Что умеет ИИ в прогнозировании спроса — и чего нет — 30 апреля 2026 г. в 07:27:46.665
Что умеет ИИ в прогнозировании спроса — и чего нет «Используем Excel для расчетов. Нам нужно прикрутить ИИ для прогнозов» или «Ищем решение для прогнозирования спроса на основе ИИ/ML» — такие запросы мы в последнее время видим регулярно. При этом за ними редко стоит понимание, как именно работают нейросети в задачах прогнозирования и с какими ограничениями приходится сталкиваться на практике. Информационное поле сейчас перегружено новостями и материалами про нейросети. Появляется огромное количество кейсов и статей, где ИИ применяют для самых разных прикладных задач. На этом фоне легко возникает ощущение, что такие инструменты способны решить практически любую проблему — достаточно «подключить ИИ». Но в задачах прогнозирования спроса всё устроено заметно сложнее. Когда говорят про ИИ, чаще всего имеют в виду LLM (Large Language Models — большие языковые модели): такие как ChatGPT, Claude, DeepSeek и другие. Именно они сегодня находятся в центре внимания и формируют основную повестку. LLM действительно хорошо работают с текстами: помогают искать и анализировать информацию, объяснять сложные вещи, поддерживать пользователей в диалоге. В этих задачах они показывают быстрый и заметный результат. Однако прямое прогнозирование спроса — это другой тип задачи. Здесь LLM обычно не являются основным и тем более самым надежным инструментом. Для таких задач чаще используют специализированные статистические или ML-модели, которые изначально создавались именно для работы с временными рядами и числовыми данными. Поэтому важно не смешивать эти два класса инструментов. LLM и модели прогнозирования решают разные задачи, и подмена одного другим приводит к завышенным ожиданиям и ошибочным решениям. В статье разбираем, какие модели вообще используются в прогнозировании спроса, что из этого действительно применимо в бизнесе и с какими ограничениями неизбежно придётся столкнуться.