Как мы внедрили ИИ-коммерческого директора на производстве

Коротко о результате

Не демонстрация чат-бота, а работающий контур наблюдения

В компании «Казанские Деликатесы», производителе продуктов питания в Казани, мы запустили первую версию ИИ-коммерческого директора (AI Commercial Director). Это не автономный директор с правом подписывать договоры. Это коммерческий аналитический агент, который по расписанию проверяет каталог, отслеживает изменения, организует гипотезы о развитии ассортимента и готовит отчёты собственнику.

1 ноября 2026 года проверены рабочие циклы на сервере и выполнена первая успешная тестовая доставка отчёта в личный Telegram руководителя. Регулярные уведомления активированы. Поскольку проект находится на раннем этапе, результатов за месяцы эксплуатации, подтверждённой экономии и роста чистой прибыли здесь нет.

Главная идея: сначала автоматизировать проверяемую работу с фактами и сигналами, а не выдавать языковой модели полномочия управлять коммерцией.

Почему возникла задача

Коммерция производственной компании сложнее набора Excel-файлов

У пищевого производства одновременно существуют ассортимент для разных категорий клиентов, изменения товарных карточек и прайса, B2B-переговоры, поиск новых рынков и ежедневные решения, которые руководитель должен принимать вовремя. Даже при небольшом количестве сотрудников важная информация оказывается распределена между таблицами, сайтом и рабочими сообщениями.

Обычный ответ на такую проблему — ещё один отчёт, ещё одна должность или большой проект внедрения ERP, CRM и BI. Каждый инструмент может быть полезен, но начинать с полной замены инфраструктуры необязательно. Гораздо важнее определить, какие вопросы можно решать уже сейчас по данным, которым предприятие доверяет.

Какие вопросы мы хотели автоматизировать

• Что изменилось в номенклатуре и ценах относительно предыдущего снимка?
• Есть ли несоответствия, которые нужно передать ответственному сотруднику?
• Какие потенциальные направления развития ассортимента заслуживают проверки?
• Какие наблюдения стоит показать собственнику, а какие не требуют его внимания?
• Как не смешивать идеи, предварительный рыночный обзор и подтверждённые коммерческие результаты?

Подход к внедрению

Начали с доступных данных, а не с самой сложной интеграции

Для первого этапа выбран один согласованный источник коммерческой информации: действующий каталог товаров и прайс, синхронизируемые из рабочей таблицы. В результате агент сравнивает состояние данных по одинаковым правилам. Он не получает задачу «догадаться», сколько стоила продукция, сколько её продано или какую маржу принесла отдельная позиция.

Большую корпоративную интеграцию мы сознательно не делали обязательным условием запуска. У этого решения есть цена: без себестоимости, отгрузок и достоверных продаж нельзя измерять фактическую прибыль или автоматически рекомендовать изменение цены. Эти ограничения прямо указаны в результатах агента.

Мини-кейс №1

ИИ-мониторинг SKU: видеть изменения, а не пересматривать каталог вручную

Первая задача — превратить изменение ассортимента в понятное событие. Номенклатура может содержать названия, варианты упаковок, типы продукции и разные представления одного SKU. Простое сравнение текста часто даёт ложные изменения: система решает, что появился новый товар, хотя фактически исправилось описание.

В нашей первой версии агент сохраняет предыдущий снимок, сопоставляет устойчивые идентификаторы и формирует список наблюдений: какие записи появились, какие исчезли, где изменились доступные прайсовые данные, где нужно проверить идентичность позиции. Повторная проверка одного и того же состояния не должна создавать новую задачу второй раз.

Это полезно не только для пищевой промышленности. Аналогичная проблема есть у производителей стройматериалов, оборудования, мебельных фабрик и дистрибьюторов: тысячи карточек теряют управляемость задолго до того, как появляется возможность внедрить сложную платформу данных.

Мини-кейс №2

Исследование новых рынков и продуктов: гипотезы вместо иллюзии точности

Вторая задача — систематизировать поиск идей для развития B2B-продаж и продуктового портфеля. Коммерческой команде нужны не просто длинные списки стран или конкурентов, а проверяемые вопросы: в каком сегменте может существовать спрос, какой товар может подойти, кто потенциальный покупатель и где взять первичный источник.

Агент собирает и структурирует доступные исследовательские заметки. Он различает гипотезу и подтверждённый рыночный факт. Если источник не проверен или сравнительная цена отсутствует, система не должна маскировать этот пробел уверенным заключением.

Важно: в опубликованной версии кейса речь не идёт о полностью автономном международном маркетинговом исследовании в реальном времени. Используется существующий исследовательский контур без нового платного поискового цикла. Переговоры, запуск продукта и коммерческие обязательства остаются у людей.

Каким должен быть полезный результат

1. Название потенциального продукта или товарного направления.
2. Страна или сегмент, для которого возникла гипотеза.
3. Предположение о типе B2B-покупателя.
4. Источники и явные пробелы в подтверждении спроса.
5. Следующее действие человека: проверить, запросить образцы, уточнить нормативные требования или отложить.

Мини-кейс №3

AI-отчёты в Telegram: управленческая информация без нового кабинета

Даже хорошая аналитика бесполезна, если её нужно каждый день искать в системе. Поэтому мы подключили доставку кратких итогов в личный мессенджер руководителя. Система использует уже существующий рабочий процесс, а не отдельное приложение и не дополнительную платную подписку.

Отчёт отделяет обнаруженные изменения, проверенные факты, новые возможности, сомнения и вопросы, требующие согласования. При отсутствии достоверной себестоимости или продаж он прямо указывает, что финансовый показатель неизвестен. Повтор одной и той же задачи не должен приводить к потоку одинаковых сообщений.

После проверки персонального адресата первая тестовая отправка прошла успешно. Регулярная доставка включена, однако история реальных ежедневных и еженедельных отчётов ещё не накоплена. Поэтому сейчас корректно говорить о проверенной инфраструктуре доставки, а не о подтверждённом влиянии на управленческую скорость.

Как работает система на уровне принципов

Четыре слоя вместо одного «волшебного» агента

1. Источник. Актуализированный каталог и ограниченный набор разрешённой информации.
2. Наблюдение. Проверка свежести данных, идентичности товаров и изменений между состояниями.
3. Интерпретация. Приоритизация сигналов, составление гипотез и явное обозначение неполных данных.
4. Управление. Краткий отчёт руководителю; коммерческие решения остаются за человеком.

У этой архитектуры есть важное практическое преимущество: проверяемые механизмы можно расширять по одному. При этом особенности доступа, параметры инфраструктуры, закрытые документы и внутренние правила компании не являются частью публичного кейса.

Что действительно работает

Факты проекта на 1 ноября 2026 года

Самое важное ограничение — не считать технический запуск доказательством экономической эффективности. Зелёная проверка кода не равна росту прибыли. Коммерческий эффект можно оценивать только после накопления корректных исходных измерений и сопоставления их с работой системы.

Следующий этап

От мониторинга к измеримому коммерческому результату

Теперь задача не в том, чтобы добавить как можно больше моделей и интеграций. Следует сделать управление циклом регулярным: проверять качество сигналов, отбирать действительно полезные гипотезы и оценивать время, которое экономит команда.

• Качество данных: доля актуальных записей, ошибки идентичности SKU, частота исправлений.
• Полезность отчетов: сколько вопросов руководитель действительно рассмотрел, сколько сигналов оказались ложными.
• Скорость реакции: время от обнаружения изменения до принятого решения.
• Экономический эффект: только при наличии достоверных источников затрат, продаж и сопоставимой базовой линии.

Только после этого есть смысл обсуждать следующий уровень автономности — и каждый новый доступ должен соответствовать конкретной бизнес-задаче.

Для предприятий Татарстана и других регионов

Как повторить подход на другом производстве

Практический вывод для собственников и отраслевых команд: не обязательно начинать с дорогостоящей закупки оборудования, больших серверов или многостраничной стратегии цифровой трансформации. Начните с одного повторяющегося управленческого процесса, где данные доступны, а результат можно проверить.

При выездной диагностике предприятие само определяет проблему. IT-команда показывает, какие данные уже существуют. Интегратор подключается лишь там, где действительно нужна сложная реализация. Руководство отвечает за критерии успеха и последствия решений. Такой порядок позволяет не подменять экономический результат рассказом о технологии.

Если интересует организация такого пилота, см. практическое руководство по внедрению ИИ в производственной компании. Для смежной задачи есть отдельный кейс ИИ-агента в B2B-продажах.

Этот материал — описание одного реального этапа внедрения. Он не является предложением готовой универсальной платформы и не обещает аналогичные результаты на другом предприятии.