Автоматизация пошла не по плану: чему кейс Ford учит нас в цифровизации.

Ford столкнулся с классической ловушкой внедрения инноваций. В погоне за скоростью компания передала рутинные проверки качества проектирования и производства ИИ-системам.
Суть проблемы: рост числа производственных ошибок и отзывных кампаний вынудил автогиганта экстренно вернуть к работе более 350 опытных инженеров.
Главная ошибка крылась не в самих технологиях, а в данных. Часть опытных сотрудников покинула компанию до того, как их фундаментальные практические знания были перенесены в автоматизированные алгоритмы. ИИ просто не на чем было учиться тому тонкому пониманию контекста, которое есть у инженера после десятков запущенных проектов. Сейчас эти 350 профильных специалистов работают с молодыми командами, собирая качественные данные для дообучения нейросетей.

В управлении цепями поставок и закупках мы видим абсолютно те же грабли: попытки быстро внедрить LLM для серьезных задач часто проваливаются.
Причина проста: алгоритм выдаст качественный результат только тогда, когда в него заложена логика сильного закупщика-методолога. Если автоматизировать процесс, из которого ушли реальные носители знаний, на выходе получится лишь ускоренный хаос.
При этом Ford не отказывается от искусственного интеллекта. Они добавили более 100 000 новых ИИ-тестов для поиска редких сбоев, но теперь делают ставку на гибридную модель: машинные проверки алгоритмами, качественные исторические данные и опыт людей, прошедших полный производственный цикл. Этот шаг уже позволил компании впервые за 16 лет занять первое место в рейтинге начального качества.

Главный вывод: цифровая трансформация - это не замена людей машинами. Это масштабирование экспертизы. Строить архитектуру автоматизации должны те, кто понимает физику процесса изнутри.

А как в ваших компаниях проходит внедрение ИИ: сталкивались с тем, что алгоритмы «не тянут» без контроля опытного наставника?

Иллюзия всемогущества: чему учиться, когда нейросети умеют (почти) всё?

Казалось бы, зачем напрягаться? Делегируй всё нейронкам! Но именно здесь мы рискуем влезть в так называемый когнитивный долг. Исследователи из Массачусетского технологического провели недавно простой эксперимент: три группы студентов написали эссе с одновременным снятием данных ЭЭГ (регистрация эл. активность нейронов головного мозга). Первые писали сами, вторым дали доступ к поисковикам и ещё одна группа использовала исключительно нейросети. Данные с приборов показали весьма удручающий результат: у тех, кто отдал всю работу ИИ, мозговая активность была самой низкой. Мы буквально глупеем, когда перекладываем на алгоритм этап осмысления.

Да, сегодня LLM может за секунды сгенерировать "рыбу" сложного технического задания, сравнить коммерческие предложения или написать бота для парсинга данных. Но есть нюанс.
Если вы не умеете выстраивать логику процесса с нуля, машина вас не спасет. Например, когда я собираю автоматизации для каких то процессов, я понимаю: ценность давно не в написании конкретных строчек кода или настройке узлов. ИИ сделает это быстрее. Истинная ценность всегда в системном видении. В понимании архитектуры того, как идут данные, где узкие места и как система должна реагировать на сбои.

Глядя на своих подростков (им сейчас 15 и 17), которые уже выбирают свой жизненный путь, я понимаю главное: учить их нужно не программам или языкам программирования, которые устареют уже через пару лет. Их нужно учить создавать что-то из ничего.
Собирать разрозненную информацию в стратегию.
Уметь находить ошибки в своей и чужой логике.
Доводить начатую мысль до конца.

В мире тотальной автоматизации умение сделать сложную работу самому никуда не исчезнет. Оно просто станет элитным навыком. (Кстати, то же исследование MIT показало: если человек сначала продумал всё сам, а только потом привлек ИИ для шлифовки, то результат и для мозга, и для качества продукта получается феноменальным).
Поэтому мой главный совет по работе с нейросетями сейчас: не отдавайте машине архитектуру. Составляйте скелет сами, а затем работайте в режиме диалога: спорьте с моделью, заставляйте ее критиковать ваши решения, докручивайте любые детали. Только так ИИ будет вашим экзоскелетом, а не костылем.

А какие навыки вы считаете самыми важными для прокачки сегодня?
Делитесь в комментариях.

Пошла жара :) Делюсь отличной новостью моего партнера Анны Цилевич о нашем стартапе Закупщик в аренду, который прежде всего будет ориентирован на малый и средний бизнес. Все вопросы в комментарии здесь, либо у Анны, а также можно поспрашивать у специального бота

#парусловвмикрофон
Иногда я думаю, о чем бы написать так, чтобы было интересно не только мне, но и вам. Потому что закупки - это радость и боль, непрекращающийся пиздец и прекрасные события. Новые люди, новые знания, новый опыт, новые вызовы.

И я решила - а почему бы сегодня не поделиться с вами, чем мы с @Yuraberg занимаемся? Кстати, хочу сказать, что наше партнерство родилось из общения в Линкедин- Юра ответил на мой пост, я на его и закрутилось. Я рада, что мы стали единомышленниками не только в обсуждении закупочных кейсов, но и будущего закупок😉

А еще у нас появился проект, который мы скоро запустим для МСБ (не реклама, так, повыделываться же можно).

В общем, радуемся за то, что мы все есть друг у друга и закупки - это сила💪
Хороших всем выходных. Задавать вопросы о проекте можно и нужно 😉

С праздником!

Я обещал, что дойду до прода и я сделал это!

SumPoint - это AI-агрегатор Telegram-каналов: он подключается к вашим подпискам через Telethon (User API), автоматически фильтрует рекламу и шум, а затем обрабатывает посты через LLM (DeepSeek + Ollama/BGE-M3 для эмбеддингов):

- 🏷 Классификация — каждый пост получает категорию (Market, Technology, Events и др.)
- 📝 Саммаризация — краткое изложение 1–3 предложениями
- 📅 Извлечение событий — даты, названия, ссылки → календарь
- 🔍 Семантический поиск — pgvector + BGE-M3, поиск по смыслу, а не по ключевым словам
- 🤖 Telegram-бот — утренние и вечерние дайджесты, быстрые фильтры по категориям
- 🖥 Веб-дашборд — лента постов, календарь, ассистент, избранное

Ссылка на репо. Проект публичный, ставьте звезды, форкайте, улучшайте, давайте обратную связь!

Как я навайбкодил себе сервис

Как я сделал бота для канала «Последний конверт» и что из этого вышло

Ребята, хочу рассказать историю, которая может быть полезна всем, кто ведёт экспертный канал.

У канала «Последний конверт», несомненно лучшего канала о закупках, накопилась огромная база материалов: разборы кейсов, истории, аналитика, лайфхаки, ответы на вопросы подписчиков. Проблема в том, что вся эта ценность лежит мёртвым грузом. Новый подписчик физически не может перечитать сотни постов, чтобы найти ответ на свой вопрос.

Решение довольно простое в реализации: telegram-бот с ИИ, который отвечает на вопросы подписчиков по материалам канала.

Технически внутри:
— RAG (Retrieval-Augmented Generation), бот не выдумывает ответы, а ищет релевантные фрагменты в реальных постах канала и строит ответ только на их основе;
— семантический поиск через библиотеку FAISS + небольшую модель эмбеддингов BGE-M3 (последняя отлично справляется с русским языком). Бот понимает смысл вопроса, а не просто ищет совпадения по ключевым словам;
— DeepSeek в качестве языковой модели, которая формулирует связный ответ на нормальном языке;
— контекст автоматически обновляется раз в сутки, как только выходит новый пост в канале, бот уже "знает" о нём.

Результат: подписчик задаёт вопрос и через несколько секунд получает точный ответ со ссылкой на конкретный материал канала, а не "погуглите сами" или тишину. Бот подключен также в чат канала и вызывается простым его упоминанием через @AskKodanevBot

Для закупщиков вывод простой: экспертный контент без удобного доступа к нему - это упущенная ценность. RAG-боты, это рабочий и не дорогой способ превратить архив знаний в мгновенно доступный инструмент.

Если ведёте канал или базу знаний и думаете о похожем — пишите, поделюсь опытом.

#закупки #автоматизация #ИИ

Вебинар на Бидзааре на тему создания простого бота на базе n8n собрал рекордное количество участников. И я решил пойти дальше и сделать профессиональный инструмент.
🚀 Тестовый запуск: ТЗ на закупку прямо со смартфона, стоя у оборудования.
Друзья, запускаем в тест Telegram-бота, который решает одну простую, но больную проблему: ТЗ на закупку почти всегда пишет не тот, кто знает предмет лучше всех.
Механик, энергетик, инженер, тот, кто реально стоит рядом со сломавшимся узлом или изношенной запчастью, обычно не за компьютером и не в 1С. У него в руках смартфон. А потом, вспоминая по памяти в кабинете, легко упустить деталь, которая через месяц обернётся не тем оборудованием от поставщика.
Бот сделан именно для этого сценария «в полях»:
1️⃣ Прямо с телефона, не отходя от оборудования, отвечаете в Telegram на вопросы бота: предмет закупки, технические характеристики, условия эксплуатации, регуляторные и гарантийные требования. Всё по SMART, чтобы формулировки сразу были однозначными.
2️⃣ Не обязательно проходить интервью самому: можно переслать бота внутреннему заказчику: механику, энергетику, инженеру, и он ответит на вопросы сам, или пройти интервью вместе с ним прямо на месте. Это удобно именно потому, что не нужен компьютер, только смартфон под рукой.
3️⃣ ИИ (Claude) собирает из ответов готовое ТЗ и формирует .docx - можно сразу переслать в закупки.
4️⃣ Одной кнопкой: матрица соответствия в .xlsx для рассылки поставщикам.
Почему Claude, а не что-то ещё: пробовали DeepSeek и ряд других моделей, но для этой задачи (структурировать требования и не потерять техническую точность) Claude стабильно даёт самый качественный результат.
Это дополнение к новому сервису HireBuyer, а не замена. HireBuyer - это "закупщик в аренду": диагностика расходов, сравнение коммерческих предложений (ССВ), стратегия переговоров и формирование ТЗ через веб-анкету. Орентирован на малый и средний бизнес. Тестовый доступ через пару дней. Этот бот - про тот же последний пункт, но заточен именно под мобильный, разговорный сценарий "в полях": если требования проще надиктовать боту в мессенджере, стоя у станка, чем сесть и заполнить анкету за компьютером.
Сейчас идёт открытое тестирование и оно бесплатное. Дальше одна генерация (сразу оба документа ТЗ и матрица соответствия) будет стоить как чашка кофе, разовым списанием, без подписки.
Попробуйте бота: @GenTZbot и оставляйте обратную связь боту или пишите мне в личку/в комменты к этому посту.
В беклоге: распознавание шильдов и паспортов, отправка голосовых сообщений и многое другое!
Следите за новостями.

📦 Обновление бота по генерации технического задания: теперь можно отвечать голосом и отправлять фото шильда

По следам первого теста анонсирую три доработки, которые делают интервью ещё удобнее в поле:

🎙 Голосовые сообщения. Теперь можно не печатать - надиктуйте ответ голосом прямо в Telegram, бот сам распознает речь и продолжит интервью, как будто вы напечатали текст. Особенно удобно, когда руки заняты инструментом или деталью.

📸 Распознавание шильдиков и паспортов оборудования. Сфотографируйте табличку на корпусе или паспорт агрегата и бот считает с фото модель, серийный номер, технические параметры и сразу подставит их в интервью. Не нужно вручную перепечатывать цифры с мелкой таблички т.к. фото решает вопрос быстрее и без опечаток.

🧠 Более глубокое рассуждение модели. Да, это в два-три раза дороже, но и намного качественнее. Бот теперь тратит больше «раздумий» перед тем, как сформулировать следующий вопрос или собрать черновик ТЗ, прежде чем зафиксировать требование, модель взвешивает контекст интервью целиком. Результат: заметно более точнее и полнее, особенно в нетиповых или сложных случаях закупки.

Вместе эти три вещи закрывают ровно то, чего не хватало в поле: печатать неудобно - есть голос, переписывать данные с шильда неудобно - есть фото, а качество самого ТЗ выросло за счёт более вдумчивой и рассудительной модели.

И теперь самое интересное: выделю это жирным. Если вы сомневаетесь, либо не знаете каких-либо параметров, то так и отвечайте боту: «Не знаю, помоги мне разобраться, предложи варианты», и он ответит. В этом его прелесть. Разумеется он выберет наиболее часто используемые или усреднённые параметры, но 90% запросов это покрывает. Да, в этом случае есть вероятность галлюцинаций, но для этого мы и используем только передовые модели Claude. Но все ключевые параметры необходимо верифицировать дополнительно.

Тестируйте: @GenTZbot
Как всегда, я жду замечания и идеи в комментариях. Оставляйте обратную связь в боте.

p.s. После оперативной обратной связи добавил кнопочки после каждого блока с подтверждением информации, либо возможностью её исправить, чтобы вам было максимально удобно.

Дефицит на рынке труда - 2,5 млн человек. Цифра из свежего исследования ЦМИ Сбера (во вложении), и там же зацепила одна деталь: GenAI закроет кадровый голод максимум в 37% профессий.

Список тех, кого текстовый ИИ не спасёт, давно понятен: водители, разнорабочие, операторы кранов, электромеханики и т.д. Синие воротнички. Живые руки. Ровно те специальности, которых не хватает на производстве и складе.

Логичный следующий шаг - роботизация. Но тут для России цифры отрезвляющие.

Мир в среднем - 177 роботов на 10 тысяч занятых в промышленности. Южная Корея - 1220, Сингапур - 818, Германия - 449. Россия - 29. Это 42-е место при цели войти в топ-25 к 2030 году.

Парк роботов при этом растёт быстро: с 12,8 тыс. единиц в 2023 году до 20,8 тыс. в 2024-м, плюс 62% за год. Просто база настолько низкая, что даже такой рост не закрывает разрыв с нижней планкой топ-20 - у Франции это 186 на 10 тысяч.

Получается двойная воронка. GenAI не решает дефицит именно в тех профессиях, где людей не хватает больше всего. А роботизация, которая могла бы это закрыть, у нас пока в разы отстаёт от нужного уровня.

Для тех, кто занимается CAPEX на производстве - это не абстракция про далёкое будущее, а вопрос ближайших пяти лет.

Закупщики бросают нейросети примерно на одном и том же месте.

Смотрю на это не первый месяц и вижу много печальных историй.
Специфика работы в закупках, эт ж постоянная рутина: сравнение компредов, сверка спецификаций, разбор разношерстных прайс-листов от десятков поставщиков и подготовка ТЗ. Казалось бы, искусственный интеллект создавался ровно под такие задачи. Однако многие специалисты по закупкам, попытавшись применить нейросети, быстро бросают это занятие.
Причины кроются в нескольких типичных ловушках:
1. инструмент выбран не под задачу
Закупщик читает статьи про автоматизацию, API, скрипты на Python и смотрит вебинары про интеграцию нейросети с 1С. Вдохновившись, он пытается построить сложную инженерную систему. Столкнувшись с терминалом, настройкой окружения или первыми ошибками в коде, он обычно просто бросает эту идею.
При этом его реальная задача гораздо проще: сравнить условия в пяти коммерческих предложениях или вытащить ключевые риски из текста договора. Для этого не нужны скрипты и инженерный путь, достаточно базового диалога с моделью.
2. отсутствие быстрой обратной связи
Когда программист пишет код, у него есть четкий ориентир: код либо скомпилировался, либо вывел ошибку. У закупщика такого компаса нет. Он загружает в нейросеть спецификацию и получает сгенерированный файл. Текст выглядит правдоподобно, но точно ли там нет галлюцинаций в номенклатуре и артикулах? Из-за отсутствия моментальной проверки и отклика «все сделано верно» пропадает ощущение прогресса, а без него внимание взрослого занятого человека быстро переключается на рутину.
3. привычный масштаб ошибки (высокая цена риска)
В закупках ошибка стоит дорого: это сорванные поставки, остановка производства, юридические претензии и прямые убытки компании. Закупщик привык быть предельно осторожным и переносит эту привычку на работу с ИИ: боится загрузить во внешнюю модель прайс-лист, драфт договора или ТЗ. В итоге вместо бесплатных экспериментов с обезличенными данными в «песочнице» специалист испытывает страх и закрывает вкладку.
4. изучение инструмента ради инструмента, а не под конкретную боль
Самая частая история: закупщик садится «изучать нейросети вообще». Читает про промпты, разницу между моделями и обновления сервисов. Проходит неделя: знаний добавилось, а куча неразобранных прайсов осталась на месте. Без привязки к конкретной боли (например, сократить время первичного анализа 20 КП с трех часов до пятнадцати минут) обучение быстро превращается в процесс ради процесса и загнивает.
Какой из этого напрашивается вывод?
Если вы хотите реально внедрить ИИ в закупки, меняйте подход:
- начинайте с одной конкретной боли (например, анализ контракта или унификация таблиц);
- выбирайте самый простой инструмент без сложной инженерии;
- обезличьте чувствительные данные и дайте себе право свободно тестировать запросы;
- ищите формат работы с быстрой обратной связью, чтобы сразу видеть результат и фиксировать экономию рабочего времени.

Читаю историю разработчика: настроил Claude Code с Telegram-ботом, всё подключено, сервер отвечает, сообщения в очереди - а бот молчит. Три часа отладки.

Дело оказалось не в коде. На тарифе Team функция подключения каналов выключена административно, и включить её может только владелец организации. Тумблер, до которого у автора нет доступа.

Он написал свой мост в обход официального плагина, а по пути нашёл десяток мелких, но злых багов 😱

Знакомая логика для закупок. Сколько раз официальный путь упирается не в технику, а в чужие права доступа: подписать может один человек, а он в отпуске или недоступен. Решение обычно одно - искать рабочий путь, не дожидаясь чужой подписи.

Кто в закупках так обходил не процесс, а конкретного человека?

Чуть не забыл 😅 наш сервис https://hirebuyer.ru официально запущен. Есть демо "Где мои деньги?", есть уже известные вам боты - генератор_ТЗ и симулятор_переговоров.
На пути к выпуску - анализатор номенклатуры и формирователь категорийной стратегии.
Также мы сделали кросс-словарь основных терминов закупщика. Проверьте себя))
Как обычно, будем рады отзывам.
Кнопка вызов эксперта идет в телеграм-бот. Там можно также оставить свой комментарий

На днях автор канала №1 о закупках Виктор Коданёв поделился свежим отчетом Яков и партнеры об ИИ агентах в современных реалиях. Выводы и предоставленные цифры очень занимательны и интересны, советую хотя бы пробежаться (к примеру, из 18 продуктов-лидеров мирового рынка только 7 (39%) реально прошли методологическую проверку на «агентность» по шести критериям - остальные 11 оказались обычными ИИ-ассистентами).
Главный вывод, который подтверждает мой подход
Отчёт прямо называет закупки примером функциональной области, которую нельзя пилотировать целиком т.к. внутри неё десятки разных сценариев, и такой пилот просто увязнет в согласованиях. Правильная единица - это повторяемый сценарий из 3–7 шагов с измеримой метрикой. И главное, декомпозиция процесса закупок на такие сценарии, а не попытка автоматизировать закупки одним решением. Это ровно то, что консультанты в отчете называют правильной архитектурой.
Также я проверил их методику, как отличать настоящего ИИ-агента от ассистента - шесть критериев, шкала зрелости от простой модели до мультиагентной системы.
Прогнал через неё собственный закупочный пайплайн.
Каждый скилл по отдельности - 5 из 6. Генератор ТЗ проверяет себя валидатором сам: ошибка - правка - повтор, пока проверка не пройдёт чисто. Черновик интервью переживает обрыв сессии и продолжается с того же места.
Весь пайплайн от ТЗ до пояснительной записки - уже 3,5 из 6. Между стадиями стоит человек. Сам решает, когда запускать следующий скилл, сам смотрит результат, прежде чем двигаться дальше.
BMW в закупках описывает свою систему так же трезво: 10 агентов, 1800 пользователей, ассистент закупщика с человеком в контуре. Автономность у них тоже пока план, а не факт.

Прошелся и по нашему новому веб-сервису HireBuyer "Закупщик в аренду". По шести критериям агентности из методики «Яков и Партнеры» ключевой ИИ-модуль Хайрбаера - диалоговый движок формирования ТЗ - показывает реальную самокоррекцию, а не заявленную: при ошибке в реестре требований система получает точный список замечаний от детерминированного валидатора и сама присылает исправленный документ, без участия человека на этом шаге. При итоговой оценке 3 из 6 движок обходит все восемь готовых российских продуктов из выборки отчёта (Нейроюрист, GigaLegal, Naumen, TWIN, SaluteBot, FabricaONE.AI, AutoFAQ, CraftTalk) - выше в выборке только платформы для самостоятельной сборки агентов, а не готовые продукты. Архитектура при этом построена так, что там где нужен агент - используется он, а где хватает алгоритма - достаточно кода: диагностика, анализ ТКП и сборка спецификации работают на детерминированном коде без единого обращения к LLM - отчёт прямо предостерегает от обратной ошибки, строить агентскую инфраструктуру там, где достаточно инструмента попроще. А обязательное подтверждение пользователя перед генерацией документа - не пробел в автономности, а точное соответствие правилу отчёта: там, где цена ошибки высока, агент должен работать под контролем человека.

Похоже, граница сейчас проходит не между "есть агент" и "нет агента", а между агентом внутри одной задачи и агентом, который ведёт процесс от начала до конца. У кого уже есть свой счёт по такой сетке?

Всех причастных - с праздником!
И не забывайте! Мы рождены, чтоб сказку сделать былью :)

🔥 Как объяснить сложное простыми словами и не провалить задачу?
Посмотрите на эту картинку. Дифференциалы и интегралы — тут объяснили буквально на пальцах: d - это разрезать на крошечные кусочки, а интеграл - это магнитом собрать их обратно. Понятно за 5 секунд даже ребенку.

В закупках и управлении мы постоянно сталкиваемся с обратным эффектом т.н. «проклятием знания» (которое часто идет рука об руку с эффектом Даннинга - Крюгера).

В чем суть когнитивной ловушки?
Когда мы профессионалы с годами опыта, нам кажется, что наши требования, ТЗ и контекст задачи абсолютно очевидны. Мы забываем, каково это - не знать всех деталей.

В итоге происходит классический сбой:

Руководитель/закупщик дает задачу так, будто исполнитель читает его мысли, и считает: «Ну тут же и так всё понятно!»

Исполнитель из-за неопытности или ложной уверенности стесняется уточнить детали и думает, что всё понял.

На выходе: сорванные сроки, несоответствие спецификации и взаимные претензии.

💡 Главные выводы: как не наступить на эти грабли
Забудьте фразу «это же очевидно». То, что очевидно вам после 100 проведенных тендеров, для нового сотрудника, смежного отдела или неопытного продажника поставщика может быть темным лесом.

Объясняйте «на пальцах». Если вы не можете объяснить логику задачи простыми словами (как на картинке с интегралом), значит, задача сама по себе еще не до конца структурирована.

Никогда не рассчитывайте, что всё поймут с первого раза. Любую поставленную задачу нужно валидировать.

Проверяйте понимание правильно. Забудьте бесполезный вопрос: «Тебе всё понятно?» (вам всегда ответят «Да»).
👉 Спрашивайте иначе: «Расскажи своими словами, как ты понял ключевые критерии и какой результат рассчитываешь получить на первом этапе?»

Умение спуститься на уровень восприятия исполнителя и убедиться, что вы говорите на одном языке - это не «микроменеджмент», а базовый навык эффективного управления.

P.S. А сделать такую классную инфографику и объяснить сложное простыми словами/образами помогут современные инструменты.

Самая дорогая строчка в закупке - та, которой в ТЗ нет.

Классика: купили насос по ТЗ из трёх абзацев. Цена отличная, поставка в срок. А на приёмке выяснилось, что в ТЗ не было ни климатического исполнения, ни требований к фланцам, ни ЗИП на пусконаладку. Дальше доп. соглашение, доплата, и насос стоит на складе ещё два месяца.

Виноват не поставщик. Он честно поставил то, что написано.

Проблема в том, что нормальное ТЗ - это несколько часов работы инженера и закупщика вместе. А в реальности инженер занят, у закупщика ещё двадцать позиций, и ТЗ собирается из старого файла пятилетней давности методом «поменяли название».

Я с этим жил двадцать лет. Теперь - нет. Что изменилось, расскажу в ближайших постах.