Автоматизация склада с ИИ 2026: что берёт на себя WMS, а что - нейросеть

⏱ Время чтения: 9 минут

Автоматизация склада держится на двух системах с разными задачами: WMS считает остатки по правилам, а ИИ поверх неё прогнозирует и замечает то, что в правила не заложишь. Разбираю, где проходит эта граница и с чего начать - обычно это пилот на 2-4 недели.

Когда владелец бизнеса произносит «автоматизация склада», он обычно имеет в виду одно из двух: либо внедрение WMS с нуля, либо разговор про ИИ, который он слышал на конференции. Это разные слои одной задачи, и путать их дорого - можно заплатить за дорогую WMS-интеграцию там, где на самом деле не хватало прогноза спроса, или наоборот ждать чуда от нейросети там, где нужен обычный складской учёт.

Обзор рынка систем управления складом и место ИИ в нём - у vc.ru. Общий разбор автоматизации бизнеса процессами ИИ - в разделе ИИ для бизнеса 2026.

Что на самом деле входит в автоматизацию склада

Управленец должен понимать границу, прежде чем платить за интеграцию. Автоматизация склада традиционно означает WMS (Warehouse Management System) - программу, которая по заданным правилам ведёт учёт: где лежит товар, сколько его осталось, какой документ выписать при отгрузке. Это база, без которой склад работает по бумажным описям и памяти кладовщика.

ИИ в эту схему не встраивается вместо WMS - он встраивается рядом. Задача WMS - точный учёт по правилам, которые вы сами задали. Задача ИИ - работа с тем, что заранее правилами не опишешь: спрос меняется по сезону, поставщик присылает накладную в своём формате, а на складе иногда происходят вещи, которые не укладываются ни в один регламент.

Где у WMS жёсткий потолок

Правила работают только для того, что вы в них заложили. WMS отлично считает остатки и печатает документы, но она не умнее своих настроек. Если реальность склада сложнее заданных правил - система либо молчит, либо выдаёт формально верный, но бесполезный результат.

Прогноз спроса на глаз или по прошлому месяцу. Классическая WMS не предсказывает будущее - она фиксирует прошлое. Решение «сколько закупить на следующий месяц» чаще всего принимает человек по интуиции или по таблице в Excel, а не система.

Аномалии остатков находит только внимательный кладовщик. Если товар вдруг стал уходить в 3 раза быстрее обычного или, наоборот, завис на полке - WMS покажет цифру, но не подсветит, что с ней что-то не так. Заметить это должен человек, который каждый день смотрит в одни и те же отчёты.

Входящие документы от поставщиков - ручной ввод. Накладная в PDF или на бумаге не превращается в строки WMS сама - кто-то должен её открыть и вбить позиции руками, сверяя с тем, что реально пришло на паллетах.

Что добавляет ИИ поверх WMS

Прогноз спроса по истории продаж и сезонности. ИИ смотрит на историю движения товара по каждой позиции и предлагает объём следующей закупки, а не оставляет это на интуицию закупщика. Решение остаётся за человеком, но у него на столе появляется цифра, а не пустое место.

Поиск аномалий в остатках без ручного просмотра отчётов. Система сравнивает текущее движение товара с типичным паттерном и подсвечивает позиции, которые выбиваются - резкий рост списаний, необычная скорость расхода, расхождение между system-остатком и последней инвентаризацией.

Разбор входящих накладных и счетов. ИИ распознаёт документ поставщика (даже неструктурированный PDF или скан) и сверяет позиции с тем, что должно было прийти по заказу, готовя строки для WMS вместо ручного ввода.

Ответы складским сотрудникам на типовые вопросы. Где лежит артикул, какой остаток по позиции, куда везти паллету - вместо звонка диспетчеру сотрудник получает ответ от ИИ-помощника в мессенджере за секунды.

Подсказки по маршруту сборки заказа. На основе истории сборок ИИ предлагает более короткий маршрут комплектовщика по складу вместо фиксированного порядка ячеек, который задавали один раз при внедрении WMS и не пересматривали.

Какие данные нужны ИИ для точного прогноза

История продаж хотя бы за 12-18 месяцев по каждой позиции. Чем короче история, тем грубее прогноз - модель просто не видит сезонность, если данных меньше одного полного цикла. На старте это часто выясняется как первое узкое место: WMS вела учёт, но не хранила детальную историю по SKU достаточно долго.

Данные на уровне конкретного товара, а не общей категории. Прогноз «сколько закупить электроники» бесполезен на практике - нужна история по каждой отдельной позиции с её собственной сезонностью и скоростью продаж.

Разметка нетипичных периодов. Распродажи, форс-мажор с поставщиком, разовая крупная закупка одним клиентом - если такие события не помечены отдельно, модель считает их обычным спросом и завышает следующий прогноз. Это тот момент, где 2-4 недели пилота уходят не на саму модель, а на приведение данных в порядок.

Когда нужны обе системы, а когда хватит одной

Если склада как такового ещё нет в цифре - остатки в тетради или в одной большой таблице - начинать нужно с WMS, а не с ИИ. Прогнозировать спрос по данным, которых нет в структурированном виде, не получится ни у одной нейросети.

Если WMS уже стоит и работает, а проблема в другом - закупщик каждый месяц гадает со объёмом заказа, кладовщик тратит часы на ручной ввод накладных, аномалии находят только после инвентаризации - это ровно те задачи, где ИИ подключается поверх и даёт результат за недели, а не за месяцы внедрения новой WMS.

Есть и промежуточный случай: WMS есть, но она настолько старая, что не отдаёт данные наружу через API. Тогда первый шаг - не ИИ, а обновление или доработка самой WMS до состояния, когда с ней вообще можно интегрироваться. Это отдельный проект, и его стоимость нужно считать отдельно от подключения ИИ-модуля.

4 шага подключения ИИ без замены WMS

Шаг 1. Аудит одного болезненного процесса. Выбираем не весь склад целиком, а одну конкретную боль: прогноз закупок, разбор накладных или контроль аномалий остатков. Здесь же смотрим, сколько реально накоплено истории по нужным позициям.

Шаг 2. Подключение к данным WMS. ИИ-модуль подключается через API к тем данным, которые WMS уже собирает - остатки, история движения, документы. Замена системы не требуется.

Шаг 3. Пилот на реальных данных 2-4 недели. Смотрим на живой процесс: сравниваем прогноз или подсказки ИИ с тем, что раньше решал человек, замеряем разницу.

Шаг 4. Решение по цифрам, не на глаз. Если пилот показал экономию времени или снижение ошибок - расширяем на соседние процессы или другие склады сети. Если нет - откатываемся без потерь: WMS продолжает работать как работала, а деньги потрачены только на пилотный сценарий, а не на весь склад разом.

Сколько стоит автоматизация склада ИИ-модулем

• от 50 000 ₽ - один сценарий поверх текущей WMS: либо прогноз спроса, либо разбор входящих накладных. Срок 2-4 недели.
• от 150 000 ₽ - комплекс из нескольких сценариев: прогноз плюс контроль аномалий плюс ИИ-помощник для складских сотрудников.
• от 350 000 ₽ - сопровождение нескольких складов сети с регулярной донастройкой моделей под сезонность и новые товарные категории.

Пример расчёта (условные вводные, не отчёт реального клиента). Допустим, кладовщик тратит 2 часа в день на ручной ввод входящих накладных при потоке в 15 поставок. Если ИИ забирает разбор документов и оставляет человеку только сверку по паллетам - это условно 1-1,5 часа в день, которые освобождаются под другие складские задачи без найма ещё одного сотрудника.

5 ошибок при подключении ИИ к складу

1. Пытаться заменить WMS целиком ради ИИ. Это дороже и дольше, чем подключить ИИ-модуль поверх системы, которая и так работает. Замена оправдана, только если старая WMS физически не отдаёт данные наружу.

2. Запускать сразу на весь ассортимент. Прогноз спроса точнее калибруется на ограниченной группе товаров, где видна история движения, а не на всём каталоге сразу. Широкий охват без пилота размывает результат и мешает понять, где модель реально помогает.

3. Не давать ИИ доступ к реальной истории движения. Модель прогнозирует настолько хорошо, насколько богата история, на которой она обучена - куцые данные дают куцый прогноз. Урезанный экспорт «на всякий случай» вместо полной истории - частая причина слабого первого результата.

4. Игнорировать мнение кладовщиков и закупщиков на пилоте. Люди, которые каждый день работают с товаром, быстрее всего замечают, где прогноз или подсказка ИИ расходится с реальностью. Их обратная связь на пилоте дешевле, чем ошибка в закупке на реальные деньги.

5. Не считать метрики до пилота. Без базовых цифр - время на ручной ввод, частота ошибок в остатках, точность прошлых прогнозов закупщика - невозможно доказать эффект после внедрения. Через месяц после пилота сравниваете те же цифры и видите честный результат, а не общее ощущение.

Что спрашивают чаще всего

Автоматизация склада без ИИ - это учёт по правилам, которые вы задали сами и которые устаревают быстрее, чем меняются в системе. ИИ не заменяет WMS и не отменяет складской учёт - он забирает то, что правилами не решить: прогноз, аномалии, разбор документов. Начните с одного процесса и одного пилота, а не с замены всей системы разом.