Как встроить GenAI в корпоративные ERP-системы

В последнее время генеративный ИИ все чаще становится частью корпоративных систем, и российский бизнес активно ищет способы его применения в CRM и ERP. Интерес ^[1] к таким решениям за последний год вырос в два-три раза ^[2]. Количество запросов «Битрикс24 ИИ» увеличилось на 600%, «CRM с нейросетью» — на 550%, «ИИ в 1С» — на 85%. При этом, по данным ^[3] «СберАналитики» и «Сбер Бизнес Софт», 39% российских организаций уже используют ИИ-агентов и ассистентов в документообороте, финансах и HR. Тем не менее, ERP в этом смысле остается более консервативной областью. ИИ чаще подключают к ней в виде отдельных сервисов. Давайте разберем, в каких задачах ИИ действительно оправдан, как выбрать подходящий способ интеграции и почему в большинстве случаев корпоративную ERP разумнее не заменять, а постепенно дополнять.

Рынок созрел, но внедрения с ИИ точечные

Объем российского рынка ERP-систем по итогам 2025 года оценивается ^[4] примерно в 100 млрд. рублей и продолжает плавно расти. При этом интерес к использованию встроенных ИИ-инструментов в корпоративных системах огромный. Но пока еще процент компаний, реально применяющих ИИ в ERP, остается небольшим. Сейчас начинают появляться ИИ-сервисы, которые могут встраиваться по API в ERP-системы.

Но прежде, чем браться за внедрение, компаниям предстоит ответить на несколько принципиальных вопросов.

Где ИИ действительно полезен

Искусственный интеллект ^[5] эффективен там, где есть большие объемы данных или текста, много рутины, необходимы прогнозы, поиск аномалий или важен интерфейс для сотрудников на естественном языке. В корпоративных системах таких точек множество. Распознавание и обработка первичных документов — сканов и фотографий счетов, накладных, актов. ИИ позволяет заводить их в систему с автоматическим формированием документов. Сегодня такие проекты могут быть реализованы буквально в течение месяца.

Еще один вектор — прогнозирование спроса, закупок, производства и движения денежных средств на основе исторических данных. Контроль качества данных: выявление дублей, ошибок ввода, выбросов и аномалий. Копилоты и запросы к данным на естественном языке — например, в формате: «Покажи маржу по региону за квартал».

Также ИИ хорошо разгружает направление ИТ-поддержки и развития ERP-систем. Может заниматься классификацией и маршрутизацией обращений, next-best-action в CRM, автоподготовка проектов ответов в Service Desk. Успешно справляется с генерацией драфтов писем, коммерческих предложений, документации. И, наконец, это помощь разработчикам и эксплуатационным командам: ассистенты кода, разбор логов, ИИ ServiceDesk.

Три уровня встраивания ИИ: над, внутри и под

Встраивать ИИ в существующие системы можно тремя способами, и каждый имеет свою логику ^[6].

• Слой над системой — копилоты, запросы на естественном языке, аналитика. Этот подход не затрагивает ядро системы, внедряется быстро и безопасно, поэтому считается отличной точкой старта ИИ-трансформации.

• Сервисы внутри или рядом с системой — распознавание, прогнозирование, классификация. Подключаются через вызовы API и расширения. Именно здесь ИИ встраивается непосредственно в прикладные модули ERP, CRM, MES, Workflow.

• Слой под системой — данные, СУБД, инфраструктура. Эффективен для разбора логов, мониторинга и контроля качества данных. Например, ИИ может за считанные минуты написать скрипт парсинга сотен гигабайт технологических логов и выявить причины сбоев и медленных запросов. За день интенсивной работы можно получить 100 Гб текста в формате логов. Даже профильный специалист будет разбирать такой объем вручную несколько дней, а ИИ выдает результат для оценки эксперта за минуты.

Заменять или достраивать — и когда все-таки заменять?

У многих компаний возникает соблазн: не мучиться с интеграцией, а просто заменить старую систему на AI-native решение следующего поколения. Однако опыт ^[7] показывает, что это самый дорогой, долгий и рискованный путь.

При таком подходе «выбрасываются» годы настройки процессов, интеграции, накопленные данные и доверие пользователей. Сам по себе ИИ почти никогда не оправдывает полную замену. В коробочных решениях он как правило, универсален и не заточен под данные и процессы конкретного предприятия. Данные все равно придется мигрировать, процессы настраивать, а людей — переучивать. Полная замена оправданна лишь в нескольких ситуациях: система зашла в тупик по развитию, вендор ушел с рынка, а технологический стек нежизнеспособен. Во всех остальных случаях разумнее достраивать — дополнять текущую систему зрелыми проверенными компонентами, например сервисами «1С», GigaChat, YandexGPT, и настраивать их под контекст конкретного бизнеса.

Главный принцип: не навреди

Ключевое правило встраивания ИИ в традиционные бизнес-приложения — подключение интеллектуальных модулей как изолированного сервиса. Отказ или деградация модели не должны влиять на действующую основную систему. Обязательны резервный сценарий на случай отказа ИИ, сотрудник в контуре для критичных действий. Особенно это важно там, где ИИ касается цифр. Генеративные модели вероятностны и могут ошибаться правдоподобно. В черновике письма или в кратком пересказе такая ошибка ^[8] стоит недорого и легко правится человеком, а в проводке или налоговом регистре — это уже последствия для отчетности перед ФНС и СФР. Именно поэтому в регламентированном контуре ИИ остается ассистентом: он распознает, предлагает, заполняет черновик, но официальную учетную запись формирует проверенный механизм системы, а критичное действие подтверждает человек. Каждое действие модели должно быть прослеживаемым — какая версия, на каких данных, кто подтвердил результат, — иначе аудитор не восстановит происхождение цифры. ИИ готовит цифру, но отвечает за нее система и человек.

Еще один важный аспект — безопасность данных. После 2022 года большинство крупных заказчиков стремятся развертывать ИИ-модели внутри собственного контура. Клиенты не готовы отдавать данные за пределы компании. Поэтому стараются делать так называемые ПАКи. Оборудование, операционная система и модель ставятся внутрь компании, и к ним через API добавляются необходимые ИИ-сервисы.

С чего начать: рекомендации для ИT-директоров

Первое и самое важное — посчитать экономику. Внедрение ИИ должно быть дешевле, чем решение задачи силами сотрудников, или приносить измеримый бизнес-эффект. ВКак встроить GenAI в корпоративные ERP-системыторое — выбрать пилотный проект с быстрой окупаемостью. Лучшие кандидаты для первых экспериментов — распознавание первичных документов, копилот для отчетности, ИИ Service Desk для первой линии поддержки. Третье — обеспечить изоляцию ИИ-сервиса от критического ядра системы. Четвертое — подготовить резервные сценарии: если ИИ не справляется, процесс должен продолжаться в ручном режиме. И пятое — не пытаться внедрить ИИ повсеместно. В системе нужно найти место, где ИИ применим и экономически обоснован, а также бизнес готов к его внедрению. Это поможет добиться первых побед для выделения инвестиций на новые кейсы.

Искусственный интеллект в ERP — это не хайп, а инструмент, который уже сегодня помогает снижать стоимость владения системами, ускорять разработку и эксплуатацию, а главное — создавать новую ценность для бизнеса. Но как и любой инструмент, он требует вдумчивого подхода. Начинать стоит с малого: копилоты, распознавание документов, прогнозирование. Постепенно наращивать компетенции и масштабировать успешные практики. И главное — помнить: ИИ должен работать на бизнес, а не бизнес — на ИИ.