Трансформация бизнес-планирования через объединение предиктивного и агентного ИИ
Аналитики McKinsey объясняют, как интеграция машинного обучения и ИИ-агентов меняет процессы прогнозирования спроса и управления запасами компаний.
Главное за 30 секунд
Интеграция предиктивного машинного обучения и ИИ-агентов позволяет компаниям не только радикально повысить точность прогнозирования спроса, но и автоматизировать рутинные процессы принятия решений в планировании.
- Каждый процентный пункт роста точности прогноза снижает запасы готовой продукции примерно на 2,7 процентных пункта.
- Типичное внедрение продвинутых систем планирования окупается в 2,6 раза при затратах 20–30 млн долларов на 15 млрд долларов выручки.
- Около 42 процентов организаций не видят измеримой финансовой отдачи от применения ИИ в планировании.
Неочевидное: Большие языковые модели не способны строить математические прогнозы, а алгоритмы машинного обучения не могут объяснять свои выводы. Настоящая трансформация бизнеса происходит только тогда, когда эти две технологии работают в связке, компенсируя недостатки друг друга.
Суть
Традиционное бизнес-планирование часто опирается на ручной труд: специалисты по планированию спроса вынуждены ежемесячно корректировать статистические базовые показатели в таблицах. Это происходит потому, что система не учитывает реальный контекст, такой как действия конкурентов или эффект от прошедших промоакций. По оценке специалистов QuantumBlack (подразделение искусственного интеллекта McKinsey), объединение более качественного прогнозирования с ИИ-агентами превратит планирование в непрерывную, интеллектуальную систему принятия решений и сократит объем ручной работы.
Контекст
Компании десятилетиями пытались улучшить планирование спроса с помощью сложных статистических моделей и масштабных процессов планирования продаж и операций (S&OP). Однако базовая проблема оставалась нерешенной: несовершенство прогнозов приводило к формированию избыточных страховых запасов или, наоборот, к дефициту товара на полках.
Специалисты по планированию не являются корнем проблемы — они лишь компенсируют недостатки системы, которая не способна учитывать внешние факторы. Неточные прогнозы напрямую влияют на оборотный капитал, маржинальность и рост бизнеса, делая точность предсказаний не просто ключевым показателем эффективности (KPI) отдела планирования, а стратегическим вопросом.
Детали
Book jacket cover of Rewired Second Edition
Современный подход предлагает разделить задачу на две части, используя разные типы искусственного интеллекта:
- Предиктивный ИИ (машинное обучение): анализирует широкий спектр сигналов — от стоимости фрахта до изменений в поведении потребителей — для создания высокоточного прогноза.
- Агентный ИИ: берет на себя сопутствующую работу: сбор информации, расследование аномалий, проверку гипотез, объяснение причин изменений и подготовку рекомендаций.
Финансовые ставки в этом процессе значительны. Согласно исследованиям McKinsey, каждый процентный пункт роста точности прогноза позволяет снизить запасы готовой продукции примерно на 2,7 процентных пункта.
В химической отрасли внедрение таких трансформаций приводило к улучшению точности прогнозов на 15–20 процентных пунктов и снижению имеющихся запасов на 20–30 процентов на первом этапе. Для бизнес-подразделения с выручкой в 1 млрд долларов это может высвободить восьмизначную сумму денежных средств в том же квартале.
Анализ около 100 компаний, внедривших продвинутые системы планирования, показал медианное улучшение запасов на 11–15 процентов. Типичное внедрение окупает инвестиции примерно в 2,6 раза (при средних затратах от 20 до 30 млн долларов на каждые 15 млрд долларов выручки). Лучшие проекты (верхний квартиль) принесли окупаемость около 13 раз.
При этом около 42 процентов организаций сообщают об отсутствии положительной или четко измеримой отдачи от внедрения ИИ в планирование.
A group of closely clustered blue spheres with a conspicuous, larger yellow sphere in their midst.
Анализ
Разрыв между успешными и неуспешными внедрениями во многом объясняется пониманием ограничений технологий. Большие языковые модели (LLM) не являются системами прогнозирования, а модели машинного обучения не умеют коммуницировать. Возможность кроется именно в объединении этих способностей.
Простое добавление ИИ-агентов в существующий процесс S&OP без улучшения качества самого прогноза приведет лишь к тому, что система будет быстрее генерировать посредственные результаты. И наоборот, точный прогноз не принесет ценности, если процесс вокруг него останется прежним. Суть в том, чтобы улучшить интеллект, лежащий в основе S&OP, и одновременно перестроить процессы с учетом новых возможностей этого интеллекта.
Перспектива
Несмотря на доказанную эффективность предиктивного ИИ, полностью агентное S&OP-планирование пока остается скорее передовым рубежом, чем устоявшейся лучшей практикой.
Важным барьером остается доверие. Даже если новая модель показывает, что компания может безопасно держать гораздо меньше запасов, руководителям необходимо время, чтобы поверить алгоритму. Как правило, запасы снижаются постепенно, по мере того как система доказывает свою эффективность на практике. Именно изменение бизнес-решений на основе доверия к прогнозу превращает теоретическую возможность в реальные деньги.
A digital globe with colorful connected nodes and lines representing networks
An abstract network of glowing blue-white nodes connected by thin lines across a dark background, forming part of a spherical structure.
