AI-агент для склада: приёмка, остатки и заявки на отгрузку

AI-агент для склада: что он делает и чего не делает

Склад — физическая работа, но вокруг неё большой слой данных и бумаги. Накладные приходят письмом, остатки живут в 1С или WMS, менеджеры спрашивают кладовщиков «есть ли позиция», заявки летят в мессенджер. Эту часть берёт ИИ-агент на базе LLM, то есть большой языковой модели: читает документы и письма, достаёт данные из учётной системы, готовит сверки и черновики.

Граница проходит по ответственности. Ошибка в складском учёте не остаётся на складе: она уходит в продажи, закупки и бухгалтерию. Поэтому всё, что меняет остатки или создаёт обязательства, остаётся за людьми.

ИИ для приёмки товара: сверка накладной и УПД с заказом поставщику

Самая механическая часть приёмки — сравнить пришедший документ с тем, что заказывали. Приёмщик делает это глазами, агент делает то же по шагам:

1. Документ приходит на почту, из ЭДО или в папку. Скан или фото агент распознаёт, а формализованный документ из ЭДО обычно уже структурирован и в распознавании не нуждается. Из документа берутся поставщик, номер, позиции, количества, цены и ставка НДС.
2. Находит заказ поставщику: по номеру или договору, а без номера — по поставщику и составу позиций, и показывает, по каким признакам нашёл пару.
3. Сопоставляет строки с вашей номенклатурой: сначала по артикулу поставщика (если соответствие ведётся в учёте) и штрихкоду, и только потом по названию. Подтверждённые человеком пары можно сохранять для следующих поставок.
4. Сравнивает количества, цены, ставки НДС и единицы измерения. Арифметику считает обычный код, а не языковая модель.
5. Показывает приёмщику сверку и готовит черновик акта о расхождениях по вашей форме.
6. Приёмщик проверяет товар по факту, принимает его или фиксирует расхождение и сам проводит поступление.

Агент не видит содержимого коробок. Условный пример: в УПД указано 100 штук, а на паллете 90. Это заметит только человек, который пересчитал товар. Польза агента в другом: приёмщик заранее знает, что в документе не сходится с заказом.

Плохой скан или фото распознаются хуже, нечитаемые поля агент помечает, а не угадывает. Механика распознавания и сверки описана на странице AI для документооборота.

Контроль остатков и зависших позиций: ИИ для складского учёта

Остатки агент не считает и не исправляет, он их читает: цифра берётся из системы, а не вычисляется моделью. По расписанию он проверяет:

• отрицательные остатки и невозможные значения: резерв больше физического остатка, дробное количество у штучного товара;
• позиции без движения дольше срока, который вы задали для группы товаров (кандидаты в неликвиды): для запчастей и сезонного товара он свой;
• расхождения между учётной системой и WMS, а также незакрытые перемещения между складами: отправлено с одного, не оприходовано на другом;
• заказы поставщикам, по которым срок прихода прошёл, а поступления нет;
• позиции, свободный остаток которых ниже вашего минимального запаса.

Результат — не поток уведомлений, а утренняя сводка со ссылками на документы. Пороги задаёте вы. К инвентаризации агент помогает составить список позиций для выборочного пересчёта, но не заменяет сам пересчёт и не утверждает итог.

Честное условие: если учётные остатки не совпадают с реальными, агент будет уверенно работать с неверными цифрами. Сначала порядок в учёте, потом агент. Об этом скажем на аудите, а не после запуска.

«Где лежит, сколько есть, что в пути»: ответы кладовщикам и менеджерам

Вопрос приходит в мессенджер или звонком: «Сколько осталось по позиции и когда придёт следующая партия?» Менеджер ищет сам или отвлекает кладовщика. Агент отвечает из учётной системы и прикладывает источник: склад, время среза, номер документа ожидаемого поступления.

• Сколько есть. Свободный остаток и резерв по складам в пределах прав того, кто спрашивает.
• Что в пути. Открытые заказы поставщикам и указанный в них срок. Если срок в системе не ведётся, агент так и скажет.
• Где лежит. Только при адресном хранении: ячейки записаны в WMS или в учётной системе. Если нет, ответить нечем, и искать по догадке агент не будет.

Вопрос без данных агент передаёт человеку, а не отвечает «примерно». Что видит каждый спрашивающий, настраиваем по ролям: кладовщик видит свой склад, закупочные цены — только те, кому положено. О подключении к данным — на странице AI-агент с доступом к 1С.

Автоматизация склада с ИИ: заявки на отгрузку из писем и мессенджеров

Пример заявки: «Отгрузите завтра двадцать коробок по прошлому заказу». Агент превращает такое сообщение в структуру: позиции, количества, адрес, дата. Затем сопоставляет позиции с номенклатурой, проверяет, хватает ли свободного остатка, и готовит черновик заявки на отгрузку. Резерв и подтверждение отгрузки появляются после решения человека.

Если позиция сопоставилась неоднозначно, например «шпилька М8» заведена десятком вариантов, агент не выбирает наугад: показывает кандидатов, объясняет, чем они похожи, и спрашивает. Тот же путь заявки описан для оптовиков на странице AI-агент для опта, а доставку и рейсы разбирает AI для логистики. Если склад обслуживает маркетплейсы, смотрите AI-агент для селлера.

Предложения по пополнению: на согласование, а не в заказ

Агент готовит таблицу к решению закупщика: позиция, свободный остаток, количество в пути, расход за период, ваш минимальный запас, предлагаемое количество и пояснение, как оно получено. Формулу задаёте вы: минимум и максимум, точка заказа, кратность упаковки, минимальная партия. Счёт ведёт код.

Агент добавляет то, что формулой не берётся: ссылки на источники и пометки об аномалиях, например «расход вырос из-за одной крупной отгрузки: тренд это или разовый заказ?». Прогноз спроса на сезон и акции мы не обещаем: это отдельная статистическая задача, результат зависит от истории продаж. Заказ создаёт человек; связку разбирает страница AI-агент для закупок.

Где AI-агент для склада ошибается и как мы это ловим

Агент ошибается. Типичные ошибки на складе известны заранее, поэтому контроль закладываем в проект, а не после первого сбоя.

До запуска мы согласуем с вами тестовый набор: накладные и заявки за период, где известен правильный результат. На нём считаем долю верных сопоставлений и ложных срабатываний, подробнее в статье как оценить качество AI-агента. В работе ведём журнал: каждая сверка записана, видно, на каких данных агент решил. О точках согласования — в материале Human-in-the-loop.

Как подключаем: 1С, WMS и почта

Подключение идёт через штатные механизмы: к 1С — через HTTP-сервисы или OData без переписывания конфигурации, при необходимости с расширением, к WMS — через API или регулярную выгрузку. Если нет ни того ни другого, сначала считаем стоимость интерфейса. Почта — отдельный ящик или папка с правом чтения; ЭДО — в объёме, который отдаёт оператор.

У агента отдельная служебная учётная запись: чтение данных и запись только в черновики и очередь согласования, которые вы определили. Проведение документов, меняющих остатки, за ним не закрепляется. Если данные не должны выходить за периметр, разворачиваем систему в вашем контуре.

С чего начать и что мы измеряем

Первый пилот — один процесс, главную метрику фиксируем в договоре до старта. Для склада это чаще приёмка от одного-двух крупных поставщиков или ответы «сколько есть и что в пути»: поток регулярный, формат повторяется, ошибку видно сразу. Измеряем:

• время от получения документа до готовой сверки;
• долю сверок, которые приёмщик принял без правки;
• число расхождений, найденных до подписания приёмки, против замера до запуска;
• число вопросов кладовщикам, закрытых без звонка;
• число ложных сигналов: лишний сигнал тоже стоит времени.

Исходные значения замеряем до старта на вашей нагрузке. Чужие цифры в договор не берём: публичных кейсов с числами по складу на российском рынке почти нет, и придумывать их мы не будем. Экспресс-аудит — 50 000 ₽, 5-7 рабочих дней, засчитывается в проект. Пилот на одном процессе — от 200 000 ₽, 3-4 недели. Сопровождение — от 40 000 ₽/мес; обращения к модели считаются отдельно по объёму. Если эффекта не будет, скажем прямо: отказ — тоже результат аудита.

Когда агент на складе не нужен

• документов немного, и приёмщик сверяет их быстрее, чем окупится настройка;
• учётные остатки не совпадают с реальными, и исправлять это никто не планирует;
• позиции ведутся в таблице без артикулов и штрихкодов, сопоставлять почти не с чем;
• нужны робот, прогноз спроса на сезон или управление техникой: это другие задачи.

Как отличить такой случай от подходящего, разбираем в статьях когда AI-агент не нужен и подготовка данных перед внедрением. Порядок работ — на странице разработки AI-агентов.