Product Radar
Привет, Радар! Меня зовут Алексей Малашкин. По образованию я инженер систем связи, а по профессии — предприниматель. Я собственник и директор производственной компании BASIS. С 2011 года мы производим композитные материалы для строительства, поставляем оборудование и продукцию по России, в Европу, Австралию и на Ближний Восток.
Почти шесть лет я искал для нейросетей задачу, в которой они принесут пользу реальному производству, а не просто покажут красивое демо. Нашлась она там, где я сначала не ожидал, — в снабжении.
Это история не о том, как я увидел очередной хайп вокруг искусственного интеллекта и решил срочно сделать AI-стартап. Сначала мы несколько месяцев делали внутренний инструмент для собственного отдела снабжения. И только когда он начал находить деньги даже там, где мы считали рынок давно изученным, появился KAPI.
Мы на Product Radar:
KAPI — искусственный интеллект для отдела снабжения
Производство как полигон для технологий
Технологии всегда были моим хобби и страстью. В 2019 году меня увлекли успехи нейросетей в игре го, а также агентов, которые учились проходить игры Atari. Было ощущение, что машины постепенно осваивают задачи, для которых ещё недавно требовались человеческая интуиция и опыт.
В 2020 году мы с товарищем сделали небольшой проект по прогнозированию загрузки складских сетей. Сами обучали модели, экспериментировали с модификациями LSTM, разбирались с трансформерами. Проект подсветил: нейросети перестали быть чем-то далёким, что живёт только в научных статьях, — их можно брать и проверять на собственных бизнес-задачах.
Когда появился ChatGPT 3.5, я был в абсолютном восторге. С каждой новой моделью желание встроить большие языковые модели в производство только усиливалось. Моё композитное производство BASIS стало своеобразным полигоном: мы постоянно пробовали новые возможности LLM и оценивали, что из этого можно использовать не в презентации, а в ежедневной работе.
Почему красивые демо не становились рабочими инструментами
Почти каждый эксперимент упирался в одну и ту же проблему: большие языковые модели отвечают убедительно, но не всегда надёжно. Галлюцинация в рекламном тексте неприятна. Галлюцинация в расчёте, техническом документе или производственном задании уже может стоить денег.
Для реального бизнеса недостаточно, чтобы модель «в большинстве случаев справлялась». Нужно понимать, что произойдёт, когда она ошибётся.
В середине 2025 года мы увидели процесс, где цена отдельной ошибки была невысокой, а потенциальная польза — заметной. Этим процессом оказалось снабжение.
Если система нашла десять потенциальных поставщиков и один-два из них не подходят, ничего катастрофического не происходит. Они не ответят, либо снабженец исключит их после проверки. Зато остальные расширяют круг поставщиков, который человек физически не успел бы исследовать вручную.
Так появилась идея приложения для внутреннего использования.
Почему снабжение — и почему сейчас
На собственном производстве я видел, как быстро устаревает привычная карта поставщиков. Одни марки исчезают, появляются российские аналоги, меняются производители и условия доставки. Даже если снабженец отлично знает рынок, поддерживать в голове все изменения невозможно.
При этом самый дефицитный ресурс в снабжении — не экспертиза, а время на повторное исследование. Крупную закупку ещё можно разобрать вручную. Но никто не станет каждый раз тратить полдня на десятки обычных позиций: искать новые компании, проверять сайты, собирать контакты, писать одинаковые письма и переносить ответы в Excel.
Именно поэтому задача хорошо подошла для AI. Здесь важна не способность «угадать правильного поставщика», а возможность быстро расширить поле поиска, провести первичную работу и предоставить специалисту факты для принятия решения. Последнее слово всё равно остаётся за человеком.
Что мы собрали для себя
Несколько месяцев ушло на разработку первого рабочего продукта. Это было ещё до того, как инструменты вроде Codex стали по-настоящему сильными и начали заметно ускорять программирование.
В результате получилось приложение, которое принимает закупочную потребность, ищет производителей и поставщиков, определяет возможные аналоги, находит контакты, готовит и отправляет запросы, собирает ответы, извлекает условия и сводит всё в одну сравнительную таблицу.
Человек при этом никуда не исчезает. Он формулирует задачу, проверяет найденные компании и принимает решение. Система берёт на себя всю рутину между этими точками.
Сначала мы воспринимали приложение просто как внутренний инструмент. Но оно начало экономить деньги даже на материалах, рынок которых, как нам казалось, мы знали почти идеально.
Смола: полезным оказался не новый поставщик, а забытый
Один из первых показательных тестов мы провели на закупке эпоксидной смолы ker828 или аналога: шесть бочек по 220–240 килограммов с доставкой в Саранск.
Наше производство работает с композитами много лет, поэтому рынок смол мы знаем хорошо. От теста не ждали открытия неизвестного поставщика. Скорее хотели проверить, сможет ли система найти хоть что-то полезное там, где опытный снабженец и так ориентируется.
KAPI нашёл через интернет десять компаний. Для рассылки мы выбрали одиннадцать поставщиков с учётом нашей базы, семь из них ответили. Лучшую цену дал «Химальянс» — 270 рублей за килограмм. Наш привычный поставщик предложил 283 рубля. На партии в 1 440 килограммов разница составила около 18 720 рублей. Подробный разбор закупки смолы можно посмотреть в блоге KAPI.
Самое интересное: «Химальянс» не был неизвестной компанией. Мы знали этого поставщика, но давно перестали отправлять ему запросы, потому что когда-то его цены казались выше рынка. Он выпал из регулярного оборота.
KAPI оказался полезен не потому, что обнаружил «секретный клад». Он быстро поднял релевантный рынок и вернул в поле зрения компанию, которую человеческая рутина постепенно вытеснила из памяти.
Полиэтилен: деньги теряются на «неважных» закупках
Второй эксперимент оказался для меня ещё интереснее. Полиэтилен мы покупаем регулярно. Рынок большой и конкурентный, но именно поэтому мы давно перестали исследовать его перед каждой заявкой. Есть четыре-пять знакомых компаний — им и отправляем запрос.
Позиция не стратегическая. Не тот товар, ради которого снабженец будет поднимать весь рынок, проверять новые контакты и тратить полдня на переписку. По трудозатратам проще заказать у своих.
Мы создали в KAPI заявку на одну тонну полиэтилена HD 85612 IM с доставкой в Саранск. Система нашла наших привычных контрагентов и добавила ещё около десяти компаний из интернета. Всего запрос ушёл тринадцати поставщикам.
Ответили восемь. Пять промолчали — искусственный интеллект не умеет заставлять людей отвечать на письма. Из восьми ответов шесть содержали понятную цену.
Предложения разошлись от 153 000 до 192 000 рублей за тонну, хотя сравнивать их только по итоговой цифре было нельзя: где-то был самовывоз, где-то полная предоплата, а один поставщик вообще рассчитал доставку в Пензу вместо Саранска.
Лучшую цену — 153 000 рублей — предложил «ПроСинтез». Этой компании не было в нашем привычном пуле. Если бы мы действовали как обычно, мы бы просто не отправили ей запрос. Опубликовали полный разбор закупки на vc.ru.
На одной тонне абсолютная разница между несколькими лучшими предложениями была не огромной. Но эксперимент подсветил более неприятную мысль: крупные и стратегические закупки компании обычно исследуют тщательно, торгуются и сравнивают. А десятки «неважных» позиций годами покупают у знакомых, потому что повторное исследование рынка стоит слишком много рабочего времени.
Именно там деньги могут утекать тихо и постоянно.
«Запросил и забыл»
Через несколько месяцев внутреннего использования мы поняли, что собрали полезное решение, которое может пригодиться не только нашему производству. Мы решили превратить приложение в самостоятельный сервис.
Первыми внешними пользователями стали наши друзья из строительной отрасли. Их тесты сразу изменили продукт. Например, мы предполагали, что всем нужен поиск альтернативных поставщиков. Оказалось, что некоторым компаниям интернет-поиск вообще не требуется: у них есть утверждённая база, но они хотят автоматизировать запросы, ответы и сравнение предложений. Поэтому мы добавили загрузку и работу с собственной базой поставщиков.
Один из снабженцев описал эффект формулой, которая мне запомнилась: «запросил и забыл».
Раньше поиск превращался для него в бесконечную череду писем, ответов и напоминаний. Теперь он ставит задачу и знает, что ему не нужно отдельно искать компании и постоянно контролировать, кто ответил. Система ведёт этот процесс, а человек возвращается к готовой картине.
Публичная версия KAPI появилась в начале июля 2026 года. За первые две недели в сервисе зарегистрировалось около пятидесяти пользователей, появились и первые платные клиенты. Сейчас над продуктом работают четыре разработчика.
Делать глобальные выводы пока рано — продукт на ранней стадии. Но для нас это уже важное подтверждение: проблема существует не только внутри нашего производства.
Где KAPI ошибается и чего он не делает
Я не хочу создавать впечатление рекламной сказки. KAPI не превращает закупку в идеальный автоматический процесс.
Иногда в поиске встречаются слабые поставщики, для которых нужный товар — не основной, а сопутствующий. Часть компаний вообще не отвечает. Некоторые присылают письмо без цены или указывают неполные условия. Предложения нельзя механически сравнивать по одной цифре: нужно учитывать наличие, оплату, доставку, сроки и надёжность контрагента.
Но это не катастрофа. Главная задача KAPI — не принять решение за человека, а расширить поле выбора и собрать разрозненные данные в понятную картину.
Снабженец по-прежнему проверяет поставщиков и отвечает за выбор. Мы просто стараемся убрать работу, в которой его квалификация почти не используется: поиск контактов, однотипные письма, контроль ответов, разбор вложений и перенос условий в таблицу.
Что я понял об искусственном интеллекте в бизнесе
Первый вывод: AI необязательно должен быть безошибочным. Нужно выбрать процесс, где ошибку можно быстро заметить и недорого исправить. Один нерелевантный поставщик в списке из десяти — приемлемая погрешность. Ошибка в инженерном расчёте — уже нет.
Второй вывод: ценность AI не всегда в том, что он умнее опытного специалиста. Иногда она в том, что он быстро и без усталости делает работу, до которой у специалиста постоянно не доходят руки.
Третий вывод: собственный бизнес — лучший полигон для B2B-продукта. Мы не начинали с презентации о том, как изменим рынок закупок. Сначала инструмент должен был доказать пользу нам самим. И только после нескольких месяцев реальной эксплуатации мы решили показать его другим компаниям.
И ещё одно наблюдение: пользователям может быть нужна совсем не та функция, которую создатель считает главной. Мы думали прежде всего об исследовании внешнего рынка. Первые внешние тесты показали, что для части компаний не менее важна автоматическая работа по собственной базе. Продукт стал по-настоящему рыночным только тогда, когда в него встроился не только наш процесс закупки, но и чужой.
Зачем я пришёл на Радар
Я публикую эту историю не для того, чтобы доказать, что KAPI уже идеален. Наоборот, мне интересны реальные закупочные процессы разных компаний: где система помогает, где ошибается, какие этапы можно автоматизировать, а какие обязательно должны оставаться за человеком.
Если у вас есть регулярная закупка, которую снабженец ведёт через поиск, почту и Excel, дайте KAPI одну реальную задачу. Мы вместе посмотрим, какой рынок найдёт система, кто ответит и насколько полезным окажется итоговое сравнение. Ошибки скрывать не будем — именно ради них мы и проводим тесты.
Попробовать сервис можно на kapi.ru. Написать мне напрямую — в Telegram: @leningrad18.
И мне действительно интересно: как часто вы пересматриваете рынок по нестратегическим позициям? Или тоже отправляете запрос знакомым компаниям, чтобы не тратить время? Случалось ли, что лучшая цена оказывалась не у привычного поставщика?
Будем рады поддержке лайком и комментом на Product Radar:
KAPI — искусственный интеллект для отдела снабжения
⭐️ Эту статью написал «Друг Радара». Вы можете добавить свою статью или обсудить ее идею с нами в боте. Мы поможем на всех этапах подготовки и публикации статьи, а также разметим ее в сторисах нашего Telegram-канала @productradar_official. Редакция Блогов Product Radar бережно сохранила авторский стиль, орфографию и пунктуацию.
