Топ-5 главных трудностей при внедрении ИИ в цепочки поставок

Об этом в материале расскажет Максим Федотов – технический директор инженерной IT-компании Git in Sky.

В 2024 году объем мирового рынка искусственного интеллекта (ИИ) в логистике и управлении цепочками поставок составил около 7,15 млрд долларов, и уже к 2034 году эксперты прогнозируют его рост почти до 192,5 млрд долларов. 

Такой скачок объясним – компании рассчитывают с помощью ИИ повысить точность прогнозов, сократить издержки и сделать цепочки поставок более устойчивыми. Однако, несмотря на то что около 60% ритейлеров называют ИИ приоритетным направлением для инвестиций, почти половина из них сталкиваются с проблемами на этапе внедрения.

Низкое качество и разрозненность данных 

По данным Boston Consulting Group, 61% компаний называют качество и доступность данных одним из ключевых барьеров для внедрения ИИ. Для ритейла и e-commerce это особенно актуально, ведь бизнес оперирует огромными объемами информации, которая часто распределена по десяткам систем (ERP, WMS, отдельные Excel-таблицы в разных подразделениях и т.д).

В результате данные могут дублироваться, противоречить друг другу или вовсе отсутствовать. В такой среде даже самая продвинутая ИИ-модель неизбежно начинает ошибаться просто потому, что она не видит полной картины происходящего. 


@Freepik (лицензия INV-C-2024-8250540)

Что помогает в таких случаях? Первое – аудит данных. Иными словами, оценка того, где именно они хранятся, в каких форматах представлены, насколько полными являются, где есть дубликаты или несоответствия. Второе – создание единого репозитория – централизованной платформы, где данные приводятся к общим стандартам и становятся доступными для анализа (будь то дата-лейк, MDM-система или централизованная база). 

И наконец, обеспечить постоянный мониторинг качества, когда автоматические проверки выявляют ошибки и аномалии еще до того, как они начинают искажать результаты моделей.

Хороший пример в этом плане – Amazon. Компания использует ИИ для синхронизации данных между поставщиками, складами и логистическими партнерами, а также применяет модели машинного обучения для прогнозирования спроса с учетом продаж, макроэкономических факторов и погодных условий в реальном времени. 

Результаты – увеличение скорости доставки на 75%, сокращение дефицита товаров на 35% и транспортных расходов на 10–15%.

Недостаточная совместимость

Даже когда с качеством данных все в порядке, возникает другая проблема: ИИ не видит реальные операционные связи за пределами периметра компании. Представим маркетплейс, который внедрил ИИ для прогнозирования сроков доставки. 

Внутренние данные из ERP и CRM в порядке, но при этом поставщики обновляют информацию о доступных объемах раз в сутки, логистический партнер передает статусы с задержкой, а региональные курьеры используют собственные форматы трекинга без единого API. 


@Freepik (лицензия INV-C-2024-8250540)

В итоге система уверенно обещает клиенту доставку в срок, хотя товар фактически еще не покинул склад. Для бизнеса это выглядит как ошибка алгоритма, но в реальности проблема кроется в отсутствии синхронизированных и надежных каналов обмена данными между участниками цепочки поставок.

Снизить этот риск помогает поэтапная интеграция: стандартизация API для внешних партнеров, выстраивание гибких ETL-процессов внутри компании и согласование единых правил передачи данных. Но, помимо этого, важна еще и согласованность процессов. Все участники цепочки должны понимать, какие данные в каком формате и с какой периодичностью они передают.

---

Читайте также: Невидимый сотрудник: как искусственный интеллект берет под контроль полки, кассы и графики

---

Универсальная проблема

Готовые ИИ-решения редко учитывают специфику конкретного бизнеса: нестандартные схемы распределения, правила комплектации заказов, региональные ограничения или особенности локальных рынков. Например, федеральный ритейлер может внедрить типовое ИИ-решение для оптимизации запасов, рассчитанное на классическую модель распределительных центров. 

Однако, допустим, что в отдельных регионах часть ассортимента может отгружаться исключительно через кросс-докинг. В результате система начинает предлагать логичные на бумаге, но нереализуемые на практике объемы поставок и маршруты.

Отдельная сложность – масштабирование таких решений. По мере роста нагрузки стандартные архитектуры часто становятся узким местом, так как требуется расширение вычислительных ресурсов, доработка моделей или пересмотр всей инфраструктуры. Это увеличивает и стоимость проекта, и сроки его ввода в эксплуатацию.


@Freepik (лицензия INV-C-2024-8250540)

Рабочий подход – это осознанная кастомизация. Сначала формулируется конкретная бизнес-цель и выделяются ключевые процессы, затем под них адаптируются модели и точки интеграции, и только после этого решение масштабируется. Такой подход как раз снижает риск ситуации, когда пилот выглядит успешным, но не приживается на практике.

Именно этой логики придерживается, например, «ВкусВилл». Компания использует готовые ИИ-модели, разворачивает их внутри своей инфраструктуры и дообучает под конкретные задачи. И сегодня ML-модели помогают «ВкусВиллу» прогнозировать спрос и оптимизировать поставки, снижая риски дефицита и излишков продукции.

Дефицит квалифицированных специалистов

Найти специалистов, которые одновременно разбираются в ИИ, владеют навыками MLOps и понимают специфику цепочек поставок, непростая задача. По данным IBM, до 44% организаций отмечают нехватку таких профессионалов.

У бизнеса здесь есть несколько возможных сценариев. Первый – инвестировать в обучение и развитие собственных команд. Второй, и часто более прагматичный, – привлекать внешних экспертов и технологических партнеров, уже имеющих опыт внедрения ИИ-решений в схожих условиях.

Усилия таких «гибридных команд», состоящих из штатных экспертов и специалистов извне, по статистике чаще оборачиваются успехом. Так, согласно отчету MIT, вероятность внедрения AI-решений от специализированных вендоров с привлечением внешних специалистов составляет около 67%. Это почти в два раза выше, чем вероятность успеха при реализации проекта силами действующих сотрудников.


@Freepik (лицензия INV-C-2024-8250540)

Бюджетные ограничения

Внедрение ИИ требует серьезных вложений – от лицензий и инфраструктуры до интеграции, поддержки и обучения персонала. Нередко компании сталкиваются с тем, что затраты растут быстрее, чем становится заметен эффект. При этом вопросы возврата инвестиций и высокой стоимости проектов часто становятся решающими стоп-факторами.

Один из способов снизить финансовую нагрузку – кастомизация уже существующих моделей, а не разработка решений с нуля. Представители того же «ВкусВилла» отмечают, что выбор в пользу адаптации готовых моделей был во многом продиктован именно экономическими соображениями.

Второй важный шаг – фокус на приоритетных направлениях, где ИИ способен дать быстрый и измеримый эффект. Например, прогнозирование спроса или оптимизация логистики, автоматизация инвентаризации или контроль качества поставок.

Наконец, еще один способ для снижения издержек – переход на облачные платформы и открытые решения, вместо полного развертывания платформ в собственных дата-центрах. Причем это не только снижает начальные инвестиции, но и позволяет гибко масштабировать решения по мере роста, а значит повысить шансы на успех проекта.

Максим Федотов,
технический директор инженерной IT-компании Git in Sky.

Для NEW RETAIL