2026 год стал точкой перехода от искусственного интеллекта-«советчика» к ИИ-«оператору». Если раньше алгоритмы только подсказывали, что делать, то теперь они сами принимают решения и совершают действия — заказывают товары, выбирают перевозчиков, ведут переговоры и даже заключают договоры. Это стало возможным благодаря технологии «агентного ИИ» (Agentic AI) — систем, которые автономно выполняют цепочки задач для достижения заданной цели. В статье разбираем, как агентный ИИ меняет управление запасами, закупки и договорную работу в логистике, и какие решения уже доступны на рынке.
Что такое агентный ИИ и чем он отличается от обычного
Обычный ИИ (в том числе генеративный, как ChatGPT) работает по принципу «вопрос — ответ». Вы пишете запрос, система генерирует ответ, но не предпринимает самостоятельных действий.
Агентный ИИ действует иначе. Он не просто анализирует данные, а ставит цель и самостоятельно выполняет необходимые шаги для её достижения. Например, перед системой ставится задача «оптимизировать остатки товара на складе». Агент сам решает: проанализировать историю продаж, сравнить с прогнозами спроса, сформировать заказ поставщику, отправить его и отследить исполнение. Человек задаёт цель и ограничения (guardrails), агент работает в автономном режиме.
Переход от «Assist» (помощь) к «Act» (действие) — ключевая эволюция 2026 года. Организации проходят три фазы: сначала ИИ помогает собирать информацию, затем рекомендует действия, и только после этого доверяют ему автономное выполнение рутинных задач.
Управление запасами: как ИИ заказывает товары без человека
Одна из самых ресурсоёмких задач в логистике — управление товарными запасами. При ассортименте в десятки тысяч позиций и нестабильном спросе традиционные системы автозаказа работают по принципу «прогноз плюс формула». Они часто ошибаются, создавая либо дефицит, либо перепроизводство.
В марте 2026 года Институт искусственного интеллекта МФТИ представил разработку, которая меняет этот подход. RL-агент (Reinforcement Learning — обучение с подкреплением) оптимизирует решения напрямую под целевой бизнес-показатель, учитывая долгосрочные последствия каждого заказа. При тестировании на исторических данных система подняла долю удовлетворённого спроса с 80% до 90%, увеличив валовую прибыль на 7%. Потенциальный экономический эффект — десятки миллионов рублей в год.
Как это работает. Агент получает информацию по каждому товару: текущий остаток на складе, товары в пути, динамику продаж за последние недели, приближающиеся сезонные пики. Он не просто вычисляет среднее, а моделирует разные сценарии: «Если я закажу сейчас 15 штук, через три дня будет 35. С учётом текущего спроса этого хватит на месяц, но я ожидаю рост спроса перед сезоном технического обслуживания — могу перехватить часть продаж. Если закажу только 5 — остаток упадёт до 15, и через 10 дней возникнет дефицит». Агент выбирает вариант, который максимизирует ожидаемую прибыль.
Система управляет каждой парой «товар — склад» автономно, но использует опыт, накопленный при работе со всеми остальными товарами. Это обеспечивает масштабируемость на десятки тысяч артикулов без экспоненциального роста сложности модели. Обучение прототипа на выборке из 10 тысяч пар занимает менее суток на стандартном серверном оборудовании.
Важный нюанс: технология встраивается в существующие ERP-решения, включая «1С», не требуя перестройки всех процессов. Переход занимает около шести месяцев: три на тестирование во внешнем контуре и три на интеграцию. Сначала система работает в режиме «советчика», затем переходит к полной автоматизации.
Закупки и фрахт: ИИ сам выбирает перевозчиков и ведёт переговоры
Фрахт (заказ грузовых перевозок) — одна из крупнейших контролируемых статей расходов в цепочке поставок. project44, мировой лидер в области управления цепочками поставок, запустил в марте 2026 года AI Freight Procurement Agent — агента, который автоматизирует выбор перевозчиков, оценку ставок и переговоры.
Как это работает. Агент работает внутри платформы Intelligent Transportation Management, непрерывно сравнивая контрактные ставки с рыночными в реальном времени и оценивая работу перевозчиков по направлениям. Когда появляется потребность в перевозке, агент запускает цифровые мини-тендеры среди утверждённых перевозчиков и выбирает лучшего по параметрам «стоимость — скорость — надёжность». Согласованная ставка автоматически передаётся в исполнение.
Ранние внедрения показали: снижение расходов на фрахт на 4,1%, сокращение времени на sourcing-процессы до 75%, сокращение ручной координации на 70%. Система работает в рамках заданных бизнес-правил — компания сама определяет для агента полномочия (ценовые пороги, допустимых перевозчиков, параметры контрактов). В пределах этих ограничений агент может автономно вести переговоры о продлении контрактов. Для новых перевозчиков он готовит сценарии на рассмотрение человеку. Все действия агента аудируемы и прозрачны.
Переговоры и договоры: боты ведут переговоры о цене и проверяют контракты
В феврале 2026 года Anthropic выпустила Claude Cowork — десктопное приложение с Legal-плагином, который превращает ИИ в автономного помощника юриста. Система получает доступ к папке «входящие договоры», открывает файлы, читает их содержимое, сверяет с заданными правилами (плейбуком), создаёт отчёты и redline-версии, сортирует документы по папкам.
Как это настраивается. Юрист описывает в текстовом файле (markdown) правила компании: «Применимое право — только РФ. Подсудность — Арбитражный суд г. Москвы или по месту нахождения истца. Если указан международный арбитраж (LCIA, ICC, SCC) — это блокер, требующий ручного согласования». После этого команда /review-contract проверяет каждый входящий документ именно по этим правилам, выделяя зелёным (OK), жёлтым (требует внимания) и красным (критический риск). Команда /triage-nda мгновенно сортирует соглашения о неразглашении: стандартные — в одну папку, сложные — на ручное согласование.
В переговорных процессах агент может не только проверять, но и вести диалог. Научная работа, представленная в апреле 2026 года на arXiv (платформа препринтов Корнеллского университета), описывает фреймворк, в котором LLM (большая языковая модель) отвечает за генерацию естественного языка, а все ценовые решения принимаются детерминированной стратегической моделью. Гарантируется, что последовательность предложений остаётся монотонно возрастающей — агент не отзывает свои предложения, что критически важно для добросовестных переговоров. В тестировании на более чем 115 000 симуляций переговоров агент достиг сопоставимых результатов с LLM-агентом, работающим на модели с 20 миллиардами параметров, но без высоких вычислительных затрат.
Пока система работает в режиме ассистента — агент готовит проекты, которые человек проверяет перед отправкой. По мере накопления доверия можно переходить к автономному режиму для рутинных контрактов.
Как бизнесу внедрять агентный ИИ: пошаговая стратегия
Эксперты рекомендуют двигаться последовательно, а не пытаться полностью автоматизировать всё сразу.
Шаг 1. Начать с малого. Выберите один процесс, где больше всего рутины и повторяющихся операций. Например, автозаказ по группе товаров А (самые ходовые) или проверку типовых договоров (NDA, договоры аренды, оферты). Единого ИИ не существует — стройте архитектуру из специализированных агентов, каждый из которых отвечает за свою узкую область.
Шаг 2. Настроить плейбуки. Агентный ИИ работает по заданным правилам. Чем точнее вы пропишете критерии принятия решений (пороги цен, допустимые условия договоров, лимиты автономных закупок), тем качественнее будет его работа.
Шаг 3. Определить guardrails. Где зона автономности агента, а где обязательно участие человека. Например, до 500 000 рублей агент может заказывать товар сам, выше — отправляет заявку на утверждение. Все решения должны быть аудируемыми (фиксироваться для последующего анализа).
Шаг 4. Начать в режиме «советчика». Запустите систему в параллельном режиме: она делает расчёты и рекомендации, человек принимает решение. Это позволяет привыкнуть к инструменту, выявить ошибки в настройках и наработать доверие.
Шаг 5. Обеспечить качество данных и переходить к автономному режиму. Агентный ИИ не генерирует данные из ничего. Его эффективность зависит от чистоты и полноты исторических данных. Убедитесь, что информация о товарах, продажах, поставках и перевозчиках структурирована и доступна. Когда система доказала свою точность на рекомендациях, можно делегировать ей автономное выполнение рутинных операций.
Риски и ограничения
Агентный ИИ не является «серебряной пулей», и есть значимые риски.
Конфиденциальность данных: когда вы загружаете договор в облачный сервис ИИ, его содержимое обрабатывается на серверах провайдера. Если это недопустимо, стоит рассматривать open-source агентов и локальные ИИ.
Галлюцинации: большие языковые модели могут пропустить важный пункт или выдумать несуществующую норму. Чтобы минимизировать этот риск, необходимо жёстко задавать контекст и использовать детерминированные модели для критических расчётов (например, ценовой части).
Интеграция с устаревшими системами: многие российские компании работают на старых версиях 1С, самописных ERP, где нет API для обмена данными. Без этого ИИ-агент «не увидит» торговую динамику и не сможет принимать обоснованных решений.
Контроль версий и аудит: в договорной работе пока нет полноценной истории изменений, идущих от ИИ, в формате, привычном для юристов.
Доверие пользователей: по данным Dataiku, если оператор не доверяет прогнозам или рекомендациям, он перестаёт использовать инструмент. Поэтому критически важно «обучать» систему на собственных данных компании и допускать постепенный переход к автономии.
Выводы: что дальше
Агентный ИИ в логистике в 2026 году — это уже не фантастика, а работающие решения для автозаказа товаров, выбора перевозчиков и проверки договоров.
По оценкам BCG (Boston Consulting Group), в 2025 году агентные системы обеспечили 17% всей искусственно-интеллектуальной ценности в цепочках поставок. К 2028 году эта доля вырастет до 29%. В Сбере прогнозируют, что масштабное внедрение агентных систем приведёт к тому, что лидерство на рынке будет зависеть не от количества складов и грузовиков, а от качества алгоритмов и скорости обработки данных.
Технология не заменяет людей полностью, а освобождает их от рутины. Человек берёт на себя стратегию, установку правил, контроль за исключениями и сложные переговоры. Агентный ИИ занимается тем, что не требует креативности, но требует скорости и точности: отслеживает тысячи позиций, сравнивает сотни ставок, проверяет десятки договоров. Те компании, которые уже начали внедрять таких агентов, получают преимущество в скорости реакции и точности прогнозов, недостижимое для «ручного» управления.
Полезные ссылки
🔹 Институт искусственного интеллекта МФТИ — информация о разработках в области управления запасами: https://mipt.ru/ii
🔹 Anthropic Claude Cowork и Legal-плагин — официальный репозиторий на GitHub: https://github.com/anthropics/claude-cowork
🔹project44 AI Freight Procurement Agent — информация о фрахтовом агенте: https://www.project44.com
🔹 Статья BCG об агентном ИИ в цепочках поставок (февраль 2026)
🔹 Dataiku — платформа для разработки агентных систем в Supply Chain: https://www.dataiku.com
Контакты Юниверсал Логистик Компани
🔹 Наш сайт: ulc-logistic.com
🔹 ВКонтакте: https://vk.com/ulc_logistic
🔹 Дзен: dzen.ru/ulc_logistic
🔹Макс: https://max.ru/join/xu9QSGwK3DN2cBgBfWJuV4u9CFfBbCISUL1Xq0t7Ulo
🔹 Email: mail@hkmlg.ru
🔹 Телефон: 8 (800) 500-87-53
Подписывайтесь, чтобы первыми узнавать о технологических трендах в логистике и получать практические рекомендации по внедрению ИИ в складские процессы.