Обзор компании Manhattan Associates, поставщика программного обеспечения для цепочек поставок и омниканальной коммерции

От Léon Levinas-Ménard

Последнее обновление: December, 2025

Manhattan Associates — это публичная американская компания-разработчик программного обеспечения, штаб-квартира которой расположена в Атланте, основанная в 1990 году и исторически известная своей системой управления складом PkMS на базе AS/400, прежде чем расшириться до комплексного набора решений «supply chain commerce», включающего управление складом, управление перевозками, управление заказами, точки продаж, инвентаризацию магазинов и, в последнее время, облачное планирование и «агентные» расширения на базе ИИ. Ядром современного предложения является платформа Manhattan Active: многопользовательская SaaS-система, работающая в Google Cloud, построенная вокруг более чем 250 микросервисов на Java/Spring, оркестрованных на Kubernetes, предоставляющих REST API и спроектированных для работы в режиме «без версий» (непрерывная поставка без раздражающих обновлений) для модулей WMS, TMS, OMS и планирования. Manhattan позиционирует свою оптимизацию как встроенную в эти приложения: непрерывная оптимизация транспортировки с использованием запатентованного «адаптивного оптимизационного движка», планирование спроса и запасов через «гибридный ИИ» (UFM.ai), сочетающий машинное обучение с правилами и эвристиками, и новые агентные помощники для рабочих процессов планирования. Имея свыше 3000 сотрудников, тысячи клиентов в секторах розничной торговли, логистики, производства и других, и годовой доход около $1–1.2 млрд, Manhattan является устоявшимся игроком в области APS/SCM. Однако его публичные технические материалы остаются преимущественно маркетинговыми: подробности алгоритмов оптимизации, глубина вероятностного моделирования и конкретная архитектура ИИ скудны, и отсутствуют рецензируемые исследования или данные по типу бенчмаркинга, сопоставимые с данными некоторых специализированных поставщиков. Технологии Manhattan, безусловно, современны с точки зрения облачной инженерии, но насколько их возможности ИИ/оптимизации превосходят сложные транзакционные системы, основанные на правилах, из публичных источников можно установить лишь частично.

Обзор компании Manhattan Associates

Компания Manhattan Associates была основана в 1990 году и имеет штаб-квартиру в Атланте, штат Джорджия, изначально специализируясь на управлении складом для распределения и розничной торговли, а затем постепенно расширяя свою деятельность до выполнения операций в цепочке поставок и омниканальной торговли.¹²³⁴ Компания котируется на NASDAQ под тикером MANH, обслуживая клиентов в Америке, EMEA и APAC в таких секторах, как розничная торговля, потребительские товары, продукты питания и товары для дома, логистика, промышленность, оптовая торговля, высокие технологии и бионауки.⁴⁵

Исторически флагманским продуктом Manhattan был PkMS — система управления складом на базе AS/400, которая получила широкое распространение в конце 1990-х годов.³⁶ Со временем PkMS превратился в линейку WMOS (Warehouse Management Open Systems), дополненную модулями TMS и другими решениями для выполнения операций.⁶ За последнее десятилетие Manhattan сделал ставку на Manhattan Active® — облачную платформу, предназначенную для обеспечения единой среды управления складом, транспортировкой, заказами и рабочей силой, с двумя основными направлениями: Active Supply Chain и Active Omni.⁷

По данным компании, у Manhattan тысячи клиентов по всему миру и несколько тысяч сотрудников; в одном из недавних описаний вакансии указывается около 3 400 сотрудников, и отмечается, что компания разрабатывает технологии для «цепочки поставок, управления запасами и омниканальности» на протяжении более 30 лет.⁴⁸ Что касается выручки, Macrotrends сообщает о суммарном доходе за последние двенадцать месяцев примерно в $1.05 млрд по состоянию на третий квартал 2024 года,⁶ в то время как обзор Webull по форме 10-K за 2024 год указывает $1.23 млрд дохода (+12% по сравнению с предыдущим годом).⁹ Разница, по-видимому, связана с различными временными периодами и, возможно, округлением, но оба источника ставят Manhattan в категорию компаний с доходом около одного миллиарда долларов — устоявшегося, прибыльного поставщика программного обеспечения, а не молодого стартапа.

Современное портфолио позиционируется как платформа «supply chain commerce»: Manhattan Active Supply Chain (WMS, TM, Двор, Управление персоналом), Manhattan Active Omni (OMS, POS, обслуживание клиентов) и Manhattan Active Supply Chain Planning (прогнозирование спроса, управление запасами, распределение и пополнение).⁴⁷¹⁰ Кроме того, недавно Manhattan представил компоненты Agentic AI, которые встраивают разговорных агентов и агентов для рабочих процессов в свои продукты, рекламируя их как «Manhattan Active Agentic AI Solutions».¹¹¹²¹³

Manhattan Associates против Lokad

С точки зрения планирования цепочки поставок, Manhattan и Lokad занимают пересекающиеся, но структурно разные позиции. Manhattan является широким корпоративным поставщиком, основными сильными сторонами которого являются исполнение и омниканальные потоки — управление складом, транспортировкой, оркестрация заказов и объединение онлайн и офлайн — что реализуется через большую облачную платформу микросервисов, предназначенную для интеграции с операционными системами (WMS/TMS/OMS/POS).⁷¹⁴¹⁵¹⁰ В отличие от неё, Lokad является специализированной платформой предиктивной оптимизации: она предоставляет доменно-специфический язык (Envision) и движок вероятностного прогнозирования/оптимизации, основной задачей которого является генерация финансово оптимизированных решений для цепочки поставок (заказов, распределения, планов производства, ценообразования) поверх существующих ERP и WMS/TMS.¹⁶¹⁷¹⁸

С технической точки зрения, платформа Manhattan Active от Manhattan представляет собой многопользовательскую SaaS-среду, работающую в Google Cloud, с более чем 250 микросервисами, реализованными в основном с использованием Java/Spring Boot, упакованными в Docker и оркестрованными на Kubernetes.⁷¹⁴⁸ Архитектура подчеркивает обновления без версий, высокую доступность и интеграцию через REST API, а также предоставляет платформенные сервисы для аутентификации, мониторинга и автоматизации жизненного цикла.⁷¹⁹²⁰ В то же время архитектура Lokad сосредоточена на собственном DSL, исполняемом в распределенной среде, с событийно-ориентированным хранилищем данных и запатентованными вероятностными моделями и алгоритмами оптимизации; его веб-интерфейс фактически является фронтендом для программной среды Envision и соответствующих панелей управления.¹⁷¹⁸ Основное внимание уделяется программируемости и моделированию «белого ящика» вместо каталога заранее собранных транзакционных приложений.

Что касается аналитики, заявления Manhattan о планировании и оптимизации внедрены в отдельные модули. Manhattan Active TM использует «адаптивный оптимизационный движок» и машинное обучение для постоянной настройки параметров многомодального планирования транспортировки и переоптимизации в режиме реального времени, однако публичная документация остается на концептуальном уровне и не раскрывает конкретные классы моделей, целевые функции или информацию о том, используются ли полные распределения спроса/времени выполнения.¹⁰²¹²²¹¹ Manhattan Active Supply Chain Planning аналогичным образом рекламирует «гибридный ИИ» — сочетание статистических моделей, машинного обучения и бизнес-правил, — а также слой UFM.ai, но подробности базовой вероятностной структуры, если таковая имеется, остаются скудными.²³²⁴²⁵ В отличие от этого, Lokad явно позиционирует себя на вероятностном прогнозировании и количественной оптимизации, предоставляя публичную документацию по квантильным/распределительным моделям, по алгебре случайных величин языка Envision и имея подтвержденный опыт на конкурсе M5 по прогнозированию (общее место — 5-е, место №1 по каждому SKU).¹⁶¹⁸²⁶

С точки зрения развертывания и операционной модели, Manhattan обычно реализует крупные проекты внедрения с участием или при поддержке системных интеграторов (например, 4SiGHT, JBF Consulting), которые настраивают Manhattan Active WMS/TMS/OMS в соответствии со схемой складов и транспортных сетей, при этом возможности планирования используются как часть этих приложений.⁷²⁷¹¹ Lokad, напротив, привлекает собственных «ученых по цепочке поставок», создавая индивидуальные программы на Envision, которые работают параллельно с существующими WMS/TMS/ERP, возвращая решения через файлы или API; сама платформа имеет относительно узкую направленность (без функционала WMS/TMS), но обеспечивает более глубокую гибкость моделирования. Основная ценность Lokad заключается в финансовой оптимизации, ориентированной на принятие решений, в то время как предложение Manhattan охватывает более широкий спектр — объединяя исполнение, омниканальные потоки и встроенную оптимизацию — за счет менее прозрачного и менее специфичного для отрасли моделирования.

Для покупателя, который в первую очередь ищет комплексное выполнение и омниканальную оркестрацию с современной облачной инженерией, Manhattan предлагает комплексное решение и богатый опыт внедрения WMS/TMS. Для покупателя, чья основная задача — количественная оптимизация в условиях неопределенности (например, управление запасами, производство, ценообразование) и который готов инвестировать в программируемую модельную среду, архитектура Lokad и задокументированный стек вероятностного прогнозирования/оптимизации являются более специализированными и прозрачными. Из публичных данных видно, что заявления Manhattan в области ИИ и оптимизации представляются более постепенными — встроенными улучшениями традиционного поведения APS, — в то время как Lokad с самого начала ориентировал свою платформу на вероятностную оптимизацию решений.¹⁰²³¹⁶¹⁸²⁶

Корпоративная история и эволюция

Компания Manhattan Associates берет свое начало в 1990 году; несколько источников сходятся во мнении относительно этой даты основания и того, что штаб-квартира находится в Атланте.¹²⁴⁵²⁸ Ранние маркетинговые материалы и публикация в прессе, ориентированная на AS/400, демонстрируют PkMS как систему управления складом, разработанную для поддержки больших транзакционных объемов и оптимизации процессов приема, хранения и распределения запасов — по сути, раннюю WMS для распределительных центров с высоким оборотом.³⁶

В 1990-х и начале 2000-х годов Manhattan расширила свой ассортимент за пределы PkMS до WMOS (открытых систем), управления перевозками и других модулей выполнения операций, одновременно интернационализируя базу своих клиентов.²⁶ Компания стала публичной на NASDAQ в конце 1990-х, и к 2010-м годам ее признали в аналитических квадрантах и отраслевых отчетах как поставщика WMS/TMS (детали опущены, поскольку они мало способствуют техническому пониманию).

Стратегическим изменением за последнее десятилетие стал переход к Manhattan Active®, позиционируемому как единая, облачная платформа для «supply chain commerce».⁷ Партнер третьей стороны 4SiGHT описывает Manhattan Active как интегрирующую управление складом, транспортировкой, заказами и рабочей силой в архитектуре микросервисов, позиционируя платформу как будущее направление для существующих клиентов WMOS и SCALE.⁷ Страницы «Наша история» и «О нас» на сайте компании подтверждают эту эволюцию: от узкоспециализированного поставщика WMS до широкого поставщика программного обеспечения для «supply chain commerce» с основными направлениями Active Supply Chain и Active Omni.¹⁴

С финансовой точки зрения, Manhattan последовательно выросла до уровня миллиардных доходов. Macrotrends сообщает о суммарном доходе за последние двенадцать месяцев порядка $1.046 млрд по состоянию на третий квартал 2024 года, что составляет 13% рост по сравнению с предыдущим годом,⁶ в то время как обзор Webull по форме 10-K за 2024 год указывает $1.23 млрд дохода (+12% по сравнению с предыдущим годом).⁹ При отсутствии прямого доступа к PDF версии 10-K, эти две цифры отражают различные временные периоды (TTM против полного финансового года), но согласуются в том, что Manhattan занимает приблизительно среднюю однозначную позицию по рыночной капитализации с доходами в миллиард долларов.

На сегодняшний день Yahoo Finance и StockAnalysis описывают Manhattan как глобального поставщика программного обеспечения для управления цепочками поставок и омниканальной торговли, обслуживающего такие секторы, как розничная торговля, логистические операторы, потребительские товары, промышленность, высокие технологии и государственный сектор.⁴⁵ Недавнее описание вакансии подтверждает это, указывая, что на протяжении «более 30 лет» компания разрабатывала решения для «самых сложных бизнес-задач в области цепочки поставок, управления запасами и омниканальности».⁸ Короче говоря, Manhattan — это зрелый, ориентированный на исполнение корпоративный поставщик программного обеспечения, а не недавний стартап в области ИИ.

Продуктовое портфолио и фокус на цепочку поставок

Manhattan Active Supply Chain (WMS, TM, Двор, Управление персоналом)

Управление складом. Manhattan Active Warehouse Management (MAWM) — это флагманская облачная WMS от Manhattan. Компания описывает её как «облачную, безверсионную, основанную на микросервисах WMS», предназначенную для поддержки автоматизации, роботизации и высокообъемных омниканальных операций.¹⁵²⁰ Официальная брошюра называет её «последней WMS, которая вам когда-либо понадобится», подчеркивая эластичную масштабируемость, обновления без остановок и возможность расширения через API и конфигурационные слои.²⁰ Независимый обзор от ExploreWMS также отмечает, что MAWM является многопользовательской, размещенной в облаке, и в особенности ориентирована на крупные, сложные склады, предлагая функции управления персоналом, оптимизации размещения и контроля автоматизации в режиме реального времени.²⁷

Управление перевозками. Manhattan Active Transportation Management (MATM) заменяет предыдущую локальную TMS от Manhattan. Компания позиционирует MATM как единый, облачный TMS, обеспечивающий стратегическое, тактическое и операционное планирование для различных видов перевозок (доставка посылок, LTL, TL, интермодальные перевозки) с глобальным многоэтапным планированием, управлением перевозчиками и аудитом грузоперевозок.¹⁰²¹

Управление двором, трудовыми ресурсами и перевозчиками. Manhattan Active Yard Management и Labor Management, а также Carrier Management, также предоставляются в виде микросервисов в рамках Manhattan Active Supply Chain, хотя техническая информация сверх функциональных возможностей (планирование пропусков, чередование задач, отслеживание производительности) соответствует стандартным решениям APS/WMS.⁴¹⁵

Manhattan Active Omni (OMS, POS, Обслуживание клиентов)

Управление заказами и объединение офлайн/онлайн. Manhattan Active Omni охватывает управление заказами (OMS), инвентаризацию магазина и выполнение заказов, POS и обслуживание клиентов. Материалы Manhattan подчеркивают наличие единого обзора заказов и запасов по всем каналам с логикой распределенного управления заказами (DOM) для определения отправки из магазина или из распределительного центра, а также поддержкой таких форматов, как BOPIS и курьерская доставка.⁷ Обзор от 4SiGHT явно отмечает, что Manhattan Active обеспечивает «единое представление о клиенте и заказах, а также единое видение запасов с моделью стандартной интеграции», что снижает необходимость в отдельных точечных решениях.⁷

С точки зрения цепочки поставок, Omni больше ориентирована на оркестрацию и выполнение операций, а не на глубокую оптимизацию: используется управление на основе правил для DOM и настраиваемые приоритеты, но отсутствуют подробные публичные технические доказательства продвинутой вероятностной оптимизации на уровне OMS.

Manhattan Active Supply Chain Planning (SCP)

Модули планирования. Manhattan Active SCP включает прогнозирование спроса, оптимизацию запасов, пополнение и распределение, а также (в некоторых материалах) планирование акций и ассортиментное планирование. Manhattan описывает этот пакет как использующий «гибридный ИИ» — сочетание машинного обучения, математической оптимизации и бизнес-правил для создания планов.¹⁰²³²⁴

Модуль прогнозирования спроса позиционируется как использующий машинное обучение и искусственный интеллект для учёта сезонности, акций и причинно-следственных факторов, с интеграцией в пополнение запасов и распределение для «замыкания цикла.»²³²⁵ Маркетинговые материалы и электронная книга («Погоня за совершенством») описывают слой UFM.ai, который действует как «мозг» над спросом, запасами и потоками заказов, обеспечивая работу SCP, а также систем исполнения.²⁴ Однако Manhattan не раскрывает подробных алгоритмических деталей: классы моделей, вероятностную структуру (если таковая имеется) или то, как прогнозы преобразуются в экономические решения, не изложены публично.

Независимые комментарии (например, анализ от SupplyChainBrain работы Manhattan Active SCP) в основном перефразируют заявления Manhattan о «гибридном ИИ» и подчёркивают такие преимущества, как более точные прогнозы и повышенная продуктивность планировщиков, но при этом снова не содержат технически значимой информации помимо фразы «использует ИИ и машинное обучение.»²⁵

Агентские AI-решения

В 2024–2025 годах Manhattan представил Manhattan Active Agentic AI Solutions, рекламируемый как «агентские ИИ» помощники, интегрированные в Manhattan Active.¹¹¹² Пресс-релизы заявляют, что эти решения используют несколько ИИ-агентов — например, для планирования, мониторинга исполнения и анализа корневых причин, — которые могут взаимодействовать для предложения действий, и что они используют большие языковые модели вместе с отраслевыми знаниями Manhattan.¹¹¹²

Обзор DCVelocity отмечает, что решения агентского ИИ располагаются поверх Manhattan Active и включают «агентскую литейную фабрику» для настройки и развертывания агентов для конкретных рабочих процессов.¹³ Другой отраслевой материал поясняет, что эти агенты могут, например, выявлять аномалии спроса, предлагать меры по их устранению и помогать планировщикам ориентироваться в сложных сценариях.²³

Согласно публичным сведениям, эти агентские функции представлены как улучшения на уровне рабочих процессов — помощники на базе больших языковых моделей, встроенные в интерфейсы планирования и исполнения — а не как фундаментальные изменения оптимизационных механизмов Manhattan. Нет технической документации о том, как эти агенты интегрируются с базовой оптимизацией или могут ли они изменять цели и ограничения оптимизации.

Техническая архитектура и стек

Облачная платформа и микросервисы

Manhattan Active описывается как нативная облачная платформа без версий, основанная на микросервисах. Подробная статья партнёра 4SiGHT указывает, что Manhattan Active построена как набор независимо разворачиваемых микросервисов, их общее число превышает 250, сгруппированных в решения, такие как Active Omni и Active Supply Chain.⁷ В ней подчёркивается использование Java, фреймворка Spring, Docker и Kubernetes, а также отмечается, что платформа предоставляет REST API для интеграции с обширной документацией по бизнес- и операциям с данными.⁷

Блог Google Cloud дополнительно поясняет, что Manhattan перестроила свою платформу на Google Cloud, используя Google Kubernetes Engine (GKE) вместе с другими сервисами GCP, и что её приложения развертываются как микросервисы в кластерах GKE.¹⁴ Собственная сетевая документация Manhattan подтверждает, что Manhattan Active предоставляется как SaaS на Google Cloud, с использованием кластеров GKE за балансировщиками нагрузки Google Cloud и сетями Virtual Private Cloud.¹⁹

Материалы WMS подчёркивают, что все решения Manhattan Active являются «безверсионными»: клиенты всегда работают с последним кодом, а обновления применяются непрерывно без масштабных обновлений.¹⁵²⁰ Это соответствует модели многоарендного SaaS, в которой программное обеспечение поставляется постоянно и отсутствует понятие отставания версии для конкретного клиента.

Технологический стек по данным разработчиков и вакансий

Статья 4SiGHT и вакансия для старшего разработчика предоставляют конкретное представление о стеке разработки Manhattan. В статье 4SiGHT указывается, что для понимания Manhattan Active необходимо знание Java, Spring, Docker и Kubernetes, а также что платформа использует «современные технологии с открытым исходным кодом и нативную облачную архитектуру.»⁷ В вакансии перечислены необходимые навыки, включая Java, Spring Boot, архитектуру микросервисов, разработку REST API, Kibana, RabbitMQ, Elasticsearch и навыки фронтенд разработки на Angular/JavaScript/HTML/CSS, а также рабочие процессы на основе Git.⁸

Совокупность этих источников убедительно подтверждает, что Manhattan Active построена преимущественно на стеке микросервисов Java/Spring Boot, с контейнеризацией (Docker), оркестрацией (Kubernetes), системой обмена сообщениями (RabbitMQ), логированием/мониторингом (Kibana/Elastic stack) и традиционными веб-технологиями для фронтенда. Это традиционный, но надёжный современный корпоративный стек.

Хотя это указывает на солидные инженерные практики — микросервисы, наблюдаемость, CI/CD и т.д. — само по себе это не говорит о математической сложности оптимизационных алгоритмов Manhattan. Эти детали остаются закрытыми в проприетарных сервисах.

Архитектура WMS

Брошюра MAWM называет продукт «созданным в облаке» и подчёркивает такие особенности, как эластичное масштабирование, отказоустойчивость и возможности «всегда актуальных» данных.²⁰ ExploreWMS отмечает, что MAWM поддерживает интеграцию с автоматизацией и робототехникой через API, а также предназначен для координации сложных операций распределительных центров с учётом управления трудовыми ресурсами, размещением и управлением дворовыми площадками.²⁷

Архитектура, по всей видимости, соответствует ожиданиям от современного WMS:

Многоарендный SaaS на GCP
Микросервисы для основных функций WMS (приём, хранение, сбор, упаковка, отгрузка) и вспомогательных служб (идентификация, настройка, мониторинг)
Интеграция через REST API, очереди сообщений и потоки событий для автоматизации
Слои конфигурации для потоков, правил и компонентов пользовательского интерфейса

Подробной публичной документации по базовым моделям данных (например, событийное хранение против реляционных схем) не существует, но учитывая стек и типичные требования WMS, разумно предположить сочетание реляционных баз данных для транзакционных данных и распределённых кэшей/индексов для повышения производительности. Однако это скорее предположение, чем доказанный факт; Manhattan не публикует подробностей низкоуровневых DB/ORM.

Архитектура оптимизации TMS

Заявления Manhattan Active TM о непрерывной оптимизации более конкретны, хотя и насыщены маркетинговой риторикой. На странице продукта указывается, что MATM использует единый, работающий в памяти, модель и адаптивный оптимизационный движок для непрерывной оптимизации транспортных планов с учётом событий в реальном времени, ограничений перевозчиков и бизнес-правил.¹⁰²¹ Пресс-релиз GlobeNewsWire описывает этот движок как «мультимодальный» и «использующий машинное обучение для настройки сотен параметров» с целью достижения более быстрых и качественных маршрутов и планов загрузки.²²

Обновление от JBF Consulting 2023 по Manhattan TMS (Manhattan Active TM) отмечает, что Manhattan по существу переписала свою TMS на архитектуре в стиле Active, с микросервисным, нативным облачным дизайном и обновлённым оптимизационным движком, а также указывает, что миграция с устаревшей TMS не является тривиальной и что некоторые клиенты, вероятно, будут использовать оба поколения параллельно некоторое время.¹¹

Публичная информация указывает на следующее:

Оптимизация встроена в приложение TMS, а не предоставляется как универсальный оптимизационный сервис.
Адаптивный движок усилен эвристикой/машинным обучением, настроен посредством машинного обучения параметров, а не полностью математической реформулировкой.
Manhattan не раскрывает целевые функции, наборы ограничений или то, является ли оптимизация стохастической или детерминированной; маркетинговые материалы упоминают машинное обучение, но не вероятностное моделирование.

С точки зрения скептицизма, MATM явно более чем система CRUD — она действительно выполняет нетривиальную оптимизацию, — но детализация и строгость её оптимизации не могут быть полностью оценены по публичной документации.

Планирование цепочки поставок и гибридный ИИ

Маркетинговые заявления Manhattan Active SCP вращаются вокруг «гибридного ИИ» и UFM.ai. Страница продукта SCP описывает гибридный ИИ как сочетание машинного обучения, математической оптимизации и интеллектуального принятия решений для создания планов, отражающих реалии спроса, запасов и мощностей.²³ Электронная книга «Погоня за совершенством» позиционирует UFM.ai как унифицированный слой управления потоками, который использует ИИ для координации потоков по всей сети, снабжая модули планирования аналитикой.²⁴

Обзор SupplyChainBrain и связанные электронные книги («Сила, способная изменить правила игры в Manhattan Active SCP») упоминают такие функции, как автоматическое базовое прогнозирование, рабочее место планировщика, управление исключениями и анализ сценариев, снова подчёркивая гибридный ИИ, но не предоставляя алгоритмических деталей.²⁵

Основываясь на этих источниках, стек SCP, вероятно, включает в себя:

Модели машинного обучения временных рядов для прогнозирования спроса (возможно, градиентный бустинг деревьев или нейронные сети)
Детерминированную оптимизацию для управления запасами и пополнением (например, расчёты страхового запаса и повторного заказа, эвристики распределения)
Слои, основанные на правилах и эвристиках, для обработки исключений и акций

Однако нет явных доказательств существования полных вероятностных распределений спроса, квантильных сеток или стохастической оптимизации, аналогичной той, которую публикуют некоторые специализированные поставщики. Заявления об «ИИ» выглядят обоснованными на уровне использования машинного обучения и аналитики, но они не подкреплены прозрачной алгоритмической документацией.

Агентский ИИ и интеграция LLM

Объявления Manhattan об агентском ИИ указывают, что компания интегрирует большие языковые модели (LLMs) и оркестрацию агентов в Manhattan Active. Пресс-релиз о решениях агентского ИИ утверждает, что эти агенты могут «воспринимать, рассуждать и действовать», используя отраслевые знания и контекст Manhattan, и что их можно настраивать через «Агентскую литейную фабрику.»¹¹ DCVelocity сообщает, что агенты предназначены для помощи планировщикам в диагностике проблем, рекомендации действий и сотрудничестве между функциональными областями цепочки поставок.¹³

Из этих описаний видно, что агентский ИИ представляет собой многоуровневую архитектуру на базе LLM + инструментов:

Большие языковые модели (возможно, через Vertex AI от GCP, учитывая партнёрство с GCP²⁴)
Инструменты и API для запроса данных Manhattan Active и вызова базовых рабочих процессов
Компоненты пользовательского интерфейса (в виде чата или направляемых рабочих процессов), встроенные в экраны WMS/TMS/SCP

Снова, Manhattan не публикует технических деталей: поставщиков моделей, подход к дообучению, меры предосторожности или то, как регистрируются и аудируются решения агентов. Набор функций соответствует отраслевым тенденциям (ко-пилоты на базе LLM), но глубина интеграции с основной оптимизацией остаётся неясной.

Развертывание, внедрение и экосистема

Доставка SaaS и инфраструктура

Manhattan Active предоставляется как многоарендный SaaS на Google Cloud. Блог Google Cloud прямо описывает миграцию Manhattan от установленных на собственных серверах продуктов к SaaS-платформе, построенной на GKE, с автоматическим масштабированием и отказоустойчивой инфраструктурой.¹⁴ Документация по сетям Manhattan указывает, что клиентские окружения логически изолированы с использованием VPC GCP, балансировщиков нагрузки и стандартных мер безопасности.¹⁹

В результате развертывание в основном сводится к выделению арендаторов в облаке Manhattan, настройке интеграций и активации соответствующих модулей; клиенты не управляют инфраструктурой Manhattan Active самостоятельно.

Методология внедрения и партнерская экосистема

Внедрение, однако, не является тривиальным. Партнёр 4SiGHT представляет обширное портфолио услуг вокруг Manhattan Active: оценка обновления WMS, услуги по внедрению, обучение, разработка и поддержка, а также стратегия и консалтинг по управлению складами.⁷ На той же странице указывается, что Manhattan ProActive, приложение в составе Manhattan Active, помогает управлять пользовательскими расширениями (выходы пользователей, события, модификации интерфейса) на протяжении всего жизненного цикла.⁷

Обновление TMS от JBF Consulting аналогичным образом подчёркивает, что переход Manhattan на Active TM подразумевает проекты по миграции, часто с существенным проектированием, тестированием и управлением изменениями.¹¹ Эти источники подтверждают точку зрения, что:

Manhattan Active — это не готовое к использованию решение; оно требует структурированных проектов по внедрению.
Настройка часто осуществляется посредством конфигурации, расширений и иногда написания пользовательского кода, обычно с участием системных интеграторов.
Собственные профессиональные услуги и партнёрская сеть Manhattan являются важной частью предоставления ценности.

На практике методология внедрения Manhattan выглядит как классическое развертывание корпоративной APS: многомесячные проекты, включающие проектирование процессов, конфигурацию, интеграцию, тестирование, обучение и повышенную поддержку, а не «SaaS самообслуживания».

Кейсы и эталоны клиентов

Manhattan публикует многочисленные кейсы. Два примера дают представление о масштабах:

C&A (розничная торговля модой): видео-кейс описывает, как C&A ускорила омниканальную доставку с помощью Manhattan Active Warehouse Management, используя MAWM для масштабирования операций и улучшения сервиса.²⁹
DHL Supply Chain: кейс отмечает принятие DHL Manhattan Active Warehouse Management для поддержки масштабных, многоклиентских операций; Manhattan представляет это как доказательство пригодности MAWM для сред 3PL первого уровня.²⁸

Оба примера иллюстрируют, что Manhattan Active внедряется на больших, сложных складах и что у поставщика есть надёжные рекомендации в сферах розничной торговли и логистики. Однако данные кейсы фокусируются на операционных показателях (пропускная способность, сроки выполнения, омниканальные возможности) и редко количественно оценивают конкретный вклад оптимизационных алгоритмов по сравнению с переработкой процессов, автоматизацией или улучшением видимости.

ИИ, машинное обучение и оптимизация: заявления против доказательств

Где явно присутствует ИИ/МО

Согласно доступным материалам, существуют правдоподобные, подтверждённые доказательствами области, в которых Manhattan использует ИИ/МО:

Оптимизация транспортировки: Мультимодальный оптимизационный движок в MATM явно заявлен как использующий машинное обучение для настройки параметров своих эвристик.²²²¹
Прогнозирование спроса и планирование: Manhattan Active SCP ссылается на прогнозирование на базе машинного обучения, причинное моделирование и гибридный ИИ в модулях планирования.²³²⁵
Агентский ИИ: Агенты на базе LLM явно являются частью дорожной карты Manhattan Active, при этом пресс-релизы и отраслевые статьи описывают их использование в рабочих процессах планирования и исполнения.¹¹¹³

Это достоверное применение ИИ в современной APS.

Где доказательства слабее или отсутствуют

Однако несколько важных технических вопросов остаются без ответа в публичных источниках:

Глубина вероятностного моделирования. Manhattan не указывает явно, являются ли прогнозы SCP полными вероятностными распределениями (например, квантильными сетками) или в основном точечными прогнозами с доверительными интервалами. В общедоступной документации нет упоминания оптимизации страховых запасов с вероятностным подходом или стохастических целевых функций.²³²⁵
Прозрачность оптимизации. Для как TM, так и SCP, Manhattan не публикует:
- Структуру целевых функций (например, компоненты затрат, цели обслуживания).
- Обработку ограничений (например, MOQ, пропускная способность, сетевые ограничения).
- То, является ли оптимизация детерминированной (один сценарий) или стохастической (основанной на сценариях).
JBF и 4SiGHT подтверждают, что оптимизация существует, но не предоставляют математических деталей.⁷¹¹
Бенчмаркинг. В отличие от некоторых специализированных поставщиков, принимавших участие в публичных конкурсах или публиковавших академические исследования, нет доказательств (по состоянию на конец 2025 года), что Manhattan подвергал свои алгоритмы прогнозирования или оптимизации публично проверенным тестам (например, участию в конкурсе M5, рецензируемым статьям).
Внутренняя структура Agentic AI. Похоже, что Agentic AI построен на базе больших языковых моделей (LLM), но Manhattan не описывает поставщиков моделей, стратегии дообучения, механизмы безопасности или то, как фиксируются и проверяются решения агентов. Учитывая хрупкость LLM, это существенное упущение с точки зрения технической строгости.

По сравнению с передовыми технологиями

По сравнению с передовыми технологиями в академической и специализированной оптимизации цепей поставок, публичные технические раскрытия Manhattan скромны:

Нет публичных доказательств дифференцируемого программирования, сквозного обучения прогнозов с учётом затрат или специализированных стохастических алгоритмов оптимизации.
Прогнозирование на основе вероятностных моделей (полное моделирование распределения) не описано ясно, в то время как специализированные поставщики, такие как Lokad, явно документируют квантильные/распределительные подходы и публикуют результаты в бенчмарках, таких как M5.¹⁶¹⁸²⁶
Agentic AI, похоже, соответствует тенденциям отрасли (LLM-совместные помощники), но не превосходит их; нет публичных доказательств уникально сложных архитектур агентов, которые нельзя было бы достичь с использованием готовых платформ LLM.

В общем, возможности Manhattan в области ИИ и оптимизации надежны, но непрозрачны. Инженерное решение облачной платформы однозначно современно; сложность математического ядра остаётся в основном заявленной, а не продемонстрированной публично с опорой на доказательства.

Коммерческая зрелость и позиционирование

С коммерческой точки зрения, Manhattan является высоко зрелым:

Основана в 1990 году, публичная компания на NASDAQ, с десятилетиями развертываний WMS/TMS в производстве.¹²⁴
Выручка в диапазоне около 1–1,2 млрд долларов,⁶⁹ и несколько тысяч сотрудников.⁴⁸
Обширная, глобальная клиентская база в различных отраслях, с известными примерами в розничной торговле и логистике.⁴²⁸²⁹

Стратегический сдвиг Manhattan Active переопределяет компанию как поставщика облачных комплектов решений, аналогичных по масштабу другим крупным поставщикам APS (например, Blue Yonder, Oracle, SAP, o9), с особой исторической силой в WMS/TMS и растущими портфелями SCP и ИИ.

Для организаций с комплексными складами, транспортными сетями и омниканальными потоками Manhattan является разумным кандидатом при оценке облачных WMS/TMS/OMS — особенно если организация ценит унифицированный стек поставщика и сильную партнёрскую экосистему. Для организаций, которые в первую очередь ищут продвинутое вероятностное планирование или оптимизацию, компоненты планирования и ИИ от Manhattan могут быть слишком встроенными и непрозрачными, чтобы служить единственным решением; сочетание реализации Manhattan с более специализированным слоем оптимизации (будь то собственная разработка или через поставщика, такого как Lokad) может быть более технически обоснованным путем.

Риски, пробелы и открытые вопросы

С строго технической и основанной на фактах точки зрения стоит отметить несколько рисков или пробелов:

Непрозрачная оптимизация и ИИ. Публичная документация Manhattan сосредоточена на результатах и высокоуровневых концепциях (адаптивная оптимизация, гибридный ИИ, Agentic AI), но не обеспечивает алгоритмической прозрачности. Покупатели не могут легко оценить, насколько хорошо система справляется с неопределённостью, экономическими компромиссами или пограничными случаями.
Объём против глубины. Manhattan охватывает широкий спектр (WMS/TMS/OMS/Планирование/Agentic AI). Такой масштаб может ограничить глубину инноваций в каждой отдельной области, особенно в планировании и оптимизации, по сравнению со специализированными поставщиками, чья вся система построена вокруг оптимизации на основе вероятностных решений.
Сложность внедрения. Развертывание Manhattan Active остаётся крупными проектами, часто с участием партнёров и обширной конфигурацией/кастомизацией.⁷¹¹ Это стандартно для корпоративных APS, но противоречит подразумеваемой идее легковесного SaaS, который можно быстро опробовать и отказаться от него.
Безопасность и устойчивость Agentic AI. Без технических деталей о том, как ограничиваются, аудируются и интегрируются агенты LLM, существует риск переоценки их надёжности в критически важных задачах планирования. Организации должны рассматривать функции Agentic AI как инструменты поддержки, а не как автономные средства принятия решений, до завершения внутренней проверки.
Доказательства эффективности планирования. Нет публичного бенчмарка, демонстрирующего точность планирования или качество оптимизации Manhattan по сравнению с альтернативами. Кейсы подчёркивают успех, но по своей природе являются избирательными и ориентированными на маркетинг.

Эти опасения не означают, что решения Manhattan неэффективны — многие клиенты сообщают о хороших результатах, но с точки зрения скептического, технического подхода, доказательства в основном являются анекдотичными и контролируются поставщиком, а не подтверждены независимым образом.

Заключение

В точных, не маркетинговых терминах, Manhattan Associates предоставляет:

Облачную корпоративную платформу (Manhattan Active), построенную на микросервисах Java/Spring, контейнеризованную в Kubernetes и развернутую на Google Cloud;
Зрелые, масштабные приложения WMS/TMS/OMS, поддерживающие сложные глобальные цепочки поставок, с большим количеством известных клиентов и значительной партнёрской экосистемой;
Встроенные возможности оптимизации и ИИ в TMS и SCP, а также новые функции Agentic AI, которые обеспечивают помощь на базе LLM в процессах планирования и исполнения.

Согласно публичным, основанным на доказательствах источникам, технология Manhattan является современной в области облачной инженерии и надежной, но непрозрачной в сфере ИИ/оптимизации. Платформа явно превосходит простые CRUD-приложения: модули оптимизации транспортировки и планирования воплощают нетривиальную алгоритмическую логику. Однако отсутствие прозрачных математических описаний, независимых бенчмарков или опубликованных деталей вероятностного моделирования означает, что заявления Manhattan об ИИ не могут быть полностью подтверждены внешним наблюдателем.

По сравнению с Lokad, Manhattan представляет собой широкого профиля поставщика комплексов решений, ориентированных на выполнение, внедряя оптимизацию в свои приложения, в то время как Lokad является более узкой, но глубокой платформой вероятностной оптимизации, построенной вокруг DSL и явного количественного моделирования. Организации, ищущие единый комплекс для выполнения операций и коммерции, естественно обратятся к Manhattan; организации, для которых основной проблемой является качество решений в условиях неопределенности, могут захотеть дополнить или заменить платформу, на которой прогнозы, модели оптимизации и экономические факторы полностью открыты и программируемы.

В любом случае потенциальные покупатели должны тщательно изучить возможности ИИ и оптимизации Manhattan за рамками маркетинговых заявлений: требовать конкретных описаний моделей, целевых функций, ограничений и доказательств эффективности на их собственных данных, а также проявлять осторожность при рассмотрении заявлений об Agentic или гибридном ИИ как доказанных, до их проверки в конкретном контексте.