Управление остатками на складе: ИИ-агент в WMS против неликвида

Компания работала в складской системе: приёмка, размещение, отбор, отгрузка, остатки по местам хранения. Данные были, отчёты строились, кладовщики и менеджеры работали по регламентам. Но про неликвид компания узнавала на инвентаризации: позиция, которая не двигалась полгода, обнаруживалась как факт, а не как задача. Излишек на одном складе и дефицит на другом жили в разных отчётах и встречались только в переписке. Ниже — как эту задержку закрывает ИИ-агент: программа, которая по заданному правилу сама читает остатки и движения, показывает, где запас заморожен и сколько в нём денег, и готовит варианты решения. Первый эффект здесь — риски, которые перестают срабатывать: списание по сроку, деньги, замороженные в запасе, срочные закупки при излишке на соседнем складе, ручная инвентаризация как единственный источник правды и спор «склад против закупки» без общих чисел. Часы идут вторым планом и считаются отдельно.

Неликвид — это не «плохой товар». Это товар, который оказался не там, не в то время и не в том количестве. Позиция, залежавшаяся на складе в регионе, где спроса не было, могла бы продаваться в другом регионе; партия с коротким сроком могла бы уйти в промо месяц назад; запас, заказанный «на всякий случай», заморозил деньги, которые нужны на закупку ходовых позиций. Управление остатками — это не учёт, а решения: что перераспределить, что продать со скидкой, что заказать и что списать.

И это общая точка роста, а не частный случай. X5 Group в раскрытии экономического эффекта от ИИ-решений указала, что по итогам 2025 года он составил около 5 млрд рублей дополнительной операционной прибыли, и назвала направления, давшие основной вклад в EBITDA: прогнозирование спроса и пополнение, ценообразование, управление ассортиментом и рекомендации. Управление запасами входит в тот же контур: прогноз без работы с уже накопленным запасом не решает задачу. Это цифры одного игрока с выручкой около 4 трлн рублей — переносить их на средний бизнес нельзя, важен принцип.

Рынок инструментов при этом растёт. По исследованию рынка больших данных и искусственного интеллекта, которое Ассоциация больших данных провела совместно с группой компаний Б1 и TAdviser (ноябрь 2025 года), объём рынка в 2024 году составил 433 млрд рублей с ростом 33% к 2023 году, и наиболее высокую динамику в сегменте программного обеспечения показали как раз ИИ-решения — плюс 39%, в том числе за счёт предиктивных моделей. Предиктивная модель — это и есть то, что отличает «отчёт об остатках» от «предупреждения о неликвиде»: отчёт показывает состояние, модель считает, чем оно станет.

Коротко

ИИ-агент читает остатки, движения, партии и сроки из складской системы и учёта, считает по каждой позиции покрытие запаса и скорость продаж, показывает, где запас заморожен и сколько в нём денег, а где его не хватает при излишке на другом складе. На выходе — варианты решения с ценой каждого: перераспределить, продать со скидкой, вернуть поставщику, списать. Решение остаётся за человеком.

Содержание

• Почему неликвид находят на инвентаризации, а не в системе
• Что съедает время между «запас вырос» и «решение по позиции»
• Что делает ИИ-агент поверх складской системы и учёта
• Какие риски это снимает
• Сколько часов это возвращает
• Что остаётся за человеком
• Как это выглядит на практике
• Как внедрить поэтапно
• Источники

Почему неликвид находят на инвентаризации, а не в системе

Отчёт об остатках есть на любом складе. Вопрос в том, отвечает ли он на вопрос «что с этим делать». Обычно нет, и вот почему.

Причина первая — остаток измеряется в единицах, а решение принимается в деньгах и времени. «Лежит 400 штук» ничего не говорит: если это ходовая позиция с недельным запасом — норма, если позиция с продажами раз в квартал — это годы запаса и замороженные деньги. Нужны покрытие в днях и стоимость запаса, а не только количество.

Причина вторая — запас размазан по складам. Излишек на одном складе и дефицит на другом — типичная картина при региональной структуре, и увидеть её можно только сведя остатки и продажи по всем складам сразу. По отдельному складу каждый его остаток выглядит нормально.

Причина третья — срок годности живёт отдельно от остатка. Партии с коротким сроком требуют решения раньше, чем позиция станет неликвидом по оборачиваемости: у позиции с продажами раз в месяц запас может быть «нормальным» по покрытию и при этом безнадёжным по сроку.

Причина четвёртая — за неликвид никто не отвечает. Закупка заказала по плану, коммерция не продала, склад хранит. Пока нет регулярного разбора с владельцем решения, запас не двигается: у него нет ответственного, есть только место хранения.

Причина пятая — разбор делается раз в год. Неликвид видно на инвентаризации, потому что это единственный момент, когда кто-то смотрит на весь запас сразу. За год позиция успевает пройти путь от излишка до списания.

Что съедает время между «запас вырос» и «решение по позиции»

Если разложить путь от роста запаса до конкретного решения, картина повторяется:

• Сбор остатков по складам. Сколько чего лежит, в каких партиях, с какими сроками. Данные есть в системе, но собрать их в один разрез по позиции и складу — ручная работа.
• Сведение с продажами. Сколько продаётся и как быстро, чтобы понять покрытие запаса в днях или месяцах.
• Классификация. Что ходовое, что редкое, что уже неликвид. Без правила классификации решение принимается «на глаз», и разговор уходит в оценки.
• Подсчёт денег в запасе. Сколько оборотных средств заморожено по каждой позиции и группе — цифра, ради которой всё и делается.
• Поиск вариантов. Перераспределить между складами, продать со скидкой, вернуть поставщику, списать. Каждый вариант нужно посчитать: перевозка, скидка, условия возврата.
• Согласование между складами. Перераспределение — это договорённость между региональными командами, а не только перевозка.
• Контроль исполнения. Что решили, что перевезли, что продали, что списали.

Каждый пункт выглядит мелочью, вместе они дают ту самую задержку: к моменту решения позиция уже прошла ещё месяц хранения, а срок — ещё короче.

Что делает ИИ-агент поверх складской системы и учёта

Агент не заменяет учёт и не управляет складом. Он подключается к тому, что уже работает, и возвращает результат туда же.

1. Читает остатки и движения. Что лежит, где, в каких партиях и с какими сроками: в складской системе это уже есть на уровне операций, включая движения по местам хранения.
2. Читает продажи и поставки. Данные учёта торговли: скорость продаж по позиции и складу, что в пути.
3. Считает покрытие запаса. На сколько дней или месяцев хватит текущего остатка при текущем темпе продаж — по каждой позиции и складу.
4. Классифицирует по правилу. Ходовое, редкое, излишек, неликвид, риск списания по сроку. Правило задаёт человек.
5. Считает деньги в запасе. Сколько оборотных средств заморожено по позиции, группе и складу: цифра, которая превращает разговор об излишках в разговор о деньгах.
6. Ищет варианты. Перераспределение туда, где спрос есть; скидка и промо; возврат поставщику; списание — с ценой каждого варианта.
7. Ведёт журнал. Любой вывод объясним: на каких остатках, движениях и правилах он построен.

Меняется не учёт, а горизонт: неликвид становится видно не на инвентаризации, а в момент, когда он ещё излишек и в нём ещё есть деньги, которые можно вернуть. Строить для этого складской контур заново не нужно. «1С-Логистика:Управление складом 3.0», по описанию вендора, автоматизирует управление технологическими процессами складского комплекса. Рядом работают специализированные платформы: AXELOT с линейкой WMS и SCM-платформой и кейсами автоматизации складов российских компаний, Solvo с системами WMS, TOS, YMS, LEAD WMS, который заявляет снижение логистических затрат до 80% и рост производительности около 30% в своих проектах. Все эти цифры — вендорские заявления о своих внедрениях, а не независимый замер: смысл в том, что агент подключается к уже имеющемуся контуру, а не строит его заново.

Какие риски это снимает

Экономия часов — не главный аргумент. Ставка выше: запас — это деньги, и ошибка стоит сразу, просто видно её становится позже.

Деньги, замороженные в запасе

Каждая лишняя единица на складе — это оборотные средства, которые не работают. По 4 000 позициям замороженная сумма складывается в цифру, которой обычно не управляют: её не видно ни в отчёте о продажах, ни в отчёте о закупках.

Списание по сроку

Позиция с ограниченным сроком — самый дорогой вид неликвида: она не просто лежит, она обесценивается с каждым днём. Скидка за месяц до истечения срока дешевле списания после.

Дефицит на одном складе при излишке на другом

Классическая картина при региональной структуре: закупка видит общий излишек и не заказывает, а конкретный склад в конкретном регионе не может отгрузить клиенту. Свод по позиции и складу снимает эту слепую зону.

Срочные закупки при формальном излишке

Когда данных нет, закупка ориентируется на средние цифры и заказывает то, что уже лежит на другом складе, — или не заказывает то, что нужно здесь. Обе ошибки видны в деньгах: одна в запасе, другая в упущенной выручке.

Ручная инвентаризация как единственный источник правды

Если фактический запас узнаётся только на пересчёте, компания управляет по данным месячной давности и тратит дни работы склада на то, чтобы получить то, что может считаться регулярно.

Спор «склад против закупки»

«Вы заказали лишнего» против «вы не продали» — этот разговор не заканчивается, пока у обеих сторон нет одного расчёта денег в запасе и одной классификации позиций.

Сколько часов это возвращает

Часы — следствие. Но их полезно посчитать, чтобы понимать масштаб: ниже типовой расчёт для трёх складов и 4 000 активных позиций, где остатки разбираются ежемесячно. Вводные берите свои — методика не меняется.

Показатель	Вручную	С агентом
Активных позиций	4 000	4 000
Сверка остатков между складами	10 часов в неделю	3 часа (проверка расхождений)
Разбор неликвида и излишков	6 часов в неделю	3 часа (решения по списку)
Подготовка перераспределения	4 часа в неделю	2 часа
Всего в неделю	20 часов	8 часов
Всего в месяц	80 часов	32 часа
Возвращённое время	—	48 часов в месяц
В деньгах при стоимости часа 1 300 ₽	—	62 400 ₽ в месяц

Арифметика открытая: 10 + 6 + 4 = 20 часов в неделю, то есть около 80 часов в месяц. С агентом человек не собирает данные и не сводит склады, а проверяет расхождения и принимает решения по готовому списку: 3 + 3 + 2 = 8 часов в неделю, то есть 32 часа в месяц. Разница — 48 часов, больше рабочей недели, при стоимости часа 1 300 рублей это 62 400 рублей в месяц. Формулировка «типовой расчёт» здесь принципиальна: это математика на заявленных вводных, а не замер чужого результата. Главный эффект здесь не в часах, а в стоимости запаса, которую эти часы позволяют вернуть в оборот.

Что остаётся за человеком

Границу ответственности нужно задать до пилота, а не после первого списания:

• Решение по позиции — только человек. Перераспределить, продать со скидкой, вернуть или списать решает коммерция, склад и финансы вместе, а не программа.
• Права менять данные у агента отсутствуют. Он не правит остатки, не создаёт перевозки и не проводит списания: только чтение, расчёт и предложение.
• Правило неликвида задаёт человек. Какие сроки и какое покрытие считаются критичными — это управленческая настройка, а не вывод модели.
• Уценку утверждает человек. Скидка бьёт по марже, и её размер — решение, зависящее от отношений с клиентами и поставщиками.
• Полный журнал. Любой вывод объясним: на каких остатках, партиях и правилах он построен.
• Квалификация причин — за специалистом. Агент показывает факт и стоимость, причину (ошибка в остатке, смена упаковки, потеря клиента) определяет человек.

Такая рамка снимает главный страх при внедрении: система не получает права распоряжаться запасом, она получает право считать и предупреждать.

Как это выглядит на практике

В проектах, где мы начинали с остатков, первый шаг почти всегда один и тот же: инвентаризация данных, а не внедрение агента. Мы сверяли, что реально живёт в складской системе, а что — в таблицах менеджеров: где остатки расходятся с фактическими, где партии с коротким сроком не отмечены, где одна позиция существует под двумя названиями на разных складах. Затем фиксировали правило неликвида и вводили регулярный цикл «расчёт → список позиций с деньгами → решение → проверка» с горизонтом в один месяц. Запрос со стороны бизнеса был именно про деньги: «мы видим, что запас вырос, но не понимаем, где именно они лежат». Контрольный срез показал, что часть данных уже пригодна для расчёта, а часть потребовала донастройки справочников и правил сопоставления позиций между складами — и основной эффект дали именно эти донастройки: исчезла работа по восстановлению контекста, на которую уходила большая часть времени. Набор систем в том проекте был другим, но принцип тот же: данные уже есть, не хватает слоя, который считает деньги в запасе и показывает варианты.

Практический вывод: начинать нужно не с агента, а с правила «что мы называем неликвидом и по какой цене считаем деньги в запасе». Пока это правило не зафиксировано, автоматизация будет просто быстрее приносить неполный список. Как устроен такой контур в целом, мы разбирали в материалах про ИИ-агента для 1С и про прогнозирование спроса — эти две задачи работают в паре: прогноз подсказывает, что заказывать, разбор остатков — что делать с уже лежащим. Если системы нет и нужен простой расчёт остатков, есть шаблон складского учёта в Excel: он считает остаток по каждой позиции и показывает, где запас ниже минимума. А как та же логика работает в производстве — в статьях про диспетчеризацию производства и про обзор Топ-5 программ с ИИ для производства.

Как внедрить поэтапно

1. Выберите один склад и одну товарную группу. Один склад за один месяц даёт быстрый и проверяемый результат. Разбор сразу по всей номенклатуре превращается в долгий проект.
2. Зафиксируйте правило неликвида. Сколько дней без продаж и какое покрытие запаса считаем критичными, как учитываем срок годности. Правило пишется один раз и переиспользуется.
3. Опишите контур данных. Что агент читает (остатки, партии, сроки, движения, продажи, поставки в пути) и куда возвращает список — рядом с рабочим местом склада и коммерции, а не в отдельный файл.
4. Прогоните агента на закрытых периодах. Так появляется эталон: известно, какие позиции действительно оказались неликвидом и что с ними сделали, — и видно, что агент пропустил.
5. Ограничьте права явно. Чтение, расчёт, предложение. Без права менять остатки, создавать перевозки и проводить списания.
6. Померьте четыре числа. Доля неликвида в стоимости запаса, оборачиваемость, стоимость списаний и часы на сверку между складами. Именно они, а не презентация, — основание расширять пилот на следующий склад. Общая логика внедрения по шагам разобрана в статье Нейросети для бизнес-процессов.

Разбор самой системы и того, что в ней можно автоматизировать, — в отдельном материале: 1С:ERP: возможности производственного блока и что автоматизировать поверх системы; 1С:WMS: управление складом и что автоматизирует ИИ-агент.

Что в итоге

Неликвид ломается не на учёте, а на задержке: остатки есть, но не сведены с продажами, продажи есть, но не превращены в покрытие запаса, покрытие есть, но не выражено в деньгах, а деньги в запасе никому не принадлежат как ответственность. Пока это так, компания платит рисками: замороженными оборотными средствами, списаниями по сроку, дефицитом на одном складе при излишке на другом, срочными закупками и бесконечным спором между складом и закупкой. Показательно, что направление работает не только в теории: X5 Group по итогам 2025 года раскрыла около 5 млрд рублей дополнительной операционной прибыли от ИИ-решений, и управление товарным запасом идёт в том же контуре, что прогнозирование спроса и ценообразование. Агент поверх складской системы и учёта закрывает задержку между «запас вырос» и «решение по позиции», оставляя человеку правило неликвида, выбор варианта и цену скидки. Если хотите понять, где ваш склад хранит деньги, начните с одного склада и одной товарной группы. Как выбирают решения по цифрам в целом, разобрано в статье ИИ для руководителя, а общий отраслевой контекст собран в разделе ИИ в логистике.

Источники

• X5 Group, пресс-релиз «ИИ-решения принесли X5 5 млрд рублей дополнительной операционной прибыли» (01.06.2026): совокупный экономический эффект от внедрения ИИ-решений — около 5 млрд рублей дополнительной операционной прибыли по итогам 2025 года; основной вклад в EBITDA обеспечили модели в прогнозировании спроса и пополнении, ценообразовании, управлении ассортиментом и рекомендательных механиках; контур AI Core X5 переводит модели и агентные сценарии из пилотов в промышленное применение с едиными стандартами оценки эффекта: x5.ru
• Ассоциация больших данных, группа компаний Б1 и TAdviser, первое исследование российского рынка больших данных и искусственного интеллекта (ноябрь 2025 года): объём рынка в 2024 году — 433 млрд рублей, рост 33% к 2023 году; ИИ-решения в сегменте программного обеспечения показали наиболее высокую динамику — плюс 39% за 2023–2024 годы, в том числе за счёт предиктивных моделей: b1.ru
• «1С», описание решения «1С:Предприятие 8. 1С-Логистика:Управление складом 3.0»: продукт для автоматизации управления складским хозяйством предприятия, позволяет автоматизировать управление технологическими процессами современного складского комплекса: solutions.1c.ru
• AXELOT, сайт вендора: платформа AXELOT SCM, WMS и управление двором (YMS); примеры внедрений WMS на складах российских компаний (в том числе «Natura Siberica», «Автолига», «ТЕХНОНИКОЛЬ»). Вендорские материалы, функции и результаты не проверялись: axelot.ru
• «СОЛВО», сайт вендора: системы автоматизации логистики — WMS (Warehouse Management System, система управления складом), TOS (Terminal Operating System, система управления терминалом), YMS (Yard Management System, управление двором) и TMS (Transportation Management System, система управления транспортом); вендорское заявление о том, что TOS вендора обрабатывает более 45% морского контейнерооборота страны. Вендорские материалы и вендорская цифра, независимо не проверялись: solvo.ru
• LEAD WMS, сайт вендора: вендорские заявления о результатах своих проектов — снижение логистических затрат до 80%, средний рост производительности около 30%, кейс автоматизации 18 складов «Балтики» и рост скорости упаковки готовой продукции на 43%. Вендорские материалы и вендорские цифры, независимо не проверялись: leadwms.ru
• IBM, обзорная статья об искусственном интеллекте в цепочках поставок: направления применения ИИ в supply chain (цепочках поставок) — прогнозирование спроса, оптимизация запасов, планирование поставок; использована как зарубежный референс общего характера: ibm.com