КП должно пережить внутреннюю пересылку 📄
Менеджер отправил КП одному человеку.
А дальше файл ушел инженеру, закупке, финансисту и руководителю.
У каждого свой вопрос:
• подойдет ли технически;
• почему выбран этот аналог;
• какие сроки по позициям;
• что с оплатой и гарантией;
• какой риск, если взять дешевле.
Если в КП только цена и общий срок, контакт клиента становится переводчиком. Он продает ваше решение внутри своей компании вместо вас.
Хорошая автоматизация КП должна собирать не красивый PDF, а пакет решения:
🔹 позиции
🔹 аналоги + различия
🔹 сроки
🔹 риски
🔹 условия
🔹 следующий шаг
Тогда документ можно переслать дальше без потери смысла. 🎯
Менеджер отправил КП одному человеку.
А дальше файл ушел инженеру, закупке, финансисту и руководителю.
У каждого свой вопрос:
• подойдет ли технически;
• почему выбран этот аналог;
• какие сроки по позициям;
• что с оплатой и гарантией;
• какой риск, если взять дешевле.
Если в КП только цена и общий срок, контакт клиента становится переводчиком. Он продает ваше решение внутри своей компании вместо вас.
Хорошая автоматизация КП должна собирать не красивый PDF, а пакет решения:
🔹 позиции
🔹 аналоги + различия
🔹 сроки
🔹 риски
🔹 условия
🔹 следующий шаг
Тогда документ можно переслать дальше без потери смысла. 🎯
👍1
Покупатель вернул товар. Карточку тоже пора открыть 📦
У возврата есть два финала.
Первый виден в кабинете: заявку обработали, деньги вернули, товар приехал на склад.
Второй финал важнее: причина дошла до карточки, комплекта, инструкции, партии или поддержки.
Если второго финала нет, возврат просто ждет следующего покупателя. ⚠️
Мне нравится смотреть на это через SKU. Не «за месяц было столько-то возвратов», а:
• «по этому товару три человека подряд не поняли совместимость»;
• «по этой партии жалуются на комплектацию»;
• «по этой карточке фото обещает больше, чем товар дает».
Площадки уже двигают продавцов в эту сторону:
🔹 Яндекс Маркет пишет, что частые возвраты сигнализируют о потенциальных проблемах с товарами и заказами, а среди рекомендаций называет описание, партию, упаковку, комплектацию и инструкцию.
🔹 Wildberries показывает покупателю признаки надежности продавца, включая процент выкупа.
Что можно сделать без большого проекта:
1. Взять 20 самых дорогих возвратов
2. Разложить их по SKU
3. Посмотреть не стандартную причину, а слова покупателя и фото
4. Сравнить это с карточкой на момент покупки
5. Назначить владельца причины
6. Через две недели проверить повтор
AI здесь нужен не как «бот по возвратам». Гораздо полезнее разборщик, который собирает причины из кабинетов, отзывов, вопросов и чатов, а потом подсвечивает повторяющиеся дефекты. 🔍
У возврата есть два финала.
Первый виден в кабинете: заявку обработали, деньги вернули, товар приехал на склад.
Второй финал важнее: причина дошла до карточки, комплекта, инструкции, партии или поддержки.
Если второго финала нет, возврат просто ждет следующего покупателя. ⚠️
Мне нравится смотреть на это через SKU. Не «за месяц было столько-то возвратов», а:
• «по этому товару три человека подряд не поняли совместимость»;
• «по этой партии жалуются на комплектацию»;
• «по этой карточке фото обещает больше, чем товар дает».
Площадки уже двигают продавцов в эту сторону:
🔹 Яндекс Маркет пишет, что частые возвраты сигнализируют о потенциальных проблемах с товарами и заказами, а среди рекомендаций называет описание, партию, упаковку, комплектацию и инструкцию.
🔹 Wildberries показывает покупателю признаки надежности продавца, включая процент выкупа.
Что можно сделать без большого проекта:
1. Взять 20 самых дорогих возвратов
2. Разложить их по SKU
3. Посмотреть не стандартную причину, а слова покупателя и фото
4. Сравнить это с карточкой на момент покупки
5. Назначить владельца причины
6. Через две недели проверить повтор
AI здесь нужен не как «бот по возвратам». Гораздо полезнее разборщик, который собирает причины из кабинетов, отзывов, вопросов и чатов, а потом подсвечивает повторяющиеся дефекты. 🔍
👍1
Электронная накладная покажет, где логистика держалась на звонках 📄
С 1 сентября 2026 года электронные перевозочные документы становятся обязательной частью грузоперевозок. Минтранс уже утвердил правила обмена и порядок направления ЭПД в ГИС ЭПД.
Но для бизнеса главный вопрос не в том, какого оператора выбрать.
Главный вопрос: есть ли у компании один маршрут от заявки до оплаты.
Откройте последние отгрузки. Там быстро всплывает жизнь:
• водитель поменялся в чате;
• склад отгрузил меньше, чем было в заказе;
• клиент принял часть товара;
• УПД готов, но не связан с рейсом;
• бухгалтерия ждет подпись;
• менеджер обещает срок по устному статусу перевозчика.
Бумага это терпела. Электронный документ будет требовать статуса, владельца и связки с событием. ⚡️
Поэтому подготовку к ЭПД я бы начинал с простой карты:
заявка → заказ → отгрузка → перевозчик → ЭПД → подпись → УПД → оплата
А дальше смотрел, где процесс уходит в звонок, почту, Excel или мессенджер.
AI здесь полезен не как волшебный оформитель документов. Он полезен как разборщик исключений: видит расхождение, подтягивает данные из 1С/CRM/ЭДО, предлагает владельца и следующий шаг. 🔍
Если хотите подготовиться к сентябрю без театра внедрения, начните с 20 последних отгрузок. Там уже лежит карта будущей автоматизации.
С 1 сентября 2026 года электронные перевозочные документы становятся обязательной частью грузоперевозок. Минтранс уже утвердил правила обмена и порядок направления ЭПД в ГИС ЭПД.
Но для бизнеса главный вопрос не в том, какого оператора выбрать.
Главный вопрос: есть ли у компании один маршрут от заявки до оплаты.
Откройте последние отгрузки. Там быстро всплывает жизнь:
• водитель поменялся в чате;
• склад отгрузил меньше, чем было в заказе;
• клиент принял часть товара;
• УПД готов, но не связан с рейсом;
• бухгалтерия ждет подпись;
• менеджер обещает срок по устному статусу перевозчика.
Бумага это терпела. Электронный документ будет требовать статуса, владельца и связки с событием. ⚡️
Поэтому подготовку к ЭПД я бы начинал с простой карты:
заявка → заказ → отгрузка → перевозчик → ЭПД → подпись → УПД → оплата
А дальше смотрел, где процесс уходит в звонок, почту, Excel или мессенджер.
AI здесь полезен не как волшебный оформитель документов. Он полезен как разборщик исключений: видит расхождение, подтягивает данные из 1С/CRM/ЭДО, предлагает владельца и следующий шаг. 🔍
Если хотите подготовиться к сентябрю без театра внедрения, начните с 20 последних отгрузок. Там уже лежит карта будущей автоматизации.
👍1
Покупатель просит ИИ выбрать товар. Вашу карточку теперь читает машина 🤖
Покупатель больше не всегда пишет в поиск «проектор до 20000».
Он может написать ассистенту: «подбери компактный проектор для дачи, чтобы подключался к телефону и приехал к пятнице».
Ассистент собирает короткий список. Ему нужны:
• цена
• наличие
• доставка
• совместимость
• отзывы
• варианты
• признаки надежности
Факты:
🔹 13 мая Amazon представил Alexa for Shopping.
🔹 OpenAI развивает product feeds для товаров в ChatGPT.
🔹 Яндекс писал, что Алиса AI получает 500–600 тысяч запросов о подборе товаров в день.
🔹 «Ведомости» 12 мая сообщили: трафик из Алисы AI на e-commerce и маркетплейсы с января по апрель вырос на 159%.
Что проверить селлеру:
✅ заполнены ли атрибуты;
✅ не смешаны ли варианты;
✅ видна ли совместимость;
✅ совпадают ли цена и наличие;
✅ понятна ли доставка;
✅ разобраны ли отзывы и вопросы;
✅ может ли ассистент объяснить товар лучше конкурента.
AI-покупки не отменяют карточки и рекламу. Они добавляют слой, где товар должен быть понятен машине до первого клика. 🎯
Покупатель больше не всегда пишет в поиск «проектор до 20000».
Он может написать ассистенту: «подбери компактный проектор для дачи, чтобы подключался к телефону и приехал к пятнице».
Ассистент собирает короткий список. Ему нужны:
• цена
• наличие
• доставка
• совместимость
• отзывы
• варианты
• признаки надежности
Факты:
🔹 13 мая Amazon представил Alexa for Shopping.
🔹 OpenAI развивает product feeds для товаров в ChatGPT.
🔹 Яндекс писал, что Алиса AI получает 500–600 тысяч запросов о подборе товаров в день.
🔹 «Ведомости» 12 мая сообщили: трафик из Алисы AI на e-commerce и маркетплейсы с января по апрель вырос на 159%.
Что проверить селлеру:
✅ заполнены ли атрибуты;
✅ не смешаны ли варианты;
✅ видна ли совместимость;
✅ совпадают ли цена и наличие;
✅ понятна ли доставка;
✅ разобраны ли отзывы и вопросы;
✅ может ли ассистент объяснить товар лучше конкурента.
AI-покупки не отменяют карточки и рекламу. Они добавляют слой, где товар должен быть понятен машине до первого клика. 🎯
❤1
Дешевый поставщик иногда просто хорошо выглядит в таблице 📉
Закупка получила КП дешевле остальных. Формально все красиво: цена, срок, отсрочка.
Но этот же поставщик уже:
• срывал поставку;
• присылал замену без согласования;
• тянул документы.
Проектная команда помнит. Склад помнит. Бухгалтерия помнит. Система закупки в момент выбора часто не помнит ничего. ⚠️
Отсюда идея для автоматизации: не заставлять AI пересказывать КП, а дать закупке память о поставщике.
Минимальный supplier scorecard:
🔹 сроки
🔹 претензии
🔹 замены
🔹 документы
🔹 ручные вмешательства
🔹 категории риска
Цена остается важной. Просто рядом с ней появляется вопрос: сколько эта скидка уже стоила компании в прошлый раз?💰
Мы в Woghan собираем такие контуры из CRM, 1C/ERP, ЭДО, склада, договоров и претензий.
Закупка получила КП дешевле остальных. Формально все красиво: цена, срок, отсрочка.
Но этот же поставщик уже:
• срывал поставку;
• присылал замену без согласования;
• тянул документы.
Проектная команда помнит. Склад помнит. Бухгалтерия помнит. Система закупки в момент выбора часто не помнит ничего. ⚠️
Отсюда идея для автоматизации: не заставлять AI пересказывать КП, а дать закупке память о поставщике.
Минимальный supplier scorecard:
🔹 сроки
🔹 претензии
🔹 замены
🔹 документы
🔹 ручные вмешательства
🔹 категории риска
Цена остается важной. Просто рядом с ней появляется вопрос: сколько эта скидка уже стоила компании в прошлый раз?💰
Мы в Woghan собираем такие контуры из CRM, 1C/ERP, ЭДО, склада, договоров и претензий.
❤1
Тендер пришел в пятницу. Все бегут считать 🏃♂️
Знакомая сцена: заказчик прислал архив с ТЗ, ведомостью, договором, графиком, гарантией и требованиями к документам.
Менеджер пишет сметчику: «Надо успеть посчитать».
Потом выясняется, что в документах были:
• штрафы;
• спорная гарантия;
• жесткая приемка;
• оплата после этапа;
• сертификаты, которые надо обновить до подачи.
Сметчик может считать хорошо. Ошибка в другом: тендер начали со сметы, а не с входного разбора условий. ⚠️
Что должно появляться до цены:
🔹 сроки
🔹 штрафы
🔹 гарантия
🔹 оплата
🔹 приемка
🔹 документы
🔹 вопросы заказчику
🔹 владелец проверки
🔹 bid/no-bid решение
AI в тендерах полезен как быстрый читатель: вытащил условия, показал пункт, собрал риск-мемо и отправил нужным людям на проверку. 🔍
Мы в Woghan собираем такие контуры: tender intake, risk scan, bid/no-bid чек-лист, связь с CRM, 1C/ERP, СЭД и внутренними базами.
Знакомая сцена: заказчик прислал архив с ТЗ, ведомостью, договором, графиком, гарантией и требованиями к документам.
Менеджер пишет сметчику: «Надо успеть посчитать».
Потом выясняется, что в документах были:
• штрафы;
• спорная гарантия;
• жесткая приемка;
• оплата после этапа;
• сертификаты, которые надо обновить до подачи.
Сметчик может считать хорошо. Ошибка в другом: тендер начали со сметы, а не с входного разбора условий. ⚠️
Что должно появляться до цены:
🔹 сроки
🔹 штрафы
🔹 гарантия
🔹 оплата
🔹 приемка
🔹 документы
🔹 вопросы заказчику
🔹 владелец проверки
🔹 bid/no-bid решение
AI в тендерах полезен как быстрый читатель: вытащил условия, показал пункт, собрал риск-мемо и отправил нужным людям на проверку. 🔍
Мы в Woghan собираем такие контуры: tender intake, risk scan, bid/no-bid чек-лист, связь с CRM, 1C/ERP, СЭД и внутренними базами.
👍2
Самый тихий AI-пилот уже идет без вас 🕵️♂️
Менеджер вечером вставил в нейросеть кусок договора и переписку с клиентом. Не чтобы украсть данные. Чтобы быстро написать нормальный ответ.
Вот так обычно и появляется теневой AI.
Не с большого внедрения, не с бюджета, не с презентации. Просто у человека задача, дедлайн и инструмент, который экономит 20 минут. ⏳
Проблема начинается там, где компания говорит «мы AI еще не внедряли», а сотрудники уже используют личные аккаунты для:
• писем
• КП
• договоров
• таблиц
• клиентских вопросов
🚫 Запрет сам по себе редко помогает. Без удобной альтернативы он просто переносит работу в личный телефон.
Я бы начинал с трех вещей:
1️⃣ Узнать, где люди уже используют нейросети.
2️⃣ Разделить данные на красную, желтую и зеленую зоны.
3️⃣ Дать безопасный рабочий контур хотя бы для самых частых задач: письма, КП, поиск по базе, черновики документов.
---
Вопрос: у вас в компании AI уже разрешили, запретили или пока делают вид, что его нет? 👇
Менеджер вечером вставил в нейросеть кусок договора и переписку с клиентом. Не чтобы украсть данные. Чтобы быстро написать нормальный ответ.
Вот так обычно и появляется теневой AI.
Не с большого внедрения, не с бюджета, не с презентации. Просто у человека задача, дедлайн и инструмент, который экономит 20 минут. ⏳
Проблема начинается там, где компания говорит «мы AI еще не внедряли», а сотрудники уже используют личные аккаунты для:
• писем
• КП
• договоров
• таблиц
• клиентских вопросов
🚫 Запрет сам по себе редко помогает. Без удобной альтернативы он просто переносит работу в личный телефон.
Я бы начинал с трех вещей:
1️⃣ Узнать, где люди уже используют нейросети.
2️⃣ Разделить данные на красную, желтую и зеленую зоны.
3️⃣ Дать безопасный рабочий контур хотя бы для самых частых задач: письма, КП, поиск по базе, черновики документов.
---
Вопрос: у вас в компании AI уже разрешили, запретили или пока делают вид, что его нет? 👇
❤1
AI собрал отчет за минуту. Финансовый директор все равно открыл Excel 📊
Финдир спрашивает AI: «Почему маржа просела на четыре пункта?»
Через минуту ассистент дает ответ: выросла логистика, стали глубже скидки, увеличились возвраты.
Потом начинается проверка.
• В ERP маржа одна
• В BI другая
• В Excel коммерческого отдела третья
• Возвраты попали в соседний период
• Бонус поставщика еще не закрыт
• Часть скидок живет в ручной таблице
AI ответил быстро. Доверия к цифре не прибавилось. ⚠️
📈 KPMG пишет, что в ближайшие 18 месяцев 93% US-компаний будут deploy или scale AI в finance. Но среди главных опасений у финансовых лидеров — accuracy of AI-generated financial outputs: 48%.
Мой вывод: финансовому AI нужен паспорт цифры.
Перед тем как ассистент отвечает руководителю, он должен знать:
🔹 Источник
🔹 Формулу
🔹 Владельца
🔹 Дату закрытия
🔹 Исключения
🔹 Цену ошибки
Без этого AI превращает спорный Excel в красивый график.
Хороший финансовый ассистент сокращает время подготовки отчета и время до доверия. 🤝
---
Где у вас отчет собирается быстрее, чем подтверждается? 👇
Финдир спрашивает AI: «Почему маржа просела на четыре пункта?»
Через минуту ассистент дает ответ: выросла логистика, стали глубже скидки, увеличились возвраты.
Потом начинается проверка.
• В ERP маржа одна
• В BI другая
• В Excel коммерческого отдела третья
• Возвраты попали в соседний период
• Бонус поставщика еще не закрыт
• Часть скидок живет в ручной таблице
AI ответил быстро. Доверия к цифре не прибавилось. ⚠️
📈 KPMG пишет, что в ближайшие 18 месяцев 93% US-компаний будут deploy или scale AI в finance. Но среди главных опасений у финансовых лидеров — accuracy of AI-generated financial outputs: 48%.
Мой вывод: финансовому AI нужен паспорт цифры.
Перед тем как ассистент отвечает руководителю, он должен знать:
🔹 Источник
🔹 Формулу
🔹 Владельца
🔹 Дату закрытия
🔹 Исключения
🔹 Цену ошибки
Без этого AI превращает спорный Excel в красивый график.
Хороший финансовый ассистент сокращает время подготовки отчета и время до доверия. 🤝
---
Где у вас отчет собирается быстрее, чем подтверждается? 👇
❤1
AI для бизнеса часто обсуждают слишком абстрактно 🤖
«Внедрить нейросеть», «сделать агента», «подключить RAG»...
На практике вопросы другие:
• Сколько будет стоить LLM API в реальном сценарии?
• Когда RAG нужен, а когда это лишняя сложность?
• Как выбрать между YandexGPT, GigaChat, OpenAI, Qwen и DeepSeek?
• Какие правила дать сотрудникам, чтобы AI не утек в теневой контур?
• Когда AI-агент действительно нужен, а когда достаточно обычного workflow?
Я собрал на Woghan несколько разборов, с которых можно начать без рекламного шума и «магии AI»:
1️⃣ Как считать стоимость LLM API
https://woghan.ru/articles/stoimost-llm-api-kak-schitat/
2️⃣ Что такое RAG система и как не перепутать ее с «чатом по документам»
https://woghan.ru/articles/rag-sistema-baza-znaniy-istochniki-kachestvo/
3️⃣ Как выбирать модель/API под бизнес-задачу
https://woghan.ru/articles/yandexgpt-gigachat-openai-qwen-kakuyu-model-vybrat/
4️⃣ Правила AI для сотрудников: что можно, что нельзя, кто отвечает
https://woghan.ru/articles/pravila-ai-dlya-sotrudnikov-cheklist-pilota/
5️⃣ Что такое AI-агент и когда он реально нужен
https://woghan.ru/articles/ai-agent-chto-eto-i-kak-sozdat-bez-lishney-platformy/
---
Следующий шаг для Woghan — не просто добавлять статьи, а делать практические калькуляторы и чеклисты по этим же проблемам: стоимость API, готовность RAG, выбор модели, AI-политика и preflight для агента. 🛠
Если у вас есть боль, которую хочется посчитать или проверить перед внедрением AI, напишите в комментариях. Это хороший кандидат для первого инструмента. 👇
«Внедрить нейросеть», «сделать агента», «подключить RAG»...
На практике вопросы другие:
• Сколько будет стоить LLM API в реальном сценарии?
• Когда RAG нужен, а когда это лишняя сложность?
• Как выбрать между YandexGPT, GigaChat, OpenAI, Qwen и DeepSeek?
• Какие правила дать сотрудникам, чтобы AI не утек в теневой контур?
• Когда AI-агент действительно нужен, а когда достаточно обычного workflow?
Я собрал на Woghan несколько разборов, с которых можно начать без рекламного шума и «магии AI»:
1️⃣ Как считать стоимость LLM API
https://woghan.ru/articles/stoimost-llm-api-kak-schitat/
2️⃣ Что такое RAG система и как не перепутать ее с «чатом по документам»
https://woghan.ru/articles/rag-sistema-baza-znaniy-istochniki-kachestvo/
3️⃣ Как выбирать модель/API под бизнес-задачу
https://woghan.ru/articles/yandexgpt-gigachat-openai-qwen-kakuyu-model-vybrat/
4️⃣ Правила AI для сотрудников: что можно, что нельзя, кто отвечает
https://woghan.ru/articles/pravila-ai-dlya-sotrudnikov-cheklist-pilota/
5️⃣ Что такое AI-агент и когда он реально нужен
https://woghan.ru/articles/ai-agent-chto-eto-i-kak-sozdat-bez-lishney-platformy/
---
Следующий шаг для Woghan — не просто добавлять статьи, а делать практические калькуляторы и чеклисты по этим же проблемам: стоимость API, готовность RAG, выбор модели, AI-политика и preflight для агента. 🛠
Если у вас есть боль, которую хочется посчитать или проверить перед внедрением AI, напишите в комментариях. Это хороший кандидат для первого инструмента. 👇
❤2