AI-агенты в цепочках поставок: что реально работает

За последний год почти каждый крупный поставщик софта для цепочек поставок объявил о встраивании AI-агентов. SAP показала линейку Joule для планирования и закупок, Blue Yonder добавила агентов в свою платформу планирования, Microsoft вынесла агентов в Dynamics 365, а Oracle расширила ассистентов в Fusion Cloud SCM. Речь не о чат-боте, который отвечает на вопросы, а о системе, которая сама читает данные, предлагает решение и в ряде случаев выполняет действие — переоформляет заказ, меняет маршрут, эскалирует срыв поставки менеджеру.

Разберём, что стоит за словом «агент» в логистике, чем это отличается от привычной оптимизации маршрутов, где реальная польза, а где маркетинг опережает возможности технологии.

Что такое агент в контексте логистики

Классические системы планирования (APS, TMS, WMS) работают по заданным правилам и математической оптимизации: вы описываете ограничения, алгоритм считает лучший маршрут или график производства. Это детерминированная система — на одинаковых входных данных она даёт одинаковый результат и не умеет ничего за пределами заложенной модели.

AI-агент¹ устроен иначе. В основе — большая языковая модель, вокруг неё обвязка из инструментов: доступ к базе заказов, API перевозчиков, прогнозу спроса. Агент получает цель («не допустить срыва отгрузки по заказу №4471»), сам решает, какие данные запросить, и предлагает или выполняет шаги. Отсюда главное отличие: агент работает с неструктурированными вводными и ситуациями, которые заранее не были прописаны в правилах.

Оптимизатор отвечает на вопрос «как лучше». Агент пытается ответить на вопрос «что вообще сейчас происходит и что с этим делать» — и это принципиально другая задача.

На практике большинство продаваемых сегодня решений — гибрид: агент на LLM оркестрирует вызовы старых, проверенных оптимизаторов и не считает маршруты сам. Это важно понимать, оценивая обещания вендоров.

Кто что выпустил

Ниже — сравнение подходов основных игроков. Функциональность и доступность меняются с каждым релизом, поэтому конкретные возможности сверяйте в документации вендора на момент внедрения.

Общий знаменатель: почти нигде агенту не дают выполнять критичные действия без человека в цепочке. Финансовые операции, отмена крупных заказов, изменение контрактных условий требуют подтверждения. Это не ограничение технологии как таковой, а осознанное решение вендоров — цена ошибки в логистике измеряется в грузовиках и складах, а не в неудачном абзаце текста.

Где агенты дают измеримую пользу

Реальный эффект сегодня концентрируется в узких, повторяющихся задачах с большим объёмом рутины:

• Разбор исключений. Из тысячи заказов десяток идёт не по плану: задержка на таможне, недопоставка, брак. Агент собирает контекст по каждому случаю и готовит менеджеру короткую сводку с вариантами вместо того, чтобы человек лазил по пяти системам.
• Коммуникация с поставщиками. Уточнение сроков, запрос альтернатив, сверка документов — то, что раньше делалось письмами вручную.
• Реакция на срыв поставки. При задержке агент прогоняет сценарии: перекинуть с другого склада, сменить перевозчика, сдвинуть производство — и показывает последствия каждого в деньгах и сроках.
• Работа с документами. Извлечение данных из накладных, инвойсов, таможенных деклараций разного формата — задача, где LLM объективно сильнее шаблонных парсеров.

Публичных бенчмарков с сопоставимой методикой по этим сценариям в открытом доступе пока мало, а цифры экономии в маркетинговых материалах вендоров стоит воспринимать как ориентир, а не как гарантию.

Кому это пригодится, а кому нет

Пригодится

• Компаниям с большим потоком заказов и высокой долей ручного разбора исключений — там, где команда операционистов тонет в рутине.
• Тем, у кого данные уже собраны в единой системе (ERP/TMS) и агенту есть откуда читать. Без чистых данных агент галлюцинирует так же уверенно, как в любой другой задаче.
• Дистрибьюторам и ритейлу с сотнями поставщиков, где переписка и сверка съедают человеко-часы.

Не пригодится (пока)

• Малому бизнесу с десятком поставок в месяц — окупить внедрение и лицензии не выйдет, дешевле нанять человека.
• Компаниям с данными в Excel и разрозненных таблицах: агенту нужен доступ к структурированным источникам через API, иначе это дорогой генератор правдоподобных ответов.
• Процессам, где цена ошибки катастрофична и нет времени на подтверждение человеком — там надёжнее детерминированные системы с жёсткими правилами.

Цена вопроса и риски

Стоимость почти всегда идёт поверх основной платформы: агентские функции продаются как надстройка к ERP или через потребление токенов/кредитов. Публичного прайса «за агента» у большинства вендоров нет — цена обсуждается в рамках корпоративного контракта, и её стоит запрашивать напрямую с привязкой к вашему объёму операций.

Ключевые риски, о которых вендоры говорят неохотно:

1. Галлюцинации на критичных данных. Агент может уверенно сослаться на несуществующий заказ или неверный остаток. Отсюда обязательный человек в цепочке для важных действий.
2. Зависимость от качества данных. Мусор на входе — уверенный мусор на выходе, но теперь ещё и красиво оформленный.
3. Стоимость масштабирования. Каждый вызов модели стоит денег; на потоке из миллионов операций счёт растёт быстро.
4. Ответственность за решение. Если агент предложил перекинуть груз и это привело к убытку, отвечает компания, а не вендор — читайте условия сервиса.

¹ AI-агент — программа на основе языковой модели, которая получает цель, самостоятельно выбирает и вызывает инструменты (базы данных, API, калькуляторы) для её достижения и может выполнять действия, а не только выдавать текст. В отличие от чат-бота, агент способен на многошаговые действия без нового запроса от человека на каждом шаге.