Умная логистика: склад, приёмка и прогноз спроса с ИИ-агентом

Оптовый дистрибьютор с тремя складами работал в 1С:ERP (Enterprise Resource Planning — управление ресурсами предприятия) и 1С:WMS (Warehouse Management System — система управления складом): товар, заказы и остатки в системе были, а приёмка шла по бумажной накладной, остатки сверяли в таблицах, прогноз спроса собирали вручную раз в две недели. Умная логистика начинается не с роботов на конвейере, а с момента, когда данные трёх складов наконец сходятся в одной точке — и из них становится видно решение.

Система в такой компании есть уже несколько лет, и она честно показывает свершившееся: сколько приняли, сколько отгрузили, что лежит на складе. Но между этим фактом и решением — заказывать ещё партию или притормозить — стоит человек с таблицей. Пока таблица собирается, часть товара уходит в дефицит, а часть — в неликвид.

Именно этот разрыв и называют умной логистикой: не ещё одна программа, а слой, который читает данные склада и продаж, сопоставляет их и возвращает конкретную задачу. Ниже — что в такой связке уже закрыто системами, где теряются часы и деньги и что ИИ-агент действительно делает, а что остаётся за людьми.

Короткий ответ

Умная логистика — это когда данные склада и продаж превращаются в решения без ручной сверки. Системы 1С:ERP и 1С:WMS дают факт, ИИ-агент сопоставляет накладные с заказами, находит расхождения в день приёмки и собирает прогноз спроса. Он не заменяет систему и не принимает решения за людей: результат работы — задачи и пометки, а подпись и закупка остаются за человеком.

Содержание

• Что уже закрыто системой, а что держится на людях
• Что делает ИИ-агент поверх 1С:ERP и 1С:WMS
• Какие риски это снимает
• Сколько часов это возвращает
• Что остаётся за человеком
• Как это выглядит на практике
• С чего начать: чеклист на одну неделю
• Как внедрить поэтапно
• Что в итоге

Что уже закрыто системой, а что держится на людях

Система управления складом давно перестала быть экзотикой: по данным Strategy Partners, в России 60% компаний используют WMS, а 20% внедряют роботизацию. Рынок решений для склада растёт: по оценке TAdviser, выручка крупнейших поставщиков таких систем за 2024 год превысила 5,2 млрд рублей, прибавив в среднем 27%. То есть вопрос «нужна ли система» в среднем бизнесе уже закрыт — нужна не она, а работа поверх неё.

Система фиксирует, но не объясняет

1С:WMS знает, что на склад пришли 40 паллет, и разложит их по ячейкам. 1С:ERP знает, что по этому товару продажи выросли на прошлой неделе. Но ни одна из них не скажет, что в накладной пришло на 12 единиц меньше заказа, что часть партии уйдёт в дефицит через три недели и что по этой позиции уже второй месяц копится неликвид на дальнем складе.

Причина не в системах, а в том, что правила сопоставления живут в голове конкретного сотрудника. Кладовщик сверяет накладную с заказом выборочно, потому что на 100% строк не хватает времени. Менеджер по закупкам смотрит остатки раз в неделю, потому что чаще не успевает. Руководитель склада узнаёт о проблеме на инвентаризации — то есть через месяц после того, как её можно было увидеть.

Три места, где данные расходятся

• Приёмка. Накладная поставщика и заказ в системе совпадают не всегда: другой артикул, другое количество, другая партия. Расхождение фиксируется, но не проверяется — и дальше идёт либо недостача, либо спор с поставщиком без доказательств.
• Остатки. Товар есть в системе, но лежит в зоне, откуда его не отбирают, или числится на складе, где его физически нет. Продажи при этом строят планы по цифре, которая не соответствует реальности.
• Прогноз спроса. Собирается вручную из истории продаж и «ощущения сезона». Ошибка в прогнозе стоит двух вещей сразу: замороженных денег в неликвиде и потерянных продаж в дефиците.

Что делает ИИ-агент поверх 1С:ERP и 1С:WMS

ИИ-агент — программа, которая по заданному правилу сама читает документы и выполняет шаги. В связке со складом он не «думает вместо директора», а делает подготовительную работу, на которую у людей не хватает времени. Вот его рабочий цикл.

1. Читает приходные документы. Накладную поставщика, заказ на поставку, счёт — в том виде, в котором они пришли: скан, PDF, файл обмена. Извлекает артикулы, количество, партии и сроки.
2. Сопоставляет с заказом и остатками. Сверяет каждую строку с заказом в 1С:ERP и с приходом в 1С:WMS: что заказано, что пришло, что уже числится. Проверяет не выборочно, а все строки — на это уходит минуты, а не смена.
3. Помечает расхождения. Количество, артикул, партия, срок годности, цена. Расхождение уходит в задачу кладовщику с указанием строки и документа, а не всплывает на инвентаризации.
4. Собирает черновик прогноза спроса. Берёт историю продаж и отгрузок, сезонность и текущие остатки, считает, по каким позициям будет дефицит, а по каким — неликвид. По данным Strategy Partners, прогнозирование спроса — самое частое направление применения ИИ в цепочках поставок: его называют 40% компаний-лидеров против 19% отстающих.
5. Показывает узкие места отгрузки. Какие заказы не соберутся в срок из-за нехватки товара, какие рейсы уйдут недогруженными, где маршрут придётся менять. Здесь же всплывают те же данные, что нужны для маршрутизации: в разборе ИИ-агент в Global ERP видно, как узкие места маршрута считаются по факту, а не по плану.
6. Возвращает результат в привычное место. Задачи — в систему и мессенджер команды, пометки — в карточку товара, отчёт — руководителю склада. Отдельного «кабинета ИИ» нет: люди работают там, где работали.
7. Пишет журнал. Что прочитал, что сопоставил, что предложил, кто подтвердил. Это не бюрократия, а доказательная база: при споре с поставщиком видно, какая строка и когда разошлась.

Важно: агент ничего не «улучшает» в системе и не меняет остатки сам. Он читает и предлагает — запись в учёт делает человек или правило, которое человек однажды утвердил.

Какие риски это снимает

Разговор про умную логистику обычно начинают с экономии часов. Правильнее начинать с потерь, которые эти часы и создают: именно они стоят денег, а часы — уже следствие.

Дефицит ходового товара и потерянные продажи

Товар закончился на складе, где его ждали, и лежит на складе, где его не берут. Клиент уходит к конкуренту, а сеть снимает позицию с полки. Сценарий заканчивается не «упущенной выгодой», а падением оборота по категории на следующем цикле заказа. Агент показывает дефицит по позиции заранее — до того, как остаток стал нулём.

Неликвид и замороженные деньги

Обратная сторона того же процесса: закупили «на всякий случай», товар не пошёл, деньги стоят на складе месяцами, а полка занята. По данным Strategy Partners, мировой рынок ИИ в логистике оценивается в 12 млрд долларов в 2023 году с прогнозом до 549 млрд к 2033 году — и растёт он именно потому, что ошибка в запасах измеряется деньгами, а не удобством.

Расхождения при приёмке и спор с поставщиком

Недовезли 12 единиц, кладовщик подписал накладную «как есть», спор открывается через месяц — и доказывать нечем. Недостача ложится в потери, а следующий заказ приходит с тем же расхождением. Агент фиксирует расхождение в день приёмки, с номером документа и строкой: у спора появляется доказательная база.

Срыв поставки клиенту и штраф по договору

Сеть ждёт товар в определённое окно. Если отгрузка не собирается, штраф приходит по договору, а не «когда-нибудь». Видимость узких мест отгрузки за несколько дней до окна — это возможность перераспределить товар между складами, а не объясняться постфактум.

Зависимость от конкретного человека

Знание «что и когда заказывать» живёт в голове одного менеджера. Он уходит в отпуск — и решения принимаются по интуиции, а он увольняется — уходит и логика. Правила, перенесённые в агента, остаются в компании: их можно проверить, изменить и передать другому сотруднику.

Потеря управляемости

Руководитель склада узнаёт о проблеме из отчёта за прошлый месяц. К этому моменту решение уже не изменить, можно только зафиксировать потерю. Умная логистика в этом смысле — не про скорость работы, а про то, что отклонение видно в момент появления.

Сколько часов это возвращает

Часы — уже следствие. Но именно они переводят риски в язык, на котором считают бюджет. Возьмём типовой расчёт для склада на 800 строк приёмки в месяц — это средний распределительный склад дистрибьютора, а не рекорд.

Ручная приёмка одной строки — около 12 минут: найти заказ, сверить артикул и количество, отметить в системе, отложить документ. С агентом человек тратит 4 минуты: он подтверждает то, что агент уже сопоставил, и разбирает только помеченные расхождения. Экономия — 8 минут на строку, то есть около 107 часов в месяц на склад и 320 часов на три склада.

Показатель	Вручную	С агентом
Приёмка одной строки	12 минут	4 минуты
Проверка прихода с заказом	выборочно, около 15% строк	все 100% строк
Прогноз спроса	24 часа в месяц	2 часа в месяц
Когда видно расхождение	на инвентаризации	в день приёмки
Отчёт по остаткам и дефициту	3 часа в неделю	20 минут

Деньги считаются по ставке линейного персонала. По данным hh.ru, приведённым в обзоре рынка логистики за девять месяцев 2025 года, зарплата грузчика — 60,1 тыс. рублей в месяц; при 164 часах это около 366 рублей в час. Тогда 320 часов приёмки — примерно 117 тыс. рублей в месяц. Прогноз спроса освобождает ещё 22 часа работы специалиста (около 549 рублей в час) — это ещё около 12 тыс. рублей. Итого порядка 129 тыс. рублей в месяц на трёх складах, или около 1,55 млн рублей за год — без стоимости внедрения, которая считается отдельно под конкретную связку систем.

Проверить, что часы действительно освободились, а не переехали в другую таблицу, помогает внедрение ИИ в бизнес: там описан замер до и после на одном и том же процессе.

Что остаётся за человеком

• Подпись приёмки. Решение «принять с расхождением или вернуть поставщику» принимает человек: у агента нет полномочий и не должно быть.
• Закупка. Агент готовит черновик прогноза и показывает риск дефицита — объём заказа утверждает менеджер, зная договорённости с поставщиком и планы сети.
• Изменение маршрута и приоритетов отгрузки. Рейс может измениться из-за клиента, погоды или поломки — это решение диспетчера, а не расчёт.
• Работа с контрагентом. Претензия, скидка, замена партии — переговоры. Агент даёт факты, но не ведёт разговор.
• Правила. Агент работает по правилам, которые кто-то утвердил: что считать критическим дефицитом, какой запас держать, по каким позициям не прогнозировать вообще. Эти правила меняются человеком и фиксируются письменно.

Как это выглядит на практике

В нашем опыте такая связка строилась для ритейлера с сетью точек и для сети общепита — там, где прогноз спроса и остатки определяют, что попадёт на полку и в меню завтра. Процесс жил в 1С:ERP и 1С:WMS, а решения принимались вручную: операционный директор получал сводку по остаткам и сам решал, что перераспределять между точками и складами.

Что делали поверх системы: агент читал приходные документы и историю отгрузок, сопоставлял остатки по складам и точкам, собирал список позиций с риском дефицита и неликвида и предлагал перераспределение. Отдельным сценарием шла маршрутизация: те же данные показывали, какие рейсы уйдут недогруженными и какие точки останутся без поставки, если ничего не менять.

Границы измерения при этом важны: эффект считался по конкретным процессам (приёмка, сборка прогноза, перераспределение), а не «по компании в целом». Сравнение шло по одним и тем же метрикам до и после — иначе цифра эффекта превращается в презентацию.

С чего начать: чеклист на одну неделю

Прежде чем говорить о внедрении, стоит проверить, есть ли на что его ставить. Пять пунктов, которые закрываются за неделю силами склада и ИТ.

1. Выгрузить из 1С:WMS строки приёмки за последний месяц и посчитать их количество — это база для расчёта часов.
2. Замерить, сколько минут реально уходит на одну строку: не по регламенту, а по факту, замером на трёх разных людях.
3. Найти все места, где накладная поставщика сверяется с заказом: часто их два-три, и в каждом свои правила.
4. Посчитать, сколько позиций за последний квартал уходили в дефицит и сколько денег стояло в неликвиде.
5. Проверить, есть ли в системе история продаж по каждой позиции и складу за 12 месяцев — без неё прогноз строить не на чем.

Как внедрить поэтапно

1. Один склад, один процесс. Начинать с приёмки проще всего: есть документ, есть правило сверки, есть понятный результат. Прогноз спроса подключается вторым — он требует истории и доверия к данным.
2. Замер до старта. Строки приёмки, минуты на строку, часы на прогноз, число расхождений. Без этих цифр эффект потом не доказать.
3. Правила письменно. Что считать расхождением, при каком отклонении поднимать задачу, какие позиции исключены. Правила утверждает руководитель склада — агент их исполняет.
4. Пилот на реальных документах. Не на демо-данных: первый же месяц покажет, какие накладные агент читает плохо — сканы, рукописные правки, нестандартные формы.
5. Сверка с человеком. Первые недели агент работает «в параллель»: он помечает, человек проверяет. Расхождение в решениях разбирается сразу, а не копится.
6. Расширение по складам. Когда процесс на первом складе стабилен, подключаются остальные — с теми же правилами и теми же метриками.

Если в контуре есть производство или оборудование, следующий шаг обычно связан с простоями: логика та же — данные уже есть, не хватает слоя, который их объясняет. Пример — предиктивное обслуживание оборудования и ИИ-агент в 1С:MES (MES, Manufacturing Execution System — система управления производственными заданиями). А если процесс живёт в рознице и касается цен и промо, полезно посмотреть опыт Штрих-М.

Что в итоге

Умная логистика не начинается с роботов и не заканчивается прогнозом на экране. Она начинается с того, что накладная, заказ и остатки сверяются между собой каждый день, а не раз в месяц — и разница видна тому, кто принимает решение. Сначала снимаются риски: дефицит ходового товара, замороженные деньги в неликвиде, спор с поставщиком без доказательств, срыв отгрузки и зависимость от одного человека. Деньги и часы идут следом: около 129 тыс. рублей в месяц на трёх складах в типовом расчёте — это уже следствие, а не цель.

Систему при этом менять не нужно. 1С:ERP и 1С:WMS остаются на месте: они дают факт, а ИИ-агент превращает его в задачи. Человек подписывает, закупает и отвечает — агент читает, сопоставляет и показывает.

Источники

• 29% компаний отрасли транспорта и логистики в России планируют использовать ИИ (без генеративного) в ближайшие 2–3 года; 6% уже внедряют генеративный ИИ и ещё 16% планируют; прогнозирование спроса — топ-направление у 40% компаний-лидеров против 19% отстающих; в России 60% компаний используют системы управления складом (WMS), 20% внедряют роботизацию; мировой рынок ИИ в логистике — 12 млрд долларов в 2023 году с прогнозом 549 млрд к 2033 году: «Технологические тренды в логистике», 2025 — Strategy Partners.
• Обследование Росстата по методологии ИСИЭЗ НИУ ВШЭ охватило свыше 15 тысяч крупных и средних организаций за 2024 год: в логистике и транспорте технологии ИИ востребованы заметно реже, чем в продажах и производстве; 48% организаций заявили об отсутствии потребности в ИИ, 58% назвали препятствием высокие затраты: «Применение искусственного интеллекта в организациях» — ИСИЭЗ НИУ ВШЭ.
• По итогам первых девяти месяцев 2025 года на hh.ru размещено около 1 млн вакансий в логистике, что на 21% меньше, чем годом ранее; на линейный персонал пришлось более 580 тыс. объявлений; 53% логистических компаний признали первое полугодие 2025 года неудачным по найму; зарплата грузчика — 60,1 тыс. рублей, машиниста — 140,5 тыс. рублей: «Логистика на распутье: кадровый дефицит, 1 млн вакансий» — обзор рынка логистики по данным hh.ru, 2025.
• В России не хватает около 180 тысяч работников складов, а в большинстве регионов нехватка составляет 30–50%; особенно остро дефицит ощущается среди сортировщиков, комплектовщиков и водителей: «Дефицит кадров на складах 2025: причины, последствия и решения» — отраслевой обзор, август 2025.
• Выручка участников рейтинга крупнейших поставщиков систем управления складом за 2024 год превысила 5,2 млрд рублей, компании прибавили в среднем 27%: «Российский рынок WMS: точки роста» — TAdviser, декабрь 2025.