутри одной компании, необходимо иметь четкие метрики успеха. Только сочетание высокого качества ответов, удобства интерфейса и измеримой экономии времени позволяет говорить о полноценном успехе цифровой трансформации.
ЧЕЛОВЕЧЕСКИЙ ФАКТОР И КУЛЬТУРА ВНЕДРЕНИЯ ИННОВАЦИЙ
Техническая сторона проекта — лишь часть успеха. Самым важным элементом является формирование команды из людей, которые относятся к компании не просто как к работодателю с графиком с 9 до 6, а как к своему детищу. Автор отмечает, что для реализации провокационных проектов необходимы сотрудники с высоким уровнем внутренней мотивации и чувством ответственности за результат.
Проекты по оптимизации часто воспринимаются персоналом в штыки, так как люди видят в них угрозу своим рабочим местам. В такой атмосфере только команда «горящих» людей может преодолеть сопротивление среды и довести продукт до конца. Важно искать тех, кто готов работать на результат, а не просто формально выполнять свои обязанности до наступления времени ухода из офиса.
В завершение автор формулирует главный тезис: «ИИ не заменит людей, люди с ИИ, скорее всего, заменят людей без ИИ». Это означает, что инвестиции в обучение персонала работе с новыми инструментами и автоматизацию рутины являются единственным способом сохранения конкурентоспособности специалиста на современном рынке труда.
В докладе представлен практический кейс внедрения ИИ-агентов в систему закупок компании для автоматизации работы с регламентами и квалификации контрагентов. Автор подчеркивает, что успех проекта зависит от качества исходных данных (SRM/ERP), правильного выбора приоритетов через фильтр бизнес-ценности и технической реализуемости, а также от наличия мотивированной команды.
Основной эффект внедрения заключается не в замене сотрудников, а в освобождении их от рутинного поиска информации, что позволяет переключить внимание на стратегические задачи: переговоры и управление цепочками поставок. Важным выводом стало то, что ИИ помогает выявить недостатки в самой корпоративной документации, стимулируя её обновление и систематизацию.
