Ренат Шамсутдинов, независимый эксперт: Искусственный интеллект без бюджета. Кейс по поиску скрытых резервов в ассортименте

Выступая на профильных конференциях, я часто становлюсь свидетелем историй о масштабном внедрении искусственного интеллекта: создании мощных департаментов, разработке локальных моделей и построении сложных Data Pipeline. Подобные примеры, безусловно, впечатляют и задают высокую планку.

Однако, если говорить откровенно, даже в крупных корпорациях такие возможности доступны далеко не всегда. Подразделения внутреннего контроля и аудита, как правило, функционируют в условиях жесткой экономии бюджетов и ограниченных ресурсов, не говоря уже о длительных процедурах согласования с IT-службами и службами безопасности.

Именно поэтому я хотел бы сосредоточиться на более приземлённых, но от того не менее важных аспектах. Речь пойдёт о том, каких результатов можно достичь без привлечения дорогостоящих разработчиков и приобретения вычислительных мощностей. В центре моего внимания – практический случай, демонстрирующий, как использование доступных инструментов позволило решить задачу, с которой не справлялись классические BI-решения.

От ручного труда к BI-отчётности

Ещё несколько лет назад я был твёрдо убеждён, что эволюция внутреннего контроля неразрывно связана с развитием BI-аналитики. Логика этого подхода казалась безупречной: вместо того чтобы сотрудники выгружали данные из множества различных продуктов, ERP-систем в Excel и вручную сопоставляли сотни таблиц, мы создаём удобные дашборды, на которых любые отклонения видны мгновенно. Под каждый ключевой контроль разрабатывается отдельный отчёт, позволяющий оперативно отслеживать аномалии и тестировать контрольные процедуры.

Однако на практике эта стройная схема столкнулась с двумя серьёзными препятствиями.

Две задачи, которые поставили BI в тупик

Первый случай связан с управлением товарным ассортиментом. Предположим, компания располагает номенклатурой, насчитывающей около трёх миллионов позиций. Предположим, что ключевой риск здесь заключается в том, что два практически идентичных товара могут конкурировать друг с другом на одной витрине, что приводит к каннибализации продаж и снижению общей маржинальности. Задача внутреннего контроля – выявить такие дублирующиеся позиции.

Казалось бы, что может быть проще? Однако в реальности мы имеем сотни тысяч строк в выгрузках и сотни параметров для каждой позиции. Как в этом массиве отыскать аналоги? Стандартный BI-отчёт дать ответ на этот вопрос не в состоянии.

Второй пример касается логистики и тарифообразования. Допустим, годовой объём перевозок составляет 5 миллиардов рублей, а ежедневное количество заказов исчисляется сотнями тысяч. На итоговый тариф влияет множество переменных: загруженность транспорта, маршрут, тип груза и другие факторы. Попытка через месяц проанализировать, из каких именно элементов сложилась цена по каждой перевозке, превращается в невыполнимую задачу. И в этом случае BI-инструменты также оказываются совершенно бессильны.

С точки зрения методологии обе задачи идеально подходят для применения искусственного интеллекта: здесь требуется обнаружение сложных нелинейных аномалий и адаптация к изменяющимся условиям. Однако создание отдельной локальной ИИ-модели под каждый контроль – роскошь, которую мы не можем себе позволить.

Почему локальные модели не стали панацеей

Здесь необходимо сделать важное уточнение. В идеальном мире мы, безусловно, предпочли бы разработать собственные локальные модели. Однако на практике они оказываются дороже облачных аналогов, требуют вложений в инфраструктуру. Кроме того, возникает целый ряд вопросов, связанных с информационной безопасностью и доступом к внешним данным – IT-службы традиционно выступают против подобных инициатив.

Более того, анализируя текущую ситуацию в России, я вынужден констатировать, что успешных кейсов внедрения локальных ИИ-агентов пока крайне мало. Даже лидеры рынка, активно предлагающие такие решения, не демонстрируют вау-эффекта. Чаще приходится наблюдать обратную картину: компании сталкиваются со значительными трудностями на этапе внедрения. Поэтому, если мы отбросим локальные модели как экономически нецелесообразный вариант, возникает закономерный вопрос: что же делать подразделению внутреннего контроля в сложившихся условиях?

Связка open-source и облачного ИИ

Ответ, который я нашёл для себя, оказался неожиданно простым. Речь идёт о продукте Visual Studio Code – бесплатном решении с открытым исходным кодом. К этой среде я подключаю облачный ChatGPT (или Deepseek – принципиальной разницы нет) и использую его для аналитики.

Процесс выглядит следующим образом. Я выгружаю необходимые данные в Excel-файл. Да, облачные версии накладывают ограничение по объёму – не более 35 мегабайт, однако этого вполне достаточно для работы с десятками тысяч строк. Далее в Visual Studio Code я просто указываю путь к локальному файлу на рабочем столе, после чего программа распознаёт его содержимое. При необходимости я загружаю несколько файлов одновременно – среда объединяет их в единый массив для дальнейшей обработки.

После этого я формулирую промпт на естественном языке. К примеру, мой запрос состоял буквально из нескольких строк: «Найди мне аналогичные товары, которые не поставляются одним и тем же поставщиком, имеют разную маржинальность и продаются в одних и тех же локациях». И система приступала к анализу.

Вопросы безопасности и конфиденциальности

Разумеется, у такого подхода есть ограничения. Прежде всего, данные передаются в облачные сервисы, что поднимает вопросы конфиденциальности. Кроме того, контекст не сохраняется, а значит, для превентивной аналитики этот метод не подходит. Тем не менее для разовых или периодических проверок он работает безупречно.

Говоря о конфиденциальности, я позволю себе высказать не вполне популярную, но аргументированную позицию. Мне кажется, что опасения по поводу утечек данных зачастую излишне гипертрофированы. Если представить, что кто-то выгружает три миллиона наименований из ассортимента российского ритейлера, вряд ли эта информация представляет серьёзный интерес для злоумышленников. Кроме того, я всегда использую простую, но эффективную меру предосторожности: перед загрузкой я очищаю данные, заменяя названия поставщиков на нейтральные или вымышленные обозначения. Сделать это можно встроенными средствами Excel, например, функцией «заменить». Такой подход позволяет свести риски к минимуму без привлечения дополнительных ресурсов.

15 минут вместо недель работы

В моей практике это был не поиск абстрактных стульев, а работа с реальными товарами – металлическими фитингами, в тонкостях которых я не являюсь экспертом. В ассортименте обнаружились позиции, которые по сотням характеристик – весу, качеству металла, геометрическим параметрам – были абсолютно идентичны. При этом они продавались в одном магазине, но имели кардинально различающуюся цену и, как следствие, маржинальность.

Очевидно, что такие товары наносили ущерб друг другу, снижая общую эффективность ассортиментной матрицы. С помощью описанной методики я получил отчёт за 15 минут. Никаких дата-инженеров, никаких BI-аналитиков – только простой промпт и связка Visual Studio Code с облачным ИИ.

С коммерческой точки зрения подобные ошибки обходятся компаниям крайне дорого. Речь идёт о миллионах рублей потерянной маржи. И подобные случаи, к сожалению, не единичны: коллеги из крупных розничных сетей подтвердят, что ситуации, когда один и тот же товар продаётся по цене 16 и 160 рублей, встречаются сплошь и рядом.

Моя позиция как специалиста по внутреннему контролю предельно чёткая: я фиксирую факт, что контрольный механизм работает неэффективно, и передаю эту информацию ответственному лицу. Дальнейшее решение – за бизнесом, но сам сигнал получен и верифицирован.

Прагматичный подход к внедрению ИИ

Подводя итог, хочу подчеркнуть, что использование полуоблачных open-source решений в сочетании с большими языковыми моделями представляет собой реальную альтернативу дорогостоящим BI-системам. Это не универсальное средство и не замена полноценному искусственному интеллекту, но вполне рабочий инструмент, который уже сегодня позволяет закрывать сложные аналитические задачи с минимальным привлечением ресурсов.

Возможно, для кого-то предложенный подход покажется компромиссным. Однако в условиях ограниченных бюджетов и жёстких требований к скорости получения результатов именно такие прагматичные решения зачастую оказываются наиболее эффективными. И если раньше я был убеждён, что будущее за BI-отчётами, то сегодня мой опыт показывает: будущее – за гибкими комбинациями доступных инструментов, которые можно адаптировать под конкретную задачу здесь и сейчас.

Ренат Шамсутдинов, независимый эксперт