Дефицит на складе редко начинается в тот день, когда заканчивается последняя коробка. Обычно его признаки появляются раньше: поставщик переносит отгрузку, спрос на товар меняется, а запас уже распределён между несколькими филиалами. Для крупной компании, где тысячи позиций проходят через десятки складов, заметить такую комбинацию вручную трудно. LLM могут помочь связать разрозненные сигналы и быстрее подготовить решение — но сами по себе не заменяют системы прогнозирования и планирования запасов.
От прогноза спроса к предупреждению о дефиците
Обычный прогноз отвечает на вопрос, сколько товара, вероятно, понадобится в ближайшие дни или недели. Предиктивное снабжение сопоставляет этот спрос с текущими остатками, уже размещёнными заказами, сроками поставки и ограничениями на перевозку. Результат — оценка риска: какой товар, где и когда может закончиться, если ничего не менять.
Для такого расчёта нужны точные данные из ERP, WMS и TMS: остатки и резервы, продажи, движение между площадками, открытые заказы, сроки и надёжность поставщиков, статус грузов. Прогноз спроса обычно строят специализированные статистические или машинно-обучаемые модели. Они хорошо работают с числовыми рядами и сезонностью. LLM добавляют к этой схеме другой тип возможностей: помогают извлекать информацию из текстов и объяснять результаты на понятном языке.
Где LLM дают практическую пользу
Разбирают сообщения и документы. Сведения о задержке могут прийти не в структурированном поле, а в письме поставщика, комментарии к заказу или отчёте перевозчика. LLM способны выделить из текста товар, дату, причину задержки и степень определённости, а затем передать эти данные в систему планирования. Если в письме сказано, что отправка «может сдвинуться на несколько дней», модель не должна превращать это в точную дату: неопределённость нужно сохранить.
Находят связи между сигналами. Модель может сопоставить предупреждение поставщика с открытым заказом, проверенными остатками и прогнозом спроса. Например, выяснить, что задержка касается комплектующей для нескольких изделий, а не одной позиции каталога. Сам расчёт риска дефицита должен опираться на проверяемые данные и формальные правила, а не на свободный ответ языковой модели.
Объясняют риск и предлагают варианты. Вместо списка тревожных уведомлений сотрудник получает краткое обоснование: запас на складе покрывает ожидаемый спрос примерно на определённый срок, ближайшая поставка задерживается, а альтернативная площадка располагает подходящим остатком. Система может предложить проверить переброску товара, ускоренную доставку или замену поставщика. Решение зависит от стоимости, приоритета заказа, совместимости товара и доступных мощностей.
Помогают работать с системой на естественном языке. Планировщик может спросить, какие позиции в регионе находятся под угрозой в ближайшие две недели и почему. LLM переводит запрос в обращение к аналитическим данным, а затем формулирует ответ. Такой интерфейс удобен для поиска и анализа, но права доступа и расчёты должны контролироваться обычными программными средствами.
Как выглядит рабочая схема
Система сначала собирает и сверяет данные: например, проверяет, не задвоен ли остаток и не отменён ли заказ, который всё ещё числится в выгрузке. Затем модель спроса рассчитывает ожидаемые потребности, а планировщик запасов учитывает сроки поставки, страховой запас и правила распределения. На этом этапе система оценивает вероятность дефицита и возможные последствия.
LLM подключается там, где нужно обработать текстовые сведения или подготовить объяснение. Она может извлечь из письма новую дату отгрузки, но прежде чем менять план, должна передать её на проверку или сверить с подтверждённым статусом заказа. После этого система ранжирует варианты действий по заданным критериям: например, минимизировать простой производства, не нарушая бюджет перевозок.
На первых этапах разумно оставить за человеком подтверждение затратных или рискованных операций. Автоматически можно собирать сигналы, готовить черновики решений и создавать предупреждения; заказ у нового поставщика или срочную перевозку лучше согласовывать по установленным правилам. Важны журнал действий и понятное указание, на каких данных основана рекомендация.
Что может пойти не так
Самая частая проблема — не слабая модель, а несогласованные данные. Если складские остатки обновляются с задержкой, сроки поставки указаны приблизительно, а товары дублируются под разными кодами, точный на вид прогноз окажется ненадёжным. До внедрения нужно определить владельцев данных, привести справочники к общему виду и регулярно проверять качество выгрузок.
Есть и риск ложной уверенности. LLM умеет убедительно формулировать ответ, но может неверно истолковать текст или заполнить пробел предположением. Поэтому числовые расчёты запасов следует выполнять специализированной системой, а результаты генерации — проверять на соответствие источникам. Для критичных товаров полезно показывать диапазон возможного спроса и несколько сценариев, а не одну дату дефицита.
Наконец, прогноз сам по себе не гарантирует наличия товара. Поставщик может изменить условия, транспорт — столкнуться с ограничениями, а спрос — резко вырасти. Система помогает раньше увидеть риск и оценить варианты, но её качество проверяют по фактическим результатам: насколько часто предупреждения сбываются, сколько дефицитов удалось предотвратить и не выросли ли из-за избыточных заказов складские запасы.
Наиболее полезная роль LLM в крупном снабжении — не «предсказать всё», а соединить структурированные расчёты с информацией, которая раньше оставалась в письмах и комментариях. Тогда планировщик получает не просто тревожный сигнал, а проверяемое объяснение и набор действий, которые можно оценить с учётом стоимости и последствий.
