От хайпа к реальности: про ИИ в прогнозировании спроса
От хайпа к реальности: про ИИ в прогнозировании спроса Недавно на сайте demand-planning.com вышла интересная статья по итогам конференции IBF AI EDGE в Скоттсдейле — одного из крупнейших мероприятий по demand planning, forecasting и S&OP. На конференции собрались руководители supply chain, demand planners, data scientists и представители компаний вроде Microsoft, Unilever, Niagara Bottling, Clarios и других. Обсуждали не «ИИ будущего», а практичные вопросы: что из искусственного интеллекта в планировании реально работает уже сейчас, а что пока остается маркетингом. Главный вывод статьи получился довольно приземленным: ИИ не “чинит” плохие процессы и не заменяет специалистов. Он скорее усиливает текущее состояние компании — и хорошие процессы, и плохие. Один из участников конференции даже пошутил: «Некоторые компании используют обычное экспоненциальное сглаживание и называют это ИИ, просто чтобы порадовать руководство». И в этом есть доля правды. Многие организации пока находятся намного дальше от “автономного планирования”, чем кажется по презентациям вендоров. Что сейчас реально работает ИИ для объяснения прогнозов Не просто «прогноз изменился на 12%», а объяснение — почему это произошло, какие факторы повлияли и что с этим делать. Именно это сейчас дает бизнесу наиболее понятную ценность. Использование ИИ как помощника, а не “автономного планировщика” Компании двигаются к модели, где ИИ помогает разбирать исключения, анализировать отклонения и ускорять принятие решений, но не заменяет полностью специалистов. Связка прогноза с бизнес-решениями Очень важный тезис от Niagara Bottling: «Прогноз без контекста — просто число». Сама по себе точность прогноза мало что дает, если компания не умеет превращать прогноз в решения по закупкам, производству и запасам. Последовательное развитие ИИ Сначала аналитические модели, потом генеративный ИИ, и только потом — ИИ-агенты. Попытка сразу перепрыгнуть к “автономным агентам” без нормальных данных и процессов обычно заканчивается красивым пилотом без реального эффекта. Еще один показательный кейс: одна из компаний получила улучшение точности прогноза с помощью AI-модели, но отказалась от внедрения. Причина — процессы управления запасами были не готовы к изменениям, а значит улучшение прогнозов не превратилось бы в деньги. На практике это очень похоже на то, что многие видят и в управлении запасами: проблема часто не в отсутствии “умного ИИ”, а в качестве данных, дисциплине процессов, логике управления ассортиментом и связи между подразделениями. Сейчас ИИ действительно начинает приносить пользу в планировании, но скорее как инструмент усиления зрелых процессов, а не как магическая кнопка «починить планирование».