Данила Драпеза, руководитель центра компетенций по искусственному интеллекту и нейросетям, ГК WINbd и ведущий мастер-класса в рамках Закупочного интенсива на Форуме «Закупки в бизнесе» ответил на ключевые вопросы об ИИ в закупках.

Данила, расскажите, пожалуйста, о вашем мастер-классе. Какова основная цель и что вы хотите донести до участников?

Об искусственном интеллекте сегодня говорят много и повсюду: о нём пишут, рассказывают, многие уже используют отдельные решения. Но независимо от профессии на рынке всё ещё остаётся главная проблема: не очень понятно, что делать с этой «совсем уж умной штукой» и в какой момент она превращается из разовой игрушки в постоянный операционный инструмент, который действительно помогает оптимизировать процессы.

Об этом и хочется говорить на мастер-классе. Практические примеры уже есть, рынок быстро меняется, и к этому нужно быть готовыми. Даже если кому-то кажется, что ИИ пока от него далёк, это не так: он уже встроен во многие приложения и сервисы. При этом даже у людей, которые работают с ИИ, он часто остаётся незаземлённым инструментом: к нему обращаются разово или каждый раз заново повторяют одну и ту же работу.

Цель мастер-класса — показать, как сделать взаимодействие с ИИ предсказуемым. Во-первых, уйти от страха, если человек ещё не начал им пользоваться. Во-вторых, перестать воспринимать генеративный ИИ только как вопросно-ответный чат и превратить бесконечные диалоги в процессы: не передавать каждый раз одну и ту же фактуру, получать воспроизводимые ответы и связывать их с реальными задачами и данными, а не просто с общими знаниями модели.

Мы хотим передать участникам универсальные механики, которые работают в разных инструментах. Не так важно, какая именно платформа окажется в корпоративном контуре, какую систему купит руководитель или какой сервис слушатели выберут сами: базовые принципы работы будут схожими, потому что именно так развивается рынок.

Почему именно искусственный интеллект становится важным инструментом в сфере закупок? Какие проблемы он помогает решить?

ИИ становится важным инструментом в любой профессии, где есть повторяющаяся рутина: монотонные операции, большое количество однотипных документов, которые нужно сопоставлять, перебирать и проверять. Сфера закупок как раз относится к таким направлениям.

Например, специалисту нужно собрать техническое задание из большого количества вводных, часть которых может быть неизвестна на старте, особенно если речь идёт о новой закупке. Затем — собрать предложения поставщиков, проверить их сопоставимость с ТЗ, проанализировать большой массив информации, учитывать актуальное законодательство и не упустить изменения в регламентах и стандартах.

Всё это, безусловно, может делать человек. Но тогда значительная часть его рабочего времени уходит именно на перебор и проверку информации. Генеративный И И не всегда выполняет такую работу лучше человека — это не магия. Но во многих случаях он способен сделать её сопоставимо по качеству и гораздо быстрее. Иногда проверить результат, подготовленный ИИ, проще и быстрее, чем вручную выполнять всю монотонную операцию с нуля.

Поэтому ИИ здесь нужен как инструмент ускорения. А какие именно задачи стоит передать ему в конкретной компании, каждая команда должна определить для себя самостоятельно.

Какие рутинные задачи в закупках вы считаете наиболее трудоёмкими и как ИИ может помочь их автоматизировать?

Прежде всего это задачи, в которых нужно сопоставлять большое с малым: сводить множество документов в один, сравнивать две версии документа, проверять заполненный договор относительно исходного шаблона, сопоставлять эталонное техническое задание с предложением поставщика и находить расхождения.

ИИ также может ускорять поиск по рынку. Например, помочь оценить текущую среднюю стоимость товара, продукта или услуги, собрать ориентир по рынку, найти успешные практики других регионов, городов или сопоставимых организаций. То есть быстро искать, сверять, проверять и во многом — заполнять.

Ещё один типовой сценарий — перенос неструктурированной фактуры в заданную форму. Если есть большой вводный текст, который нужно разложить по полям эталонного шаблона, человек может вручную копировать и вставлять фрагменты, а может передать эту операцию ИИ. Часть анализа данных и метрик тоже можно отдавать генеративному ИИ, например для создания быстрых дашбордов и графиков. Но со сложными точными расчётами нужно работать осторожнее: генеративная модель может ошибаться, поэтому здесь необходимы другие подходы к проверке.

При этом важно не считать ИИ единственным способом автоматизации. RPA-системы, цифровые роботы, CRM и классические автоматизации существуют десятилетиями и никуда не исчезли. Иногда они дешевле и эффективнее ИИ. Бывает и так, что стоимость внедрения решения на базе ИИ выше, чем привлечение дополнительных сотрудников. Поэтому сначала нужно оценивать задачу и экономику, а уже потом выбирать технологию — не использовать ИИ только потому, что о нём сейчас много говорят.

Можете ли вы привести примеры успешного внедрения ИИ в закупочные процессы на практике? Как это повлияло на эффективность работы команд?

У нас есть хороший кейс, одновременно прикладной и образовательный. Он нам особенно понятен, потому что мы работаем на пересечении консалтинга, образования и цифровых решений. Вместе с Правительством Москвы и Департаментом города Москвы по конкурентной политике мы проводили трёхмесячное обучение. Его участниками были не программисты, а специалисты, которые никогда не работали с кодом — и не должны были этого делать.

Мы разбирали инструменты генеративного ИИ, детально прорабатывали реальные задачи участников и декомпозировали процессы на множество этапов. Это позволило увидеть, что происходит на каждом шаге, какие документы с ним связаны, где можно использовать ИИ, а где без человека нельзя обойтись из-за чувствительности данных, конфиденциальности или необходимости ручной верификации.

Затем команды подбирали инструменты для отдельных этапов и создавали реальные финальные проекты — решения, в которых можно нажать кнопку и получить рабочий результат. В итоге появилось около 27 проектов, часть из которых сразу отобрали для реализации во внутреннем контуре силами Департамента информационных технологий. Это хороший пример внедрения, которое начинается с задачи человека, ежедневно работающего с конкретным процессом, а не с абстрактного распоряжения «автоматизировать всё».

Есть и другие практические примеры. В крупных банках генеративный ИИ используется для автоматического составления технических заданий: материалы по заказу загружаются в систему и собираются в нужную форму. В крупных закупочных организациях цифровой агент может искать в базе подходящих поставщиков и формировать подборку под конкретную закупку. В других сценариях ИИ проверяет полноту заполнения документов или расшифровывает рабочие встречи, быстро выделяя суть, цены и контрольные точки.

На первый взгляд это небольшие задачи, но именно в повторяемых операциях часто скрывается значительная экономия времени и денег. Эффект возникает не обязательно в одном глобальном проекте, а в десятках маленьких процессов, которые регулярно отнимают ресурсы команды.

Вы обучили более 20 компаний. Какие из них, не называя сами организации, по вашему мнению, достигли наибольших успехов благодаря внедрению нейросетей в свои процессы — и почему?

Пример Департамента города Москвы по конкурентной политике я считаю успешным именно потому, что люди не из ИТ, хорошо понимая собственные задачи, смогли подступиться к ИИ и реализовать проекты, необходимые им самим. Это решения по оптимизации процессов, с которыми команды сталкиваются каждый день, причём у каждой команды был свой процесс.

Наибольшего успеха обычно достигают там, где инициатива идёт снизу или одновременно с нескольких уровней организации. Глобальная формулировка вроде «автоматизируйте нам завод» практически нереализуема: непонятно, какие именно процессы нужно менять, для кого и какой результат должен получиться.

Рабочий путь выглядит иначе. Сначала нужно поговорить с людьми, которые ежедневно выполняют процесс, разобраться в его этапах, собрать связанные с ним документы. Затем вместе с этими специалистами подобрать инструменты, создать навыки и инструкции для ИИ-агентов, проверить результаты, найти ошибки и скорректировать решение. В этом случае люди понимают, что решают собственную задачу, и могут самостоятельно повторить процесс.

Если обучение строится только на отвлечённых примерах, такого эффекта добиться сложнее. Поэтому успешными я считаю команды, в которых после обучения появляется собственная внутренняя платформа или запрос на разработку конкретного решения, а не просто желание купить что-то очень мощное, модное и зарубежное.

Как внедрение ИИ в закупки влияет на работу специалистов? Что они могут делать вместо рутинных задач?

Специалисты могут сосредоточиться на задачах, которые не являются рутинными. Причём под рутиной мы часто понимаем интеллектуальную работу: человек прикладывает усилия, чтобы вычленить из таблиц нужные характеристики и перенести их в другую таблицу. Это требует внимания и квалификации, но остаётся повторяющейся операцией.

Освободив это время, специалист может заняться задачами, в которых больше ценности: креативной работой, развитием проектов, взаимодействием и коммуникацией. Коммуникацию тоже можно частично автоматизировать, но взаимодействие человека с человеком пока остаётся более понятной и эффективной схемой там, где нужно продать идею, заинтересовать поставщика, провести переговоры или учесть быстро меняющийся контекст.

Поэтому человек может перестать делать монотонную работу и сосредоточиться на том, где больше денег, ответственности и коммуникации. Конкретный набор таких задач, конечно, зависит от роли каждого специалиста.

Важно и то, что распространение цифровых систем и агентов не означает автоматического увольнения людей. Такие системы пока не полностью автономны: решения принимает человек, и ответственность — в том числе юридическая — остаётся на человеке. Меняется его позиция рядом с ИИ. Специалист, который раньше был только исполнителем, становится условным руководителем цифровых ассистентов и агентов, хотя прежде у него могло вообще не быть подчинённых. Он способен ими управлять, потому что знает задачу и много лет понимает, как она выполняется. Речь идёт не о простой замене человека ИИ, а о переходе человека в роль куратора.

Многие компании не спешат внедрять ИИ из-за опасения утечки данных. Какие рекомендации вы можете дать, чтобы обеспечить конфиденциальность при работе с ИИ?

На эту ситуацию можно посмотреть через опыт предыдущих технологических волн. Когда в 1990-е годы компании активно внедряли программное обеспечение, компьютеры и интернет, многие тоже опасались, что подключение к сети приведёт к утечке ценных документов и знаний. Пока документы стояли в папках на полке, всё казалось безопасным; как только данные начали хранить в электронных базах и обрабатывать в таблицах, появились новые риски. И эти риски были реальными. Поэтому годами развивались практики информационной и кибербезопасности, особенно в чувствительных отраслях.

С ИИ происходит похожий процесс. Компании нужны регламенты и стандарты: какие данные можно передавать, какие нельзя, какие инструменты разрешены и для каких задач. Главное правило здесь — простой запрет уже не работает. Люди сами приносят ИИ на работу. Если компания всё запретит, но не предложит понятных альтернатив и правил, сотрудники продолжат использовать неизвестные внешние сервисы с личных устройств, в том числе для чувствительной информации.

Поэтому важно обозначить не только то, где нельзя, но и то, где можно: какие внешние инструменты разрешены, с каким уровнем задач и данных допустимо работать, какие корпоративные решения доступны сотрудникам. Даже на минимальном технологическом стеке можно создать локального ассистента с небольшой языковой моделью — на сервере или мощном компьютере внутри организации. Более масштабное решение можно развернуть в отечественном облаке, чтобы соблюдать требования к размещению и обработке данных.

Передача персональных и других чувствительных данных в зарубежные сервисы, включая ChatGPT или DeepSeek, выводит разговор на другой уровень требований и рисков. Чтобы управлять конфиденциальностью, прежде всего нужно создать нормы, рамки и понятный контур ответственности. Только после этого становится ясно, что именно контролировать.

Как происходит процесс обучения сотрудников работе с нейросетями? Какие трудности могут возникнуть и как их преодолеть?

Всё зависит от того, кого именно мы обучаем. Руководителям и топ-менеджерам, которые, скорее всего, не будут постоянно работать с инструментами своими руками, важно понимать состояние рынка, типы решений и их возможности. Это позволяет им ставить задачи сотрудникам, принимать решения о внедрении и формировать обоснованные ожидания.

Сотрудникам, которые будут использовать ИИ ежедневно, нужны конкретные инструменты. Но не "зоопарк" из 150 всемогущих сервисов, а несколько решений, связанных с их реальными задачами. Учить нужно через прикладную работу: в финале человек должен увидеть результат выполнения собственной типовой задачи, а не отвлечённый демонстрационный пример.

Одна из основных трудностей — страх. Многие считают, что ИИ обязательно связан с кодом и программированием, хотя это далеко не всегда так. Даже когда код действительно нужен, сегодня его может написать языковая модель. От человека прежде всего требуется правильно поставить задачу. Если он умеет делегировать коллегам, то сможет делегировать работу и чат-системе или ассистенту. Если специалист хорошо выполняет процесс самостоятельно, он способен разложить его на этапы и объяснить цифровому исполнителю.

Другая сложность — разный уровень подготовки участников. Их можно сегментировать или сначала выровнять базовые знания. Хорошо работает практика внутренних амбассадоров: сотрудники, которые уверенно разбираются в инструментах, могут проводить короткие обучения и делиться кейсами. Полезно и внутреннее сообщество, где не стыдно показать удачный дашборд или спросить совета, если не знаешь, с чего начать.

Наконец, начинать можно с бытовых задач. Если человеку сложно сразу перенести ИИ в операционную работу, пусть он сначала использует его для планирования путешествия, придумывания сказки или помощи с учебным заданием ребёнка. Это позволяет спокойно освоить механику, а затем перенести её на более сложные профессиональные процессы.

Как вы видите будущее искусственного интеллекта в сфере закупок? Какие тренды, по вашему мнению, будут определять эту область в ближайшие годы?

Первый очевидный тренд — RAG-подход, когда большие языковые модели связывают с внутренними источниками знаний компании. Организации не нужны все знания мира: ей важно, чтобы модель хорошо понимала корпоративные документы, работала в заданном фокусе и за счёт этого меньше ошибалась. На этой базе создаются внутренние ассистенты для сотрудников и внешние консультанты для клиентов или покупателей, которые, например, помогают подобрать нужную позицию по номенклатуре.

Второй тренд — агентность. Разговаривать с чатом может быть полезно, но само по себе это ещё не оптимизация процесса. Нужны системы, которые способны определить последовательность действий: обратиться к CRM, забрать нужную выгрузку, отправить её конкретному человеку, дождаться ответа и продолжить работу, вернувшись к сотруднику только в тот момент, когда требуется действительно важное человеческое решение.

В корпоративную среду агентность будет проникать сложнее, потому что у каждой компании свои ограничения, требования безопасности, почтовые сервисы, мессенджеры, шаблоны и внутренние системы. Чтобы агент мог своими «цифровыми руками» дотянуться до всех необходимых инструментов, одного универсального коннектора часто недостаточно. Поэтому полностью унифицированного сценария здесь пока не будет.

Третий тренд связан с экономикой. По мере роста автономности и мощности моделей мы, вероятно, будем постепенно переходить от оплаты подписок и токенов к оплате конкретного действия, функции или решённой задачи — примерно так же, как оцениваем работу человека. Полезно уже сейчас смотреть на ИИ-инструмент как на найм нового сотрудника: готовы ли мы нанять человека за определённую сумму для выполнения такого пула задач и сколько готовы платить цифровому ассистенту или агенту за тот же результат?

При этом рынок остаётся непредсказуемым и развивается быстрее большинства прогнозов. Поэтому компаниям важно оставаться гибкими и иметь запасной план: сегодня доступна одна модель, завтра она изменится или доступ к ней будет ограничен; сегодня конкретный инструмент хорошо решает задачу, завтра появится более подходящий. ИИ — это во многом про гибкость и скорость, и к этому же должны стремиться организации.

Какой совет вы бы дали компаниям, которые только начинают внедрять ИИ в свои закупочные процессы?

Начать со стандартов, регламентов и ограничений. Важно честно узнать, что сотрудники уже делают: используют ли они ChatGPT или бесплатный DeepSeek, какие задачи пытались там решать и почему выбрали именно эти инструменты. После этого нужно не просто ограничить их, а направить и предложить разрешённые решения.

Затем стоит пилотировать конкретные задачи. Не пытаться сразу автоматизировать весь завод или всю компанию, а выбрать небольшой универсальный процесс, желательно знакомый большинству сотрудников. Хороший эталонный пример — транскрибация встреч: совещания есть у всех, их результаты нужно фиксировать, а договорённости — не терять. Такую задачу можно быстро проверить на практике, оценить качество результата, затем выбрать следующую небольшую задачу и постепенно масштабировать подход.

То есть начинать нужно с двух вещей: спросить людей, что уже происходит на практике, и проверить ИИ на небольшом понятном процессе.

Даже если в компании уже есть корпоративное решение, не стоит считать его вечным эталоном. Рынок меняется: завтра может появиться платформа на другой модели, которая решает ту же задачу эффективнее и дешевле. Поэтому крупные компании постоянно исследуют рынок цифровых решений, чтобы вовремя отказываться от устаревших инструментов и сохранять пространство для манёвра.

Что бы вы хотели, чтобы участники вашего мастер-класса запомнили и начали применять на практике после его завершения?

Я хочу, чтобы участники поняли: ИИ не всемогущ. По крайней мере сегодня и, вероятно, в ближайшие годы решения и ответственность — в том числе в рамках законодательства — остаются за человеком. Это принципиально важно.

При этом мы можем работать с разными инструментами и платформами: конкретные интерфейсы будут меняться, а базовые механики останутся схожими. Именно эти центральные принципы хочется вынести со встречи, чтобы участники могли применять их независимо от того, какая платформа окажется под рукой, будет куплена персонально или развёрнута в корпоративном контуре.

Хочется выровнять в понимании и тех, кто переоценивает ИИ и считает его всемогущим, и тех, кто уверен, что он всё делает плохо. Качество решения во многом зависит от качества поставленной задачи. Иногда soft skills — умение делегировать, декомпозировать процесс и чётко понимать, что именно ты сам делаешь как специалист, — оказываются важнее знания конкретного инструмента. Именно это помогает добиться от ИИ хорошего результата. Об этом мы и будем говорить на мастер-классе.