Программное обеспечение для автономной оптимизации цепочки поставок, ноябрь 2025

Последнее изменение: 6 ноября 2025

Введение

Автономная оптимизация цепочки поставок обещает «самоуправляемую» платформу цепочки поставок, которая может прогнозировать спрос, планировать запасы и даже корректировать цены с минимальным участием человека. Теоретически, передовые алгоритмы (машинное обучение, ИИ, оптимизационные решатели) могут постоянно принимать решения в области закупок, производства, распределения и ценообразования для максимизации уровня обслуживания и прибыли.

Привлекательность данного подхода для подкованных в технологиях руководителей цепочек поставок очевидна: сократить зависимость от интуиции планировщиков, быстрее реагировать на сбои и устранять неэффективность. Но соответствует ли технология заявленным возможностям? Это исследование внимательно рассматривает современное состояние в 2025 году — определяя, какие поставщики действительно обеспечивают автономную или почти автономную оптимизацию цепочки поставок, а какие являются в основном маркетинговой витриной. Мы тщательно анализируем способность каждого поставщика совместно оптимизировать запасы и цены (ключевая возможность – поскольку цены влияют на спрос, а, следовательно, и на потребности в запасах), использование вероятностного прогнозирования (для неопределенного и прерывистого спроса и сроков поставки), экономическую оптимизацию решений, масштабируемость и экономическую эффективность их платформы, а также степень «наблюдения» за системой, требуемого от человека.

Серьезные утверждения («сократите отсутствие товара на 50% при сокращении запасов на 30%!») вызывают скептицизм, особенно если они не подкреплены подробными данными или независимой проверкой. Как правило, мы осуждаем расплывчатые модные слова и «черные ящики» обещаний, а также указываем на любые противоречия (например, систему, позиционируемую как реального времени, которая каким-то образом также анализирует весь ассортимент за один проход – что, скорее всего, невозможно, если метод не является крайне упрощенным). Мы также учитываем историю каждого поставщика: многие из них росли за счет приобретений, сшивая вместе старые и новые модули. Такая «лоскутная» конструкция часто указывает на проблемы интеграции и разрозненность технологий – что вряд ли является рецептом для действительно автономного, всестороннего оптимизатора.

Короче говоря, этот отчет нацелен на то, чтобы отделить подлинные инновации от наследия прошлых решений и шумихи. Ниже мы ранжируем ведущих поставщиков автономной оптимизации цепочки поставок, начиная с тех, кто наиболее соответствует концепции мало задействованной, количественно оптимизированной цепочки поставок, и заканчивая теми, кто отстает. После ранжирования следует подробный анализ каждого поставщика с приведением доказательств и критическим комментарием.

Рейтинг поставщиков

1. Lokad – Quantitative Supply Chain Optimizer. Занял первое место благодаря единому, вероятностному подходу, который оптимизирует всё – от запасов до ценообразования – в единой автоматизированной платформе. Lokad придерживается полного автоматизированного принятия решений от начала до конца – генерируя решения по пополнению, производству и ценообразованию с минимальными корректировками человека. Он продемонстрировал высочайшую точность прогнозирования (например, выиграв соревнование по точности на уровне SKU в конкурсе M5 ¹) и использует специализированный язык программирования для кодирования бизнес-логики, исключая необходимость догадок пользователя. Lokad был разработан внутри компании (без сборных приобретений) и предназначен специально для автономного принятия решений. Ввод человека ограничивается определением целей и ограничений; основная нагрузка по анализу сценариев и оптимизации компромиссов ложится на платформу. Это делает его редким решением, которое может действительно работать без надзора, за исключением чрезвычайных ситуаций.

2. RELEX Solutions – «Бесконтактное» розничное планирование. Крупный конкурент, RELEX предлагает современную платформу на базе ИИ, особенно сильную в сфере розничной торговли и потребительских товаров. Она продвигает концепцию «бесконтактного планирования», где ИИ автоматизирует сложные задачи прогнозирования и управления запасами/пополнением, и «человеческое вмешательство происходит только тогда, когда это действительно добавляет ценность» ². RELEX предоставляет единую систему, охватывающую прогнозирование спроса, оптимизацию запасов, и, что особенно важно, оптимизацию цен (включая оптимизацию ценовых скидок и акций ²). Их система объединяет планирование спроса и предложения по всей цепочке создания ценности, чтобы устранить изоляцию данных и противоречивые решения ². На практике пользователи RELEX могут позволить системе автоматически корректировать пополнение магазинов, распределение и ценообразование на основе данных в реальном времени и предсказательных моделей, вмешиваясь только для стратегического руководства или действительно новых исключений. Этот высокий уровень автоматизации – в сочетании с возможностями учитывать данные из различных каналов и даже ограничения планограмм/ассортимента – выводит RELEX в авангард технологий автономной оптимизации цепочки поставок в розничной торговле. (Примечательно, что RELEX явно позиционирует себя как система с «анализом спроса на базе ИИ» и «автономным и адаптивным» планированием в своих материалах ³, отражающим философию, ориентированную на самоуправляемые цепочки поставок.) Единственная оговорка – это масштаб: RELEX сосредоточен на розничной торговле и FMCG; в этих секторах его технологии являются передовыми, но они не так универсальны для производства или распределения вне его основной сферы.

3. o9 Solutions – Планирование с поддержкой ИИ «Цифровой мозг». o9 быстро завоевала признание благодаря платформе, которая претендует на роль «цифрового мозга» для корпоративного планирования и принятия решений ⁴. Она охватывает интегрированное бизнес-планирование (IBP), S&OP, прогнозирование спроса, планирование цепочки поставок и даже управление доходами в одной облачной платформе. Важно, что o9 включает модули планирования цен и акций (например, для ценообразования в секторах потребительских товаров, торговых акций и т.д.), что позволяет, в принципе, оптимизировать рычаги формирования спроса наряду с предложением. Компания делает большой акцент на своей технологии ИИ и «Enterprise Knowledge Graph» для устранения информационных изоляций и обеспечения того, что генеральный директор Чакри Готтемуккала называет «увеличением бесконтактного исполнения» в планировании ⁵. На недавней конференции o9 генеральный директор продемонстрировал, как агент ИИ может за несколько минут выполнить сложный анализ (оценка возможностей дохода в сравнении с ограничениями предложения), на который традиционно потребовалась бы неделя работы десятка сотрудников ⁵. Видение заключается в том, что агентный ИИ o9 постоянно мониторит бизнес, выявляет проблемы или возможности и автоматически запускает сценарии для рекомендации (или исполнения) решений. Например, если спрос на товар резко возрастает, o9 может предложить перераспределить запасы, ускорить поставки, а также скорректировать цену или акции для максимизации прибыли – все это в рамках одной системы. На практике многие развертывания o9 все еще включают значительное участие человека в процессе планирования (планировщики используют инструменты сценарного анализа «что-если» o9, а затем утверждают изменения). Но o9 движется к большей автоматизации; их последнее обновление представило планировочных ассистентов на базе генеративного ИИ и автономные «агенты» для выполнения рутинных решений ⁵. Масштабируемость: o9 является SaaS-решением и заявляет о возможности работы с большими объемами корпоративных данных, хотя детальной информации о производительности движка немного. У них облачная архитектура (вероятно, не полностью работающая на модели в памяти для всех расчетов, что положительно сказывается на затратах). В целом, сильная сторона o9 заключается в широте интегрированной платформы и агрессивном плане развития ИИ. Скептицизм вызывает то, что заявления o9 о повышении дополнительной стоимости продаж на 1–3% посредством ИИ-планирования ⁵ кажутся правдоподобными, но в основном основываются на моделируемых сценариях, а не на прозрачных показателях. Кроме того, хотя o9 действительно поддерживает одновременную оптимизацию спроса и предложения (а возможно, и цен), нам приходится доверять, но проверять глубину этих оптимизаций – поставщик склонен выделять общие преимущества, не раскрывая существенных деталей математической модели. Тем не менее, o9 ясно признает, что истинная автономия требует объединения всех элементов планирования, и это одна из немногих систем, разработанных с нуля для этой задачи (в отличие от систем, дополненных приобретениями).

4. ToolsGroup – Оптимизация сервиса 99+ с поддержкой ИИ. ToolsGroup имеет долгую историю в планировании цепочек поставок, известен своим вероятностным прогнозированием и многоступенчатой оптимизацией запасов. Традиционно флагманское ПО ToolsGroup SO99+ было ориентировано на запасы и уровни сервиса (с учетом заданных пользователем целей сервиса). Однако за последние пару лет ToolsGroup агрессивно обновила свою технологическую базу, чтобы перейти к автономному принятию решений. Примечательно, что в 2023 году компания приобрела AI-компанию Evo для добавления динамической оптимизации цен и акций в свой арсенал ⁶. Генеральный директор ToolsGroup заявил, что это было сделано для обеспечения «оптимальных расчетов цен и запасов» вместе и, в конечном итоге, «предоставления автономной цепочки поставок будущего» ⁶. Другими словами, ToolsGroup признала, что оптимизация запасов в изоляции недостаточна – ценообразование должно быть частью уравнения – и теперь они интегрируют эту возможность. Сегодня, решение ToolsGroup (комбинация SO99+, приобретенного набора для розничного планирования JustEnough и AI-движка Evo), теоретически, может генерировать автоматизированные решения о том, что необходимо закупить, в каком объеме и по какой цене, в режиме реального времени. Например, оно может предложить повысить цены на товары с возрастающим спросом и нехваткой запасов, одновременно снижая цены для распродажи товаров с медленным оборотом, при этом учитывая влияние изменений цен на запасы. Сильные стороны: вероятностные модели ToolsGroup хорошо подходят для «рутинного хаоса» цепочек поставок – например, прерывистый спрос или переменные сроки поставки обрабатываются путем прогнозирования распределения исходов, а не одного числа, что необходимо для надежности. (Значимость этого подчеркивается победой Lokad в конкурсе M5 – вероятностное прогнозирование является ключом к точности на уровне SKU ¹ – чему также уделяет внимание ToolsGroup.) ToolsGroup также поддерживает автоматизированные предложения по пополнению, сигнализацию исключений и т.д., что означает, что планировщикам не требуется вручную ускорять каждую небольшую нехватку – система предназначена для самостоятельного управления типичной изменчивостью. Осторожность: новые возможности ToolsGroup произошли за счет приобретений (JustEnough в 2021 году ⁷ и Evo в 2023 году), что вызывает вопросы интеграции. Компания заявляет о «модульной» архитектуре, в которой части сочетаются, но на практике сложно создать единое решение из разрозненных компонентов. Возможно, присутствует перекрытие функциональных возможностей (например, движки прогнозирования спроса из SO99+ против Evo) и различия в технологической базе. Возможно, потребуется время, чтобы полностью их объединить. Кроме того, некоторые маркетинговые заявления ToolsGroup требуют проверки – например, они часто упоминают, что клиенты достигают 15–30% сокращения запасов при 99% уровне доступности ⁷. Такие цифры, хотя и основаны на реальных исследованиях, сильно зависят от исходных показателей (сокращение на 30% по сравнению с чем?). Без контекста предполагается, что эти результаты не являются универсальными. Что касается автоматизации, ToolsGroup по-прежнему предоставляет много «контроля планировщика» (пользователи могут устанавливать цели по уровню сервиса, выбирать модели прогнозирования и т.д.). Это может быть двусторонним мечом: гибкость – это хорошо, но сильная зависимость от настройки под пользователя противоречит полностью автономному подходу. Тем не менее, недавнее направление ToolsGroup – добавление отзывчивого ИИ для оптимизации цен/акций и стремление к «центральному принятию решений» – показывает, что это один из самых серьезных претендентов на путь к автоматизации цепочки поставок сверх обычных модных слов.

5. Aera Technology – Интеллект принятия решений и «самоуправляемое» выполнение. Aera несколько уникальна в этом списке — это не традиционный программный пакет для планирования, а платформа, специально разработанная для автоматизации принятия решений в режиме реального времени. Презентация Aera заключается в концепции «самоуправляемой цепочки поставок», обеспечиваемой облачной платформой, которая непрерывно собирает данные (транзакции ERP, внешние сигналы), использует машинное обучение для обнаружения проблем и выполняет или рекомендует действия ⁸. Вместо того, чтобы планировщики раз в месяц составляли планы, «когнитивный» движок Aera отслеживает цепочку поставок 24/7. Например, если происходит резкий рост спроса или задержка у поставщика, Aera может автоматически скорректировать закупки, перенаправить поставки или изменить приоритет очереди заказов, чтобы предотвратить дефицит товара. Важно, что философия Aera заключается в встраивании решений непосредственно в систему: компании настраивают, какие решения могут быть полностью автоматизированы, какие требуют одобрения человека, а какие остаются ручными ⁸. Со временем, по мере увеличения доверия, больше решений может перейти в автоматический режим. В одном из случаев глобальной компании CPG Aera делала 12 000 рекомендаций по планированию в месяц, и 74% из них были автоматически приняты без вмешательства человека ⁸. Это свидетельствует о очень высоком уровне автономии при повседневном управлении запасами. Фактически, вице-президент по цепочке поставок этой компании признал, что предложения Aera настолько надежны, что она отменила возможность перекрытия некоторых планировщиков, потому что ИИ обычно оказывается прав ⁸. Это мощное свидетельство автономной эффективности Aera. Сильные стороны: Aera сосредотачивается на вероятностных, своевременных решениях — она специально решает проблему «слишком много неожиданностей» между циклами S&OP ⁸. Она оптимизирует в рамках краткосрочного окна выполнения, балансируя спрос и предложение путем взвешивания рисков обслуживания, затрат и ограничений (она «принимает решения о компромиссах для максимизации финансовых целей при минимизации рисков» ⁸). По сути, Aera выступает как автономный пожарный, который справляется с постоянными исключениями, с которыми обычные планировщики не могут справиться. Это решает огромную проблему традиционного программного обеспечения (где неучтенные исключения накапливаются из-за нехватки рабочей силы или медленного реагирования ⁸). Осторожности: Aera отлично подходит для оперативных решений (таких как перераспределение запасов, ускорение заказов и т.д.), но не является полноценной заменой системы планирования цепочки поставок. Она сама по себе не занимается долгосрочным проектированием сети или оптимизацией цен (т.к. решения по ценообразованию и маркетингу не являются приоритетом Aera на данный момент — она больше ориентирована на выполнение в цепочке поставок). Таким образом, хотя она может автоматизировать многие решения по балансировке спроса и предложения, для таких задач, как первичное планирование спроса или ценовая стратегия, потребуются другие системы. Еще один момент: внедрение Aera требует настройки логики принятия решений компании и интеграции множества источников данных, что может быть сложно. Они облегчили проблему интеграции с помощью подхода «сбор данных» (чтение данных из разных систем без крупных IT-проектов) ⁸, но это не является решением «подключил и забыл». Кроме того, заявление Aera о сокращении потерь от избыточных запасов на 20% за счёт автоматизации принятия решений ⁹ следует воспринимать как зависящее от ситуации — результаты могут существенно варьироваться. В итоге, Aera существенно демонстрирует автономию в моменте — это ценное звено в арсенале инструментов для автономной цепочки поставок, хотя и не охватывающее аспекты ценообразования или стратегического планирования. Мы включили её в рейтинг, поскольку её способность действительно работать с минимальным участием человека в своей области опережает большинство традиционных поставщиков.

6. Blue Yonder (JDA) – Унаследованный гигант, пытающийся обновить свой ИИ. Blue Yonder (ранее JDA Software) — известный поставщик программного обеспечения для управления цепочками поставок, который в последние годы пытался переориентировать свой бренд в автономную, управляемую искусственным интеллектом платформу для цепочки поставок. Он предлагает всё: от планирования спроса, пополнения запасов и производственного планирования до управления транспортировкой и складом. Безусловно, на бумаге Blue Yonder соответствует концепции «от начала до конца», но его технология представляет собой смесь очень старых устаревших систем с некоторыми новыми компонентами ИИ сверху. Это прошлое ставит под сомнение его заявления об автономии. Основные модули планирования Blue Yonder происходят от древних приобретений: i2 Technologies и Manugistics (купленных в конце 2000-х годов). Они когда-то были передовыми, но теперь считаются устаревшими — сильно детерминированными, требующими обширной настройки параметров и часто работающими на устаревшей архитектуре. (Примечательно, что приобретение i2 компанией JDA закончилось провалом — i2 не смогла выполнить проект для розничной сети Dillard’s, что привело к иску, который в 2010 году обошёлся JDA в $246 million in damages. ¹⁰ Это был один из крупнейших провалов в истории программного обеспечения для цепочек поставок, подчёркивающий хрупкость технологий и обещаний i2. Blue Yonder унаследовал этот груз.) С тех пор Blue Yonder пытался модернизироваться: в 2018 году он приобрёл немецкий стартап в области ИИ (также названный Blue Yonder), специализирующийся на прогнозировании спроса в розничной торговле, и впоследствии даже переименовал всю компанию в его честь. Это добавило настоящих талантов в области машинного обучения (например, глубокое обучение для определения спроса). Blue Yonder также сотрудничает с платформами больших данных — например, он рекламирует альянс с Snowflake, чтобы предоставить клиентам масштабируемый обмен данными и аналитику ¹¹. Однако эти шаги не могут полностью скрыть недостатки: пакет планирования Blue Yonder остаётся набором модулей, которые не интегрированы по умолчанию. Автономия и ИИ: Маркетинг Blue Yonder активно использует такие термины, как “когнитивная цепочка поставок” и “ИИ/МЛ”. В спонсируемом интервью стратеги Blue Yonder описали будущее, в котором AI-агенты “видят, понимают, принимают решения и даже действуют” при планировании цепочки поставок ¹², предоставляя предписывающие рекомендации и даже выполняя оптимизации автономно, если это разрешено ¹². Они говорят о параллельной оптимизации спроса и предложения, устранении изолированных решений и так далее ¹². Их видение действительно привлекательно, и Blue Yonder действительно имеет множество алгоритмов “под капотом” (от решателей линейного программирования для планирования предложения до нейронных сетей для прогнозирования спроса). Проблема не в отсутствии алгоритмов, а в их практичности и надёжности при совместной работе без присмотра. Исторически реализации Blue Yonder требуют целых армий консультантов для настройки бизнес-правил, калибровки десятков параметров планирования (таких как политика обеспечения безопасности запасов, эвристики прогнозирования, приоритеты распределения). Система также заметно включает обработку “исключений и предупреждений” — по сути, уведомляя планировщиков о любых отклонениях, чтобы они могли вмешаться. Это выдаёт реальность того, что система не является полностью самоуправляемой; многие решения всё ещё передаются людям через сигналы тревоги, что противоречит идее, что ИИ справляется с “рутинным хаосом.” По-настоящему автономная система поднимает вопросы только в случае поистине исключительных событий (например, пожар на заводе, внезапное введение карантина). В случае Blue Yonder даже умеренно необычные всплески спроса или задержки поставщиков могут вызвать лавину сообщений об исключениях, на которые планировщикам придётся реагировать. Более того, возможности оптимизации ценообразования в Blue Yonder не интегрированы органически. Они не приобрели Revionics (ведущее программное обеспечение для ценообразования), как ожидали некоторые — эту компанию купила Aptos в 2020 году. Blue Yonder действительно имеет некоторое ценовое решение (вероятно, являющееся развитием прежних решений по оптимизации скидок JDA и партнёрств), но оно остаётся отдельным от основного пакета планирования. Недавно одной компании среднего размера из сектора товаров народного потребления, оценившей модуль планирования спроса Blue Yonder, назвали $2 million for just the demand planning module, и отметили, что поставщик “активно продвигает ИИ/МЛ”, но оно оказалось “слишком черным ящиком” и невероятно дорогим (другие предлагали менее $1M) ¹³. Итог? Они пришли к выводу, что для бизнеса такого масштаба тяжёлый, закрытый ИИ Blue Yonder не стоит своих денег ¹³. Этот случай подчёркивает несколько моментов: решения Blue Yonder часто имеют высокую цену — отчасти из-за обширных услуг по внедрению, — и заявления об ИИ могут оказаться пустыми, если пользователи не могут понять или доверять базовой логике принятия решений. Проблемы интеграции и неудачи: Стоит также отметить, что при таком обширном пакете решений, Blue Yonder имел неудачные внедрения. Один комментатор сообщил, что проект Blue Yonder в крупной розничной сети (Family Dollar) фактически развалился – “они заплатили много денег за …” ¹³ Хотя любое крупное программное обеспечение может провалиться при некачественном внедрении, послужной список Blue Yonder включает несколько громких провалов (например, Dillard’s и другие), что свидетельствует о сложности и несоответствии между обещаниями и реальностью. Недавняя облачная платформа Blue Yonder, Luminate, является попыткой переписать и унифицировать технологии (а теперь она принадлежит Panasonic, который может инвестировать больше в НИОКР). Если Luminate действительно перестроит фундамент, Blue Yonder сможет лучше обеспечить автономность. Однако на данный момент мы остаёмся скептичными. Blue Yonder следует рассматривать как мощный инструмент, который всё ещё требует значительного ручного ввода, а не как Tesla, которая может ездить самостоятельно. У него много функций и алгоритмов (некоторые очень передовые), но объединение их в единое автономное целое остаётся в значительной степени задачей интегратора. Наконец, следует быть осторожным с партнёрством Blue Yonder с Snowflake и аналогичными платформами данных — хотя оно обеспечивает масштабируемость, оно также вводит искажённый стимул: тарификация Snowflake на основе использования может сделать высоко оптимизированный код финансово невыгодным для поставщика. Фактически, отраслевые наблюдатели отмечают, что поскольку Snowflake (и многие SaaS-платформы) взимают плату за вычислительное время, у них “огромный искажённый стимул оставлять недоработки в оптимизации” — неэффективности, которые приводят к большему использованию вычислительных ресурсов (а значит, большему доходу) ¹⁴. Если облачная аналитика Blue Yonder работает на Snowflake, можно опасаться, что настройка производительности не является приоритетом. Это возвращает нас в 90-е годы, когда программное обеспечение на мейнфреймах IBM оплачивалось по MIPS — ситуация, зачастую приводившая к росту затрат и давлению на смену платформы. В общем, Blue Yonder — это тяжеловес со множеством возможностей, но с точки зрения автономной оптимизации он не является гибким лидером — его обременяет наследие, он требует значительной поддержки со стороны человека, и его заявления следует воспринимать с осторожным скептицизмом, если они не подкреплены доказательствами.

7. Kinaxis – Планирование с участием человека “на основе параллельного подхода” с развивающимся ИИ. Kinaxis наиболее известен своей платформой RapidResponse, которая стала пионером концепции in-memory, быстрой имитации “what-if” для планов цепочки поставок. Сила Kinaxis заключается в том, что она позволяет компаниям создавать единую модель своей цепочки поставок (включая спецификации материалов, поставки, спрос и запасы) и мгновенно видеть влияние изменений или сбоев. Такой подход “параллельного планирования” позволяет всем функциям — планировщикам спроса, предложения и мощностей — видеть единый набор чисел и сотрудничать в режиме реального времени. Однако исторически Kinaxis был инструментом поддержки принятия решений, а не автоматическим принимающим решения. Он разработан, чтобы давать возможность человеческим планировщикам принимать более обоснованные решения, а не заменять их. Фактически, Kinaxis явно продвигает слияние “человеческого интеллекта с искусственным интеллектом” в планировании ¹⁵ — по сути, модель человек-в-цикл. Собственный блог компании подчёркивает, что ИИ в управлении цепочками поставок всё ещё “нуждается в людях” и сосредоточен на “быстром и уверенном принятии решений планировщиками посредством сочетания человеческого суждения с ИИ.” ¹⁵ Эта философия означает, что Kinaxis пока не стремится к полной автономии; скорее, он обеспечивает выдающуюся видимость, анализ сценариев и машинное обучение для получения инсайтов, при этом ожидая, что пользователи сохранят контроль. Возможности: «Из коробки» Kinaxis RapidResponse охватывает планирование спроса, планирование предложения и производственных мощностей, планирование запасов и S&OP. До недавнего времени у него не было собственных продвинутых модулей прогнозирования или ценообразования. Признавая этот пробел, Kinaxis приобрёл Rubikloud in 2020, стартап в сфере ИИ, ориентированный на прогнозирование розничного спроса и аналитику ценообразования ¹⁶. Rubikloud принес возможности для прогнозирования, проведения промо-акций и даже оптимизации цен (ценовая эластичность и т.д.), нацеленные на розничную торговлю ¹⁶. Kinaxis находится в процессе интеграции этих функций ИИ в свою платформу — генеральный директор John Sicard отметил, что технология Rubikloud внедрит ИИ во все приложения планирования Kinaxis ¹⁶. Эта интеграция в конечном итоге должна позволить Kinaxis автоматически генерировать больше входных данных для планирования (например, базовые прогнозы или оценки промо-подъёмов), сокращая ручной ввод данных. Тем не менее, в Kinaxis всё ещё отсутствует настоящий механизм оптимизации цен для общего использования — функционал Rubikloud в основном предназначен для оценки эффективности торговых промо-акций и базового розничного ценообразования. В настоящее время они не конкурируют в области динамического ценообразования для таких отраслей, как дистрибуция или производство. Архитектура и масштабируемость: Отличительной особенностью Kinaxis была его in-memory архитектура — все данные планирования загружаются в оперативную память, что позволяет проводить молниеносные расчёты и немедленно распространять изменения. Преимущество в скорости, но недостаток — в затратах и масштабируемости: по мере того как данные охватывают миллионы комбинаций SKU и местоположений, требования к памяти (и, соответственно, затраты) резко растут. Системы, работающие в оперативной памяти, могут стать очень дорогими в масштабировании, часто требуя массивных кластеров серверов или вынуждая пользователей ограничивать уровень детализации для укладывания в доступную RAM. Kinaxis решает эту проблему переходом в облако и принятием более эластичной модели, но опытные пользователи всё ещё сталкиваются с компромиссами между детализацией модели и производительностью. С точки зрения затрат Kinaxis представляет собой значительные инвестиции, и поскольку это система поддержки принятия решений (а не автономный решатель), ROI во многом зависит от того, насколько эффективно планировщики используют эти инструменты “what-if”. Степень автоматизации: Kinaxis поддерживает некоторую автоматизацию — например, можно настроить автоматические триггеры или “агентов” для управления определёнными задачами (а также они исследуют “агентский ИИ” для автоматической обработки рутинных исключений ¹⁷). Однако на практике большинство клиентов Kinaxis используют его преимущественно для выделения исключений и содействия сотрудничеству, а не для того, чтобы система принимала решения автономно. Оповещения и панели исключений составляют основную часть его использования. Это соответствует традиционному подходу: программное обеспечение обозначает проблемы (например, “этот заказ опоздает” или “запас ниже нормы безопасности”), а люди решают, как реагировать. Как отмечалось, такая зависимость от принятия решений с участием человека — даже в рутинных случаях — противоречит концепции автономной цепочки поставок. Кажется, Kinaxis это понимает и инвестирует в ИИ “вторых пилотов.” Фактически, компания недавно анонсировала новые функции ИИ (Kinaxis “Maestro” с генеративным ИИ), которые в будущем нацелены на обеспечение “полностью автономных рабочих потоков планирования” ¹⁷. Однако это пока перспективные разработки; на данный момент называть Kinaxis автономным — это преувеличение. Он остаётся отличным инструментом для быстрого перепланирования и анализа сценариев, но в основном решение всё ещё остаётся за пользователем. Ещё один момент: Kinaxis, как и многие конкуренты, расширился за счёт приобретений — включая Rubikloud (для прогнозирования и оптимизации цен с помощью ИИ) и MPO (для управления заказами, приобретённый в 2022 году). Хотя система не так фрагментирована, как платформы вроде E2open, каждый приобретённый компонент требует времени для полной интеграции. Если функционал ИИ прогнозирования и ценообразования от Rubikloud останется несколько отделённым от основного планировочного движка, то совместная оптимизация цен и запасов не будет бесшовной. Например, пользователь может получить прогноз спроса от ИИ, но всё же вручную отрегулировать безопасные запасы или отменить рекомендации ИИ из-за недостатка доверия — тем самым снова вводя человеческое суждение в процесс и разрывая цепочку автономности. В заключение, Kinaxis высоко ценится за то, что он делает — интерактивное планирование — но по сути это скорее “система продвинутой помощи водителю”, чем самоуправляемый автомобиль. Он значительно повышает продуктивность и скорость реакции планировщика, но не устраняет необходимость в квалифицированных специалистах. Компании должны быть осторожны с любыми заявлениями о том, что ИИ Kinaxis автоматически решит сложные компромиссы; на самом деле программное обеспечение эффективно лишь в той мере, в какой эффективны планировщики и параметры, которые им управляют. Пока Kinaxis не докажет, что его новые ИИ-агенты могут управлять планированием при минимальном участии человека, он остаётся шагом позади действительно автономных решений.

8. SAP IBP (Интегрированное бизнес-планирование) – Современный интерфейс поверх многолетних практик. IBP от SAP является преемником печально известного SAP APO и входит в состав пакета SAP SCM. Как и положено SAP, он часто является выбором по умолчанию для крупных предприятий, использующих SAP ERP. IBP предоставляет модули для прогнозирования спроса (с функцией «отслеживания спроса»), оптимизации запасов, планирования поставок и S&OP, объединенные на in-memory базе данных SAP HANA. На бумаге он выглядит как система с автономными компонентами – включая оптимизатор для многоуровневых запасов и некоторые возможности машинного обучения (благодаря интеграции с SAP Leonardo AI и методам прогнозирования на основе машинного обучения). Однако на практике IBP является весьма ручным, зависящим от консультантов решением. Требуется значительная настройка: компании должны создать плановые области, определить ключевые показатели, настроить алгоритмы и установить эвристику планирования. Планировщики по-прежнему выбирают, какие статистические модели применять для прогнозирования, устанавливают цели по страховочным запасам или уровням обслуживания и вручную проверяют оповещения об исключениях. Так называемое «отслеживание спроса» в IBP по сути представляет собой корректировку краткосрочного прогноза на основе недавних фактических данных – концепция, активно продвигаемая после приобретения SmartOps SAP и работ Terra Technology. Однако «отслеживание спроса» во многом оказалось модным словечком – ребрендинг краткосрочного прогнозирования, который зачастую дает лишь незначительный прирост точности и может даже вносить шум. На практике, несмотря на то, что включение дополнительных данных в режиме реального времени может улучшить прогнозы, оно не устраняет неопределенность; если применять его наивно, оно может даже приводить к чрезмерной реакции на случайные колебания. Несколько поставщиков (E2open, o9, ToolsGroup и др.) предлагают аналогичные функции «отслеживания спроса» ¹⁸ и делают смелые заявления об улучшении точности прогнозов. Однако рекламный ажиотаж значительно превышает типичные выгоды, поэтому мы считаем это vaporware, когда позиционируется как универсальное средство. SAP IBP включает эту функцию, но компании сообщают о смешанных результатах – она, безусловно, не делает план спроса самовосстанавливающимся или автономным без вмешательства человека. Совместная оптимизация запасов и ценообразования отсутствует в SAP IBP. SAP не включает встроенный механизм оптимизации цен в IBP. Для большинства клиентов SAP ценообразование осуществляется через отдельные системы или ручные процессы (некоторые используют самостоятельные инструменты SAP, такие как SAP Condition Contracts, в то время как другие полагаются на стороннее программное обеспечение). В результате планирование в SAP остается разрозненным: компании могут оптимизировать запасы или производство, исходя из предполагаемого спроса, но влияние на спрос через изменение цен выходит за рамки возможностей IBP. Это представляет собой фундаментальное ограничение при обсуждении действительно автономной, сквозной оптимизации цепочки поставок. Технологии и масштабируемость: SAP IBP работает на базе данных HANA от SAP – это in-memory столбчатая база данных. Производительность может быть хорошей для вычислений, но затраты могут быстро расти при увеличении потребностей в памяти и вычислительной мощности. Многие вычисления в IBP (например, запуск глобального оптимизатора или масштабных прогнозов) выполняются пакетными заданиями ночного времени, а не мгновенно. SAP внедрил несколько интересных алгоритмов (например, оптимизатор для запасов, использующий стохастические модели, полученные в результате приобретения SmartOps, и некоторые методы прогнозирования с использованием машинного обучения). Но следует отметить: никакой алгоритм SAP никогда не появлялся в внешних бенчмарках, таких как соревнование M5. Поставщик склонен заявлять о «20%-ом улучшении точности прогнозирования» в маркетинговых материалах, но без участия в открытых конкурсах или подробной публикации методов эти заявления остаются всего лишь утверждениями производителя. Безопаснее считать, что прогнозирование от SAP является стандартным (и действительно, многие клиенты IBP используют достаточно базовые статистические модели или даже внешние прогнозы, поскольку встроенные не являются революционными). «ИИ» в SAP IBP в основном присутствует в виде дополнительных опций (например, использование SAP Analytics Cloud для автоматической настройки моделей прогнозирования или применение ML для обнаружения исключений). SAP также продвигает идею «автономной цепочки поставок» в своих высокоуровневых заявлениях, но конкретные продукты отстают. Сила SAP заключается прежде всего в интеграции с транзакционными системами – IBP легко интегрируется с данными SAP ERP и отправляет планы на исполнение. Однако, ирония в том, что интеграция данных не означает интеграцию решений. Компании, использующие SAP, часто по-прежнему нуждаются в людях для доработки плана, подачи его в SAP ERP и его выполнения. Вывод: SAP IBP является надежным и комплексным инструментом для планирования, но не автономным транспортным средством. Он по-прежнему зависит от настраиваемых пользователем параметров – от параметров моделей прогнозирования до профилей покрытия запасов и эвристик распределения поставок. Такая высокая настраиваемость практически является антиподом автономии: система ожидает, что пользователи закодируют значительную часть логики принятия решений (или хотя бы установят пороги). Подход SAP, по сути, цифровизует традиционный процесс планирования, а не переосмысляет его с помощью ИИ. В результате степень автоматизации остается ограниченной. IBP генерирует множество оповещений и сообщений об исключениях, предназначенных для действий планировщиков, что указывает на то, что система часто возвращает управление человеку, когда планы расходятся с ожиданиями. Также примечательно, что нет такого поставщика, который ассоциировался бы с масштабными, индивидуальными реализациями (и даже неудачами внедрения) в сфере SCM, как SAP; если бы автономная оптимизация действительно была plug-and-play, такие высокие сервисные затраты и непоследовательные результаты были бы гораздо реже. Если быть справедливыми, у SAP огромные ресурсы, и они могли бы быстро развивать IBP. Но по состоянию на 2025 год, если целью является действительно автономная система планирования, IBP потребовал бы столь значительной кастомизации и ручного вмешательства, что он не является лучшим выбором. Он предоставляет мощную аналитику и единую платформу для планирования, но автономию необходимо обеспечить собственными усилиями клиента, если вообще.

9. E2open – Мастер на все руки, но ни в чем не превосходящий (в планировании). E2open – это несколько иное явление: платформа управления цепочками поставок, известная своей мультипредприятной сетью (соединяющей множество торговых партнеров) и чередой приобретений, благодаря которым у нее чрезвычайно широкий портфель. Сегодня E2open включает компоненты для планирования спроса, S&OP, планирования поставок, логистики, закупок и многого другого, благодаря приобретению множества компаний за последние годы. Примечательно, что в 2016 году она приобрела Terra Technology (для отслеживания спроса и оптимизации многоуровневых запасов), в 2017 году – Steelwedge (для S&OP), а недавно – программное обеспечение для транспортировки (BluJay, Cloud Logistics) и данные по каналам (Zyme и т.д.) ¹⁹. Теоретически E2open может оптимизировать всю расширенную цепочку поставок – от производства до распределения к конечному потребителю – с учетом данных о запасах в каналах и ограничений поставщиков. Позиционируется это как сквозное решение на единой облачной платформе. Однако на практике «единство» E2open связано скорее с продажами, чем с технологиями. Приобретенные приложения остаются отдельными модулями, интегрированными преимущественно на уровне данных через сеть E2open и оформленными в единый пользовательский интерфейс (UI «Harmony») ²⁰. Тем не менее, под капотом у вас по-прежнему разные движки – например, движок отслеживания спроса от Terra и планировочный движок от Steelwedge – каждый со своей логикой. Хотя E2open поддерживает и скромно улучшает эти компоненты, глубокая интеграция (например, действительно совместная оптимизация) остается ограниченной. Аспекты автономии: В сообщениях E2open присутствует множество модных слов – они говорят об «автоматизации на основе ИИ», «непрерывном планировании и исполнении», «мышлении «снаружи внутрь» (ориентированном на спрос)» и т.д. ²⁰. Технология отслеживания спроса Terra действительно представляет собой подход, напоминающий ИИ (использует данные по нижним звеньям и машинное обучение для корректировки прогнозов). А Steelwedge предоставил рабочий процесс управления исключениями. Однако, если присмотреться, планирование в E2open всё ещё опирается на традиционные методы: статистические прогнозы, которые могут учитывать внешние сигналы, оптимизационные решатели с параметрами, заданными пользователем, и множество совместных рабочих процессов, в которых участвуют люди (термины «совместное прогнозирование» и «управление исключениями» часто встречаются в материалах E2open ²⁰, указывая на то, что система сигнализирует о проблемах, требующих вмешательства человека). Изюминкой E2open является сеть – например, платформа может автоматически передать прогноз спроса поставщику и получить от него подтверждение, а затем скорректировать план. Это полезная автоматизация коммуникации, но это не то же самое, что ИИ, самостоятельно определяющий оптимальный план. Это скорее инструмент для упрощенной координации. Совместная оптимизация запасов и цен: У E2open нет решения для оптимизации цен в составе набора инструментов. У нее есть некоторые инструменты «формирования каналов», которые помогают с такими задачами, как акции, стимулы и программы формирования спроса в каналах распределения ²⁰. Но они больше направлены на управление скидками или обеспечение наличия товара, чем на алгоритмическое установление оптимальных цен. Таким образом, как и в случае с SAP, цикл оптимизации в E2open по сути прерывается на этапе ценообразования – предполагается, что входные данные по ценам заданы, а не выбираются. Технологии и производительность: Учитывая происхождение, компоненты E2open различаются. Отслеживание спроса Terra считалось лучшим решением десятилетие назад для тонкой настройки краткосрочных прогнозов. Steelwedge был чисто облачным (но по сути OLAP- и аналогичным электронным таблицам) инструментом для S&OP. Более старая система E2open (из «TradeMatrix» от i2) была ориентирована на многоуровневую видимость, а не на интенсивную оптимизацию. Проблема здесь заключается в огромном количестве устаревшего кода, работающего за блестящим облачным фасадом. Клиенты сообщили, что пользовательский опыт в E2open улучшился с появлением UI Harmony, но глубина аналитических возможностей не перегнала конкурентов. Кроме того, поддержание стольких модулей, по-видимому, оказалось чрезмерной нагрузкой для E2open – были сообщения о замедлении инноваций, поскольку компания сосредоточилась на интеграции приобретений и (до недавнего времени будучи публичной компанией) выполнении финансовых показателей. Фактически, траектория E2open столкнулась с турбулентностью: к 2025 году цена акций резко упала, и было согласовано приобретение WiseTech Global ¹⁹. WiseTech (австралийская логистическая компания по разработке программного обеспечения) в первую очередь хотела получить сеть и логистические компоненты E2open. Неясно, сколько они инвестируют в возможности планирования и «автономной оптимизации» E2open по сравнению с возможным сокращением портфеля. С точки зрения скептиков, грандиозное видение E2open как универсального решения для цепочки поставок оказалось больше презентацией в PowerPoint, чем реальностью. Каждый компонент может принести ценность в своей нише (Terra может умеренно улучшить точность краткосрочных прогнозов; MEIO может задавать буферы запасов и т.д.), но объединить их так, чтобы цепочка поставок почти самостоятельно функционировала, выходит за рамки достижений E2open. Действительно, E2open часто продает модули по отдельности для решения конкретных проблем ²⁰, и клиенты могут не воспользоваться полным набором инструментов. Это говорит о том, что даже сами клиенты воспринимают это как набор инструментов, а не как интегрированный мозг. До тех пор, пока не появятся доказательства (например, кейс-стадии, где компания позволила ИИ E2open автоматически планировать и выполнять закупки, производство и распределение с минимальным участием человека), E2open останется ансамблем решений среднего звена, а не лидером в автономной оптимизации.

Скептическое резюме и выводы

Видение автономной цепочки поставок – системы, которая предвидит, планирует и действует оптимально с минимальным участием человека – движет маркетинговыми позициями многих поставщиков в 2025 году. Однако, как показывает наше исследование, реальные предложения представляют собой разнородный набор, часто не соответствующий этому видению. Несколько игроков (в частности, Lokad, RELEX, o9 и, возможно, новая инкарнация ToolsGroup) выравнивают свою технологию с основными требованиями к автономии: вероятностное прогнозирование всего неопределенного, совместная оптимизация решений по запасам и ценам, масштабируемые вычисления для обработки большого ассортимента и рамки для принятия решений, которые выдают четкие действия (заказы, распределения, изменения цен) вместо бесконечных оповещений. Эти поставщики также, как правило, имеют более современные кодовые базы или, по крайней мере, меньше «багажа», что позволяет им интегрировать последние методы ИИ в более слаженную систему. Не случайно, например, что команде Lokad удалось доказать своё мастерство в прогнозировании на открытых соревнованиях ¹ – то, чего большинство крупных поставщиков избегали – или что RELEX, как новый участник рынка, встроил оптимизацию цен в свою платформу с нуля, а не в качестве дополнительной опции.

С другой стороны, старожилы рынка (Blue Yonder, SAP, Oracle в определенной степени, даже Kinaxis) обладают широким функционалом, но зачастую работают разрозненно, полагаясь на человеко-ориентированные рабочие процессы, где ИИ служит лишь для поддержки принятия решений. Они также часто делают утверждения, которые подрывают доверие: обещают улучшения без должного контекста или дают модные, но малотехнические обещания. Здоровый скептицизм вполне оправдан, когда поставщик хвастается «интеграцией более 200 драйверов спроса» или «пересчетом прогнозов для всего ассортимента за считанные секунды». На практике использование сотен факторов спроса, скорее всего, приведет к переобучению и перегрузке модели (и сделает её кошмаром в обслуживании – подлинный результат в виде «черного ящика»), а «мгновенное прогнозирование для тысяч SKU» обычно подразумевает очень простую модель (поскольку сложные модели требуют времени; если прогнозирование действительно мгновенное, возможно, это просто наивная экстраполяция). Мы искали доказательства содержания за такими заявлениями. Например, поставщики, рекламирующие «прогнозирование на основе ИИ» – публиковали ли они методы или участвовали в чем-либо подобном соревнованию M5? Если нет, мы считаем эти заявления маркетинговой болтовней до появления доказательств. Аналогичным образом, «отслеживание спроса» стало популярным термином, особенно среди SAP и E2open; мы обнаружили, что это в основном ребрендинг краткосрочного прогнозирования на основе недавних продаж, что согласно нескольким источникам приводит к снижающейся отдаче и может даже быть контрпродуктивным, если применено наивно ¹⁸. Ни один из поставщиков, заявляющих о «отслеживании спроса», не представил прозрачных, рецензируемых результатов, доказывающих, что оно значительно превосходит хорошо настроенные традиционные прогнозы.

Еще один тревожный знак – это поставщики, которые выделяют «настраиваемость», «сотни параметров» или «пользователь может определять свою стратегию» как положительный момент – это часто означает, что система сама недостаточно умна, чтобы определить правильную политику, и поэтому ответственность перекладывается на пользователя. Истинная автономия возникает, когда система учится и адаптируется, а не просит человека жестко задавать правила или пороги. Аналогично, акцент на «оповещениях, центрах управления и управлении исключениями» (что характерно для Kinaxis, SAP и т. д.) подразумевает, что программное обеспечение будет возвращать множество проблем к человеку. Это принципиально противоположно подходу, основанному на ИИ, когда программное обеспечение должно решать рутинные задачи и только эскалировать действительно экстраординарное. Если ценностное предложение поставщика по сути «мы оповестим вас о проблемах быстрее», это полезно, но не означает автономии.

Качество интеграции – еще одна тема: многие поставщики росли за счет поглощений, что, как мы уже обсуждали, затрудняет бесшовную оптимизацию. Совместная оптимизация запасов и ценообразования особенно показательна – ни один из крупных, давно существующих игроков не начинал с обеих возможностей, и объединение их впоследствии оказывается чрезвычайно сложной задачей (разные данные, различные алгоритмические подходы, организационные барьеры в компании-клиенте и т. д.). Неудивительно, что Lokad и RELEX – которые оба отдают предпочтение интеграции ценообразования с решениями по цепочке поставок – являются новыми компаниями; они спроектировали свои решения в эпоху, когда динамическое ценообразование и ИИ уже были ключевыми аспектами. В отличие от них, старым поставщикам теперь приходится в спешке добавлять такие компоненты (например, ToolsGroup приобрела Evo, Kinaxis – Rubikloud). Скептик ожидает, что эти интеграции столкнутся с проблемами: задержками данных между системами, несовместимыми целями (одна система минимизирует запасы, другая максимизирует маржу – как они могут автоматически согласоваться?) и просто временем, необходимым для технологического слияния кодовой базы или пользовательских интерфейсов. Пока мы не увидим реальный кейс, где, скажем, единая оптимизация цены+запасов от ToolsGroup работает плавно в масштабах, будем считать, что предстоит еще работа.

Масштабируемость и экономическая эффективность не могут быть упущены из виду в этом обсуждении. Некоторые поставщики (Blue Yonder, SAP) опираются на архитектуры с большой долей оперативной памяти или облака данных третьих сторон, которые могут стать очень дорогими в большом масштабе. По-настоящему автономной системе необходимо регулярно обрабатывать огромные объемы данных (сигналы спроса, статусы запасов, цены конкурентов и т. д.). Если для этого требуются непомерно высокие счета за облачные вычисления или экзотическое оборудование, это становится практическим барьером для автономии (компании придется сокращать масштаб решения для контроля затрат, что приведет, в лучшем случае, к частичной автоматизации). Как отмечалось, подходы, основанные на Snowflake, могут попасть в эту ловушку – мотивация к оптимизации кода не согласована ¹⁴, поэтому пользователи могут оказаться вынуждены платить премию за каждый мелкий запрос. Тем временем, Lokad создал собственный ориентированный на производительность движок (с собственным языком программирования) для эффективной обработки данных ²¹, а модель Kinaxis, хоть и дорогая, по крайней мере оптимизирована для скорости. Ключевой вопрос: передает ли поставщик вычислительные неэффективности (и их затраты) клиенту? Если да, то это означает, что решение, возможно, не масштабируется автономно – клиенты будут тщательно контролировать, какие данные поступают, чтобы избежать высоких затрат, что подрывает суть ИИ, который должен поглощать данные.

Наконец, важно подчеркнуть, что у ни одного поставщика нет 100%-ного уровня успеха. У каждой из этих компаний были неудачные проекты – разница в том, открыты ли они в этом вопросе и извлекают уроки, или же скрывают это за маркетинговыми ходами. При оценке заявлений вроде «среднее улучшение на X%» или «нет неудачных внедрений» следует быть крайне осторожными. Дело Dillard’s против i2 с вынесенным решением о выплате 246 млн долларов против i2 ¹⁰ является крайней иллюстрацией, но служит напоминанием: смелые заявления могут привести к дорогостоящему разочарованию, если технологии не подтвердят их. Мы предпочитаем поставщиков, которые предоставляют конкретные, измеримые результаты с контекстом (например, «для клиента A в электронике уровень обслуживания улучшился с 92% до 96% для медленно движущихся товаров, а запасы сократились на 10% за 1 год – благодаря использованию вероятностного прогнозирования спроса и оптимизации цен»). Общие заявления вроде «дефицит уменьшен на 30%» без указания базовых показателей, временных рамок и условий практически не имеют значения и, скорее всего, являются выборочными или даже вымышленными.

В заключение, к 2025 году на рынке действительно наблюдаются действительные успехи в направлении автономной оптимизации цепочки поставок. Несколько решений выделяются своей технической надежностью и передовым мышлением. Lokad выступает в качестве нашего лучшего выбора благодаря своему целостному, основанному на вероятностном подходе, и доказанной эффективности в прогнозировании – он, похоже, действительно обеспечивает роботизированное принятие решений в области управления запасами и ценообразования, рассматривая цепочку поставок как задачу количественной оптимизации, решение которой требует минимального человеческого вмешательства ²¹. RELEX и o9 не отстают, демонстрируя солидные ИИ-компетенции и интегрированный дизайн (особенно RELEX для ритейла). ToolsGroup развивается достойно, осознавая необходимость единой логики ценообразования и управления запасами, хотя его автономия зависит от интеграции новых приобретений. Aera Technology представляет собой многообещающий дополнительный подход – автономное решение вопросов корректировки исполнения в режиме реального времени, которое можно сочетать с другой системой для планирования. Тем временем, крупные наследственные системы (Blue Yonder, SAP, Oracle) предлагают широкий функционал, но продолжают требовать значительного человеческого управления, и поэтому к ним следует относиться с осторожностью, если ваша цель – малоручевая «самоуправляемая» цепочка поставок. Они могут стать частью стратегии цифровизации цепочки поставок, но ожидание, что они будут работать как автономная система, скорее всего, приведет к разочарованию.

В конечном итоге, достижение автономной цепочки поставок – это такое же путешествие, как и приобретение программного обеспечения. Даже лучшей платформе нужно завоевывать доверие – компании должны позволить алгоритмам управлять процессами, чтобы увидеть преимущества, что может быть культурно сложным. Поставщики, возглавляющие наш рейтинг, предоставляют инструменты для этого, в то время как те, кто находится внизу, скорее затянут вас обратно к ручному тушению пожаров, несмотря на все блестящие обещания. Мы рекомендуем сосредоточиться на поставщиках, которые делают акцент на прозрачных, вероятностных моделях, экономической оптимизации и имеют реальные примеры автоматизации – и требовать от любого поставщика конкретных объяснений того, как работает их ИИ и как он был подтвержден (если они не могут этого предоставить, будьте крайне скептичны). В области, изобилующей модными словами, подход, основанный на поиске истины и доказательствах, принесет наибольшую пользу. В конце концов, управление цепочкой поставок «на автопилоте» – заманчивый выбор, но только если автопилот был тщательно протестирован и доказал свою эффективность в турбулентных условиях, а не только в демонстрационном полете.

Footnotes