Executive summary
Самое точное описание роли AI в закупках — не “замена закупщика”, а “младший закупщик внутри системы”. Он берёт на себя понятные, повторяемые действия. Когда сценарий выходит за пределы правил, он не импровизирует, а передаёт вопрос человеку.
Эта модель ближе к реальной работе закупочной команды, чем многие футуристические описания искусственного интеллекта. Новому сотруднику не поручают сразу сложные переговоры или критичные категории. Сначала он выполняет типовые задачи: собрать информацию, проверить статусы, подготовить сравнение, напомнить поставщику, оформить заявку. Если возникает отклонение — спрашивает руководителя.
Именно так должна развиваться автоматизация закупок. AI не обязан быть “всемогущим”. Он должен быть полезным в конкретных операциях и безопасным в точках риска.
1. Почему закупкам нужен управляемый AI, а не универсальный интеллект
Рынок закупочных технологий часто описывает AI как универсальный интеллект, который способен мгновенно заменить человека. Для реальной закупочной функции такая постановка некорректна.
Закупки — это не один процесс. Это набор разных сценариев:
- повторяющиеся закупки по каталогу;
- простые RFQ;
- поиск новых поставщиков;
- закупка услуг;
- закупка оборудования;
- проектные закупки;
- закупки с HSE-рисками;
- стратегические переговоры;
- управление поставщиками после исполнения.
У каждого сценария разные риски, разные данные, разные правила и разная допустимая степень автономности.
Поэтому вопрос не в том, может ли AI “заменить закупщика”. Правильный вопрос:
Какие действия закупщика достаточно типовые, чтобы их можно было передать агенту уже сейчас?
2. Как работает модель “младшего закупщика”
Младший закупщик внутри системы должен делать три типа действий.
1. Подготовительные действия
Это всё, что нужно до начала закупочной процедуры:
- разобрать заявку;
- уточнить недостающие параметры;
- предложить структуру брифа;
- подготовить первый вариант технического задания;
- определить категорию;
- подобрать шаблон закупки.
На этом этапе AI снижает количество возвратов заявки и ускоряет подготовку к sourcing.
2. Операционные действия
Это действия, которые обычно занимают много времени, но не требуют стратегического решения:
- найти поставщиков;
- сформировать long-list;
- отправить RFQ;
- собрать КП;
- напомнить о сроках;
- уточнить статус;
- привести предложения к сопоставимому виду;
- выделить отклонения.
Именно здесь возникает основной выигрыш во времени.
3. Аналитические действия
AI может подготовить основу для решения:
- сравнить цену, срок, условия оплаты;
- учесть рейтинг поставщика;
- проверить историю исполнения;
- выявить нестандартные условия;
- объяснить, почему одно предложение предпочтительнее другого.
При этом решение не должно быть слепым. Система должна объяснять логику рекомендации.
3. Где должен включаться человек
Human-in-the-loop — не формальность. Это архитектурный принцип.
Человек должен подключаться, если:
- выбран не самый дешёвый поставщик;
- поставщик новый и не прошёл достаточную проверку;
- цена превышает бюджет;
- предложение содержит существенные отклонения от ТЗ;
- поставщик имеет низкий рейтинг исполнения;
- есть HSE-риск;
- меняются условия оплаты;
- закупка относится к критичной категории;
- данных недостаточно для уверенного решения.
В этой логике AI не скрывает неопределённость. Он показывает её.
Это важный управленческий сдвиг. Хороший AI-агент не должен создавать иллюзию точности там, где данных недостаточно. Он должен уметь сказать: “по этому вопросу нужно решение человека”.
4. Пример сценария
Представим типовую закупку оборудования или материалов.
Шаг 1. Заявка
Внутренний заказчик описывает потребность неполно. AI задаёт уточняющие вопросы: какие параметры критичны, какие аналоги допустимы, какой срок поставки, какие требования к документации.
Шаг 2. ТЗ
Система предлагает структуру технического задания. Пользователь корректирует и утверждает.
Шаг 3. Поиск поставщиков
AI берёт исторические закупки, доступные источники, внутренний список поставщиков и формирует long-list.
Шаг 4. Запрос предложений
Система рассылает запрос, фиксирует статусы, напоминает поставщикам.
Шаг 5. Анализ
Поступившие предложения приводятся к единой структуре. Система отмечает отклонения: один поставщик не указал срок, другой предложил аналог, третий дал лучшую цену, но худшие условия оплаты.
Шаг 6. Рекомендация
AI предлагает решение и объясняет его:
Поставщик B рекомендуется к выбору. Цена выше минимальной на 2,9%, но срок поставки короче на 5 дней, условия оплаты соответствуют политике, рейтинг исполнения выше среднего, критичных замечаний по прошлым поставкам нет.
Шаг 7. Согласование
Если решение соответствует правилам, заказ готовится автоматически. Если есть отклонение — уходит на согласование.
5. Почему это лучше обычной автоматизации
Обычная автоматизация отвечает на вопрос:
Как быстрее провести закупщика через процесс?
AI-агент отвечает на другой вопрос:
Какие действия закупщика вообще не должны выполняться вручную?
Разница принципиальная.
В первом случае закупщик остаётся оператором. Во втором — становится владельцем процесса.
Обычная система требует, чтобы человек нажимал кнопки. Агентная система сама выполняет цепочку действий и обращается к человеку только там, где требуется управленческое решение.
6. Какие показатели нужно измерять
Чтобы оценить эффект модели “младшего закупщика”, нужно смотреть не только на экономию.
Ключевые метрики:
- доля заявок, обработанных без возврата;
- время от заявки до RFQ;
- время поиска поставщиков;
- доля автоматически подготовленных сравнительных таблиц;
- число ручных касаний на одну закупку;
- доля закупок, дошедших до рекомендации;
- доля закупок, переданных человеку из-за исключений;
- время от рекомендации до заказа;
- качество выбранного поставщика по факту исполнения.
Последняя метрика особенно важна. Если система ускорила выбор, но ухудшила качество исполнения, это не трансформация. Это ускорение ошибки.
7. Что это значит для закупочной функции
Для CPO модель AI как младшего закупщика создаёт новую операционную архитектуру.
Закупочная команда начинает делиться не по принципу “кто ведёт какую заявку”, а по принципу “кто управляет каким набором правил и категорий”.
Возможная структура:
- category owners задают правила выбора и допустимые отклонения;
- sourcing experts работают с рынком и сложными поставщиками;
- supplier managers развивают и оценивают поставщиков;
- AI agents выполняют повторяемую операционную работу;
- procurement control tower контролирует отклонения, риски и эффективность.
Это не уменьшает роль закупок. Напротив, закупки становятся более стратегической функцией, потому что перестают тратить большую часть времени на диспетчеризацию.
8. Подход Digital Purchasing
В Digital Purchasing эта логика выражается через сценарии. Типовая закупка раскладывается на шаги, где AI может обработать заявку, помочь сформировать ТЗ, найти поставщиков, собрать предложения, подготовить рекомендацию и передать решение на согласование.
Ключевой принцип — управляемая автономность.
Система делает сама только то, что находится в границах правил. Всё, что выходит за них, передаётся человеку.
Именно поэтому аналогия с младшим закупщиком точнее, чем идея “AI вместо закупщика”. Она честнее, безопаснее и ближе к реальной работе закупочной функции.
Дополнительные материалы
- Deloitte: 2025 Global Chief Procurement Officer Survey — https://www.deloitte.com/us/en/services/consulting/articles/2025-global-chief-procurement-officer-survey.html
- McKinsey: Transforming procurement functions for an AI-driven world — https://www.mckinsey.com/capabilities/operations/our-insights/transforming-procurement-functions-for-an-ai-driven-world
- The Hackett Group: Generative AI in Procurement 2025 — https://www.thehackettgroup.com/insights/embracing-the-future-how-generative-ai-is-revolutionizing-procurement-in-2025/
CTA
На разборе можно определить, какие действия закупщика достаточно повторяемы для AI-агента — и где человек должен оставаться в контуре принятия решений.