Разговоры об искусственном интеллекте чаще всего вращаются вокруг интерфейсов и пользовательских сценариев. Однако ключевая ценность таких технологий для бизнеса проявляется в менее заметных, но куда более чувствительных точках — там, где ошибка напрямую влияет на выручку, оборачиваемость и нагрузку на команду. Управление запасами и остатками — одна из таких зон.
Именно здесь работает OSMI IT — компания, которая с 2019 года развивалась как разработчик веб-решений, а начиная с 2021 года системно сфокусировалась на AI и ML. Постепенно внутренние разработки оформились в low-code платформу OSMI AI, а затем добавилась и библиотека готовых ИИ-агентов для крупного бизнеса. Сегодня она лежит в основе большинства проектов компании и дорабатывается под конкретные бизнес-процессы.
OSMI IT специализируется на решениях для enterprise, среди клиентов — крупные цифровые платформы и бренды, включая Авито, Erich Krause, Суточно.ру, Газпром Арену и Росмэн. Компания также отмечена в отраслевых рейтингах и профессиональных объединениях, что отражает ее позицию на российском рынке AI-разработки.
Отдельного внимания заслуживает сама платформа OSMI AI, на базе которой реализуются подобные проекты. Это среда для разработки и эксплуатации AI-решений с акцентом на корпоративные требования к безопасности и управляемости. Платформа поддерживает мультиагентную архитектуру и может разворачиваться в изолированном контуре (on-prem), что критично для компаний с повышенными требованиями к данным. В нее изначально встроены инструменты аналитики: журналы диалогов, трассировка, метрики качества эксплуатации, статистика обращений и контроль ошибок интеграций.
OSMI AI включает визуальный конструктор диалогов и сценариев, поддержку версионности и отката изменений, разделение сред (dev / test / prod), а также полноценную инфраструктуру разработчика с Git и управлением релизами. Платформа поддерживает подключение различных LLM — от облачных до локальных моделей, включая DeepSeek, ChatGPT, YandexGPT, GigaChat, Grok, Anthropic и другие, настройку промптов и параметров инференса, а также работу с базами знаний по модели RAG — с загрузкой документов, индексированием и использованием контекста в ответах. Дополнительно реализованы функции распознавания документов (в коробке), тестирования точности решений, управления доступами (RBAC), секретами и переменными окружения, а также готовые интеграции, в том числе с Telegram и MAX. В совокупности это делает платформу не просто инструментом для запуска моделей, а полноценной инфраструктурой для разработки и эксплуатации AI-сервисов внутри компании.
Продукт уже на этапе релиза, следить за обновлениями и запросить демо можно тут https://osmi-ai.ru/. Подробнее про OSMI AI в конце статьи.
При этом OSMI IT не ограничивается коробочными продуктами в классическом смысле. Основу составляет платформенный подход: есть технологическое ядро, а поверх него строятся решения под задачи конкретного бизнеса. Такие проекты находятся между кастомной разработкой и тиражируемым продуктом. Их можно относительно быстро запустить, а затем последовательно развивать. Стоимость внедрения начинается примерно от 2 млн рублей и зависит от масштаба и глубины доработок.
Ключевые отрасли для компании: e-commerce, e-retail и промышленность. Выбранный для интервью кейс хорошо демонстрирует, почему именно эти сегменты требуют сложной аналитики.
Управление запасами на маркетплейсе: когда Excel и интуиция перестают работать
В кейсе внедрения, о котором мы расскажем сегодня, речь идет о системе прогнозирования поставок для маркетплейсов по модели FBO, реализованной для крупного международного бренда канцелярских товаров. Название компании не раскрывается, однако известно, что бренд присутствует более чем в 65 странах и занимает заметную долю на российском рынке.
Задача, стоявшая перед заказчиком, типична для бизнеса с широким ассортиментом, работающего на маркетплейсах, и при этом крайне сложна в реализации. Часть товаров регулярно заканчивается на складе, что приводит к потере продаж. Другая часть накапливается, замораживая оборотные средства. На уровне формулировки это звучит как «улучшить прогнозирование поставок», но фактически речь идет о многомерной системе, в которой учитываются продажи, остатки, сезонность, региональный спрос, акции, возвраты, товары в пути и поведение покупателей.
При ассортименте в тысячи SKU и нескольких каналов продаж ручное управление запасами неизбежно начинает давать системные ошибки. Именно этот разрыв между сложностью данных и возможностями ручной обработки и стал отправной точкой проекта.
С самого начала было понятно, что типового решения здесь быть не может. В крупных компаниях с миллиардными оборотами бизнес-процессы почти всегда уникальны, поэтому внедрение требует плотной совместной работы. Проект начался с этапа знакомства и синхронизации ожиданий — не формального, а вполне практического: важно было убедиться, что команды смогут работать как единая связка.
Далее последовал пилотный этап продолжительностью чуть более трех месяцев. Его цель заключалась в проверке ключевой гипотезы — можно ли достичь такой точности прогнозирования спроса, которая будет иметь экономический эффект. После успешного пилота проект продолжился двумя этапами итеративной разработки, каждый из которых занял около четырех месяцев. Такой подход позволил постепенно уточнять модель, проверять гипотезы и наращивать функциональность без избыточных рисков.
Отдельного внимания заслуживает работа с данными. Историческая информация потребовала серьезной подготовки: данные собирались из разных источников, очищались и приводились к единому виду. Часть проблем выявилась уже в процессе пилота — еще до полноценного внедрения. Это характерная ситуация для AI-проектов: качество результата напрямую зависит от состояния данных, и именно этот этап часто определяет успех всей системы.
Читайте также:
Как агентство, которое работает с Wildberries и Ozon, сократило время на создание контента в 12 раз
ML-система прогнозирования спроса: как это работает
В результате была создана ML-модель для прогнозирования спроса, которая еженедельно формирует прогнозы примерно для 11 тысяч SKU на горизонте от двух недель до одного года. Система учитывает продажи, остатки, сезонность, тренды и эластичность спроса. Пользователь может задавать параметры расчета — от конкретного маркетплейса до региона или кластера, будь то Wildberries, Ozon или другие площадки, а также вручную корректировать отдельные значения, например объем товаров в пути.
Сервис выдает не только прогноз спроса, но и рекомендации по поставкам. Это принципиально важный момент: речь идет не о визуализации данных, а о рабочем инструменте, который поддерживает принятие решений.
Для консолидации информации была проведена унификация отчетов маркетплейсов. Данные по продажам, заказам и остаткам приводятся к единому формату и регулярно обновляются. При расчете система учитывает аномальные всплески заказов, которые не завершились выкупом, чтобы не искажать реальную картину спроса.
Дополнительно реализован двухфакторный ABC-анализ, основанный на выручке и количестве заказов. Такая сегментация позволяет по-разному оценивать значимость товаров и корректнее интерпретировать результаты прогнозирования. В интерфейсе пользователь получает структурированную таблицу с ключевыми показателями: прогнозами, оборачиваемостью и рекомендациями по поставкам.
Система управления запасами на маркетплейсах включает не только прогнозы, но и инструменты мониторинга в режиме реального времени. Вместо ручного анализа таблиц сотрудники получают конкретные уведомления и рекомендации. Это меняет сам формат работы: управление запасами переходит из режима периодических проверок в постоянный мониторинг.
Результаты: 91% точность и снижение out-of-stock на 28%
С точки зрения бизнеса эффект выражается не только в цифрах, хотя они также показательны: точность прогнозирования спроса достигла 91%, а уровень OOS снизился на 28%. Существенно изменилась и операционная нагрузка. Ранее планирование велось вручную, с участием ключевых сотрудников, включая топ-менеджмент. В периоды высокой нагрузки это превращалось в трудоемкий и стрессовый процесс. После внедрения значительная часть этих задач была автоматизирована.
При этом проект не завершился на этапе внедрения. В планах — расширение функциональности: интеграция с календарями акций маркетплейсов, дополнительные инструменты фильтрации, экспорт данных в формате, готовом для загрузки в кабинеты площадок, а также развитие визуализации и интеграция с внутренними системами клиента.
Этот кейс отражает более широкий тренд на рынке. Компании все чаще переходят от экспериментальных пилотов к полноценным системам автоматизации. Нейросеть в таких проектах становится частью повседневной операционной инфраструктуры — наравне с BI, ERP и другими инструментами управления.
Опыт OSMI IT показывает, что устойчивый результат достигается не за счет одной технологии, а за счет последовательной работы: от проверки гипотез и подготовки данных до итеративного развития системы и ее интеграции в бизнес-процессы. Именно такая связка и позволяет превратить систему управления запасами из источника ошибок в инструмент, на который можно опираться в ежедневной работе.
Читайте также:
Как онлайн-школа Skypro передала треть проверок нейросети и сократила постоянные издержки на 10%
OSMI AI: платформа для внедрения ИИ в бизнес-процессы
Теперь платформа развивается как инструмент автоматизации бизнес-процессов на базе искусственного интеллекта — библиотека готовых агентов для крупного и среднего бизнеса, которую можно быстро адаптировать под регламенты компании, запускать внутри защищённого контура и масштабировать между отделами в единой архитектуре.
Новое позиционирование отражает запрос бизнеса не просто на доступ к нейросети, а на управляемую среду, где технологии можно безопасно встраивать в реальные процессы. OSMI AI объединяет библиотеку готовых агентов и шаблонов для различных функций — от HR, юридических и коммерческих задач до поддержки и внутренних сервисов, а также визуальные инструменты для настройки сценариев без навыков программирования.
Платформа позволяет компаниям внедрять ИИ без вывода чувствительных данных наружу. Решения разворачиваются внутри инфраструктуры заказчика, а доступ к документам, знаниям и сценариям разграничивается по ролям, проектам и средам. Дополнительно можно настраивать тон общения агентов, ограничения по темам и правила работы в соответствии с внутренними требованиями компании.
Отдельный акцент сделан на управляемости и промышленной эксплуатации. В OSMI AI доступны журналы диалогов, аудит, метрики качества, аналитика обращений, контроль ошибок и затрат на использование сценариев. Это даёт компаниям возможность не просто запускать ИИ-инструменты, а видеть, как именно они работают, где возникают узкие места и как меняется эффективность процессов.
Платформа поддерживает работу с базой знаний компании, загрузку и индексирование документов, распознавание файлов, мультимодальные сценарии, а также подключение внешних и локальных моделей в зависимости от требований бизнеса и информационной безопасности. Для безопасного выпуска изменений предусмотрены раздельные среды разработки, тестирования и промышленной эксплуатации, версионирование и откат изменений.
Ещё одно направление развития OSMI AI — мультиагентные сценарии, где в одном процессе могут работать сразу несколько ИИ-агентов. Такой подход позволяет не ограничиваться отдельным инструментом под одну задачу, а выстраивать полноценные рабочие цепочки под конкретные функции и регламенты компании. За счёт визуального конструктора и готовых интеграций бизнес- и ИТ-команды могут быстрее переходить от пилотных инициатив к системному использованию ИИ.
Таким образом, новое позиционирование OSMI AI делает акцент на трёх ключевых преимуществах продукта:
- быстром запуске готовых сценариев,
- безопасной работе в корпоративном контуре,
- прозрачном управлении эксплуатацией.
Для компаний-заказчиков это означает более предсказуемое внедрение ИИ, снижение нагрузки на ИТ-команды и возможность масштабировать технологию без потери контроля над качеством, безопасностью и стоимостью.
