ИИ для склада: учёт, приёмка, документы и инвентаризация

«Нам нужен ИИ для склада» почти никогда не означает роботов. Означает это обычно другое. Остатки в системе не сходятся с полками. Приёмка идёт по бумажной накладной. Инвентаризация каждый раз превращается в аврал, а половина дня кладовщика уходит на перенос цифр из одного места в другое.

Разбираю по участкам: где ИИ для склада действительно снимает работу с людей и где он только ускорит существующий беспорядок. Роботы с камерами - разговор отдельный и с отдельным бюджетом. Их тоже разберу, с цифрами и ссылками вместо картинок из презентаций.

Что делает ИИ для склада, если ни одного робота на нём нет?

Разделите склад на три слоя, и разговор сразу станет предметным.

Слой первый, физика. Конвейеры, сортировщики, автоматические штабелёры, роботы-тележки, камеры на воротах. Это капитальные вложения: проектирование, оборудование, стройка. Подпиской такое не закрывается. У компании на тридцать человек такого слоя нет и в ближайшие годы не будет.

Слой второй, операции. Куда положить товар, в каком порядке обходить стеллажи при отборе, сколько человек ставить в смену, как сгруппировать заказы. Этим занимается система управления складом, и без неё алгоритмам не на что опереться.

Слой третий, учёт и документы. Сколько чего лежит, что приехало и по какой накладной, что отгрузили и кому, как это сошлось с бухгалтерией, что показывать при инвентаризации. Здесь работают люди с таблицами. Роботов тут нет вовсе, а рутины больше всего.

Компания INTEKEY разрабатывает системы управления складом. В своём разборе на Хабре она описывает картину прямо. В публичном поле бум на ИИ и ролики с роботами Amazon. В реальности большинства российских складов - Excel, 1С, ручное планирование смен и зависимость от ключевых людей. С этого разрыва и начинаются неудачные проекты: компания покупает витрину первого слоя, а болит у неё третий.

ИИ для склада на третьем слое - это языковая модель, которая читает документы, сверяет их между собой и объясняет человеку, где данные разошлись. Она не видит полок. Она видит то, что о полках записано. Потому и заводится за недели: ни стройки, ни проекта, ни нового оборудования.

Отдельно оговорю границу темы. Перевозки, маршруты доставки, транспортные накладные и диспетчер живут в соседнем разборе - ИИ для логистики. Здесь речь только про склад как помещение и про учёт того, что в нём лежит.

Почему учётный остаток не сходится с фактическим?

Пересортица опаснее обычной ошибки в цифрах. Это ситуация, когда одновременно есть излишек одной позиции и недостача другой: товар ошибочно приняли, разместили или списали вместо похожего. Чаще всего страдают позиции, близкие по внешнему виду, размеру, цвету, модели или артикулу. Если излишек и недостача относятся к совершенно разным товарным группам, перед вами две отдельные проблемы, и пересортицей это уже не называется.

Коварство ровно в том, что суммарные остатки сходятся. Пока пересчёт не дошёл до конкретных артикулов, в отчётах всё выглядит благополучно, и ошибка кочует по учёту месяцами. Обнаруживают её обычно при инвентаризации, когда разбираться поздно и некогда.

Что здесь реально делает модель:

• Сопоставляет пары. Берёт ведомость расхождений и ищет излишки и недостачи, которые похожи по наименованию, артикулу, партии, поставщику или единице упаковки. На выходе список пар с пометкой, что на что похоже, вместо ста строк вразнобой.
• Ищет закономерность. Один и тот же поставщик, одна смена, один приёмщик, один тип упаковки. Человек такую связь ловит интуитивно и не всегда, программа проверяет её на всей истории.
• Готовит пояснение. Черновик записки о причинах расхождения по каждой паре, с фактами из документов и без домыслов.
• Подсвечивает риск заранее. Список позиций, у которых наименования отличаются на один символ или на один размер, составляется до инвентаризации, пока ещё можно что-то поправить.

Отдельно про то, почему пересортицу нельзя просто «свести в ноль». ФСБУ 28/2023 разрешает такой зачёт только в исключительных случаях и сразу при четырёх условиях. Один и тот же период. Одно и то же материально ответственное лицо. Активы одного и того же наименования. Тождественные количества. Если стоимость недостающего товара выше стоимости излишка, разницу отражают отдельно.

Читается это скучно, а на практике означает вот что: бухгалтер вручную проверяет каждую пару на четыре условия и по каждой пишет обоснование. Эту проверку модель делает быстро и без усталости. Она берёт сличительную ведомость, отсекает пары, которые условиям не отвечают, и оставляет бухгалтеру короткий список с пояснением по каждой отброшенной. Норму естественной убыли и виновных лиц она не определяет: это решение людей.

Чего модель не делает: она не пересчитывает товар и не заменяет собой ответственность кладовщика. Всё, что она знает о вашем складе, взято из записей о нём. Если приёмку неделю не вносили в систему, никакой ИИ для склада эту неделю не восстановит.

Приёмка: кто сверяет поставку с накладной?

Классический сценарий выглядит так. Приехала машина, кладовщик получает пачку бумаг, сверяет позиции глазами, звонит менеджеру уточнить спорную строку, потом кто-то вечером вбивает документ в учётную систему. На каждом шаге теряется время, а на последнем ещё и точность.

Задача разбивается на три части, и все три сегодня закрываются серийными инструментами.

Распознать документ. Сервис 1С:Распознавание первичных документов работает со счетами, накладными по форме ТОРГ-12, актами, счетами-фактурами, универсальными передаточными документами и кассовыми чеками. Загружать можно сканы и фотографии в распространённых форматах, цифровые документы и даже архивы, а созданные документы появляются прямо в базе 1С. Отдельно заявлена работа с незнакомыми системе формами, если они отражают поступление или списание товара.

Сверить с заказом. Здесь начинается работа языковой модели. Она сопоставляет строки накладной со строками заказа поставщику и сводит разные наименования одного товара. Дальше замечает расхождения: цена отличается от согласованной в спецификации, количество - от заказанного.

Отдать расхождения списком. Вместо «в документе есть ошибки» кладовщик видит «строка 14: пришло меньше на две упаковки, строка 22: цена выше согласованной, строка 31: позиции нет в заказе». С таким списком кладовщик оформляет акт о расхождении за минуты.

Механику распознавания и извлечения полей я подробно разбирал в материале про нейросеть для документов - там же про то, что делать с плохими фотографиями и нестандартными формами.

Пара слов про сам акт. Расхождения по количеству и качеству при приёмке фиксируются актом. Унифицированная форма ТОРГ-2 с 1 января 2013 года обязательной не является. Компания вправе применять собственный бланк, если в нём есть все обязательные реквизиты первичного документа по части 2 статьи 9 Федерального закона № 402-ФЗ и если этот бланк закреплён в учётной политике. Это к тому, что формат акта у вас свой, и модель нужно учить именно вашему формату, а не картинке из интернета.

Важная оговорка про ответственность. Модель предлагает, человек принимает. Подпись на акте приёмки и решение «принимаем с расхождением» или «отказываем» - это зона материальной ответственности, и перекладывать её на программу нельзя ни технически, ни юридически.

Инвентаризация: что поменял ФСБУ 28/2023 и где здесь ИИ?

Инвентаризация перестала быть внутренним делом компании. Федеральный стандарт бухгалтерского учёта ФСБУ 28/2023 «Инвентаризация», утверждённый приказом Минфина от 13 января 2023 года № 4н, применяется с 1 апреля 2025 года. Он устанавливает случаи обязательного проведения, сроки, порядок и перечень объектов, которые проверяются.

Из стандарта стоит помнить четыре вещи, потому что на них чаще всего спотыкаются.

Когда проводить обязательно. При составлении годовой отчётности. При смене материально ответственного работника. При передаче активов в аренду или управление и при их отчуждении. При установлении факта утраты или порчи. При пожаре и других чрезвычайных ситуациях, при реорганизации и ликвидации.

Кого нельзя включать в комиссию. Лиц, на которых возложена материальная ответственность за проверяемые этой комиссией объекты. То есть кладовщик не может проверять сам себя.

Когда результат считается недействительным. Если при обязательном проведении инвентаризации отсутствует одна пятая и более членов комиссии. Формальность, о которой вспоминают уже после пересчёта.

Когда комиссия не нужна вовсе. Если в компании работают только руководитель и главный бухгалтер либо только руководитель, а также если инвентаризацию проводит по договору аудиторская организация или ревизионная комиссия.

Теперь про то, где здесь программа. Пересчёт товара остаётся ручной работой людей с терминалами сбора данных или без них. А вокруг пересчёта есть четыре задачи, которые съедают не меньше времени:

• Подготовка. Собрать ведомости, свести номенклатуру, найти позиции с двойными карточками и мёртвыми наименованиями до того, как комиссия вышла в зал.
• Приоритет. Определить, какие группы товара проверять сплошным пересчётом, а какие выборочно: модель показывает позиции с самой высокой историей расхождений.
• Разбор результата. Разложить сличительную ведомость на пересортицу, недостачу и излишек, предложить версию причины по каждой строке.
• Оформление. Подготовить черновики пояснений и приказов по итогам, чтобы бухгалтеру осталось поправить формулировки.

Именно эта обвязка и есть настоящий ИИ для склада в части инвентаризации. Всё остальное про «нейросеть посчитает товар сама» разберу ниже, в разделе про машинное зрение, и разбор будет невесёлым.

Отбор заказа и отгрузка: где ошибка стоит дороже всего

Ошибка приёмки остаётся внутри склада, и её можно найти. Промах на отборе уезжает к покупателю. Дальше она превращается в звонок, возврат, повторную доставку и разбирательство, кто виноват, и всё это стоит дороже самой позиции.

Что тут можно сделать без единой камеры:

Проверка комплектности по документам. Перед отгрузкой сверяются заказ, счёт, накладная и фактически собранные строки. Расхождение подсвечивается до того, как коробка уехала.

Предупреждение о путаных позициях. У каждого склада есть свой список товаров, которые путают. Он не в голове у старшего кладовщика, он в истории возвратов, и его можно достать оттуда автоматически, а потом выводить сборщику подсказку именно по этим позициям.

Разбор возврата. Клиент вернул товар - модель сопоставляет возврат с отгрузкой, находит исходный документ, собирает историю и готовит черновик ответа.

Камеры на столе упаковки, которые сверяют собранный заказ с составом, существуют и работают. Но это уже первый слой, физика, и про цену вопроса честнее говорить в отдельном разделе - он ниже.

Маркировка и ЭДО: почему склад стал точкой отчётности

Несколько лет назад склад отвечал за то, чтобы товар лежал и находился. Сейчас он отвечает ещё и за корректность сведений, которые уходят в государственную систему маркировки.

Механика такая. Участники оборота передают товар контрагентам универсальным передаточным документом и указывают в нём данные о маркированном товаре. Формата два: объёмно-сортовой, где достаточно кода товара и количества, и поэкземплярный, где нужен код каждой единицы. По справке Контура, в 2026 году объёмно-сортовой учёт стартует для трёх товарных групп: косметика и бытовая химия с 1 июля, бакалея с 1 сентября, консервы с 1 октября. Дальше по календарю группы переводят на поэкземплярный учёт.

Практический вывод для склада простой: без электронного документооборота принять или отгрузить маркированный товар нельзя, а любая ошибка в кодах превращается в отказ системы и остановку отгрузки.

Где здесь помогает ИИ для склада:

• Сверка до подачи. Сопоставить коды в документе с фактически отсканированными, найти дубли, пустые и лишние строки.
• Перевод отказа. Текст ошибки системы маркировки редко понятен кладовщику. Модель объясняет, в какой строке и что не сошлось.
• Вопрос к архиву обычными словами. «Покажи поставки этого контрагента за квартал, где коды не сошлись» - и в ответ короткий список вместо выгрузки на тысячу строк.

Чего ждать не надо: сама передача сведений держится на интеграции и регламенте, нейросеть тут ни при чём. Модель полезна на подготовке и на разборе ошибок. Подписывает документ и отвечает за него по-прежнему компания.

Запасы и неликвид: что можно поручить прогнозу, а что нет

Здесь чаще всего продают воздух, поэтому разделю аккуратно.

Прогноз спроса. Считается на истории продаж по равным интервалам с учётом цен, акций, наличия, возвратов и календаря. Это работа статистических моделей и машинного обучения. Языковая модель в самом расчёте не участвует. Главное условие - история минимум за год и честные данные о наличии. Период, когда товара на складе не было, нельзя считать периодом нулевого спроса. Иначе модель научится не заказывать то, что хорошо продаётся.

Неликвид. Здесь всё проще и считается почти сразу: позиции без движения за выбранный период, сумма замороженных в них денег, срок хранения, риск списания. Это обычная арифметика по вашим же данным, и она обычно даёт первый заметный результат.

Разбор переписки с поставщиками. Условия, минимальные партии, сроки поставки и цены приходят письмами в свободной форме. Языковая модель сводит их в единую таблицу, и закупщик видит сводку вместо сорока писем. У оптовой компании на этом участке обычно и лежат основные деньги, и он подробно раскрыт в отдельном материале - ИИ для оптовых продаж.

Объяснение прогноза. Недооценённый сценарий. Модель словами отвечает на вопрос «почему система предлагает заказать столько» и называет причины: сезон, акция, текущий остаток. Без такого объяснения закупщик цифре не доверяет и правит её руками. Значит, весь прогноз был построен впустую.

Претензии, недостачи и возвраты: как собирается доказательство

Претензия приходит через месяц после события, когда никто уже не помнит подробностей. Дальше начинается археология: кто принимал, что было в акте, писал ли поставщик об изменении срока, есть ли фотографии повреждённой упаковки. На поиск одной поставки уходит полдня, и это та работа, которую ИИ для склада забирает целиком.

Модель здесь работает архивариусом:

• Находит по номеру поставки все документы: заказ, накладную, акт о расхождении, счёт, платёж.
• Поднимает переписку по этой поставке и выделяет фразы, которые относятся к спорному вопросу.
• Сверяет даты и суммы между документами и показывает, где они разошлись.
• Готовит черновик ответа на претензию, который человек проверяет и правит.

Граница простая и жёсткая. Юридическая позиция, оценка перспектив спора и подпись - зона юриста и руководителя. Модель собирает факты. Решения принимают люди. Фраза «нейросеть посчитала, что мы не виноваты» в переписке с контрагентом не аргумент.

Отчётность и 1С: куда всё это складывается

Схема почти всегда одинаковая. 1С или другая ERP-система хранит номенклатуру, остатки, документы и цены. Модель получает доступ к нужному срезу этих данных, выполняет задачу и возвращает результат обратно документом, задачей или записью в карточке.

Отсюда три практических следствия.

Справочники решают всё. Дубли номенклатуры, разнобой в наименованиях, мёртвые позиции и единицы измерения, которые ведут себя по-разному в разных документах, ломают результат сильнее любых настроек. Наведение порядка в справочниках занимает половину всего проекта.

Обмен данными - отдельная работа. Программный интерфейс или регулярная выгрузка, права доступа, частота обновления. У 1С здесь своя специфика, вплоть до выбора между внешней обработкой и обменом через сервис. Техническая сторона вопроса вынесена в материал интеграция ИИ с 1С.

Таблицы никуда не денутся. Значительная часть складского учёта в малом бизнесе живёт в Excel, и откладывать из-за этого автоматизацию незачем. Разбор и сведение таблиц - вполне рабочая задача для модели, про неё есть отдельный разбор: нейросеть для Excel.

Когда складской, производственный и финансовый учёт нужно свести в одну систему вместо надстроек друг поверх друга, речь идёт уже о разработке и внедрении ERP. Это другой масштаб работы и другой разговор.

Роботы и машинное зрение: другой класс вложений

Этот раздел нужен, чтобы разговор был честным. Роботизированный склад существует, и компьютерное зрение на отгрузке действительно работает. Вопрос в цене входа и в условиях, при которых такие вложения окупаются.

Разработчик складских систем INTEKEY описывает разумный порядок из трёх шагов. Сначала оптимизационные алгоритмы: зонирование, пополнение, маршрутизация, то есть математика без лишнего риска. Затем слой помогающего ИИ, где модели поддерживают решения людей и не подменяют их. И только потом разговор об автономных сценариях - на зрелых складах с чистыми данными.

Теперь пример, который стоит держать в голове всем, кому обещают подсчёт остатков камерой. В сентябре 2025 года сеть Starbucks запустила инструмент автоматической инвентаризации сразу в одиннадцати тысячах кофеен США и Канады. Сотрудники наводили планшет на полки с молоком, зерном и сиропами, а система на основе камеры, лидара и компьютерного зрения считала остатки и отмечала позиции к пополнению. Поставщиком технологии выступала компания NomadGo, а на старте заявлялось, что считать запасы можно будет в восемь раз чаще.

Через девять месяцев проект свернули. По сообщению Reuters, которое пересказал Хабр, система часто ошибалась, не распознавала позиции и путала их между собой, а сотрудникам приходилось тратить время на перепроверку данных. Компания вернулась к ручному подсчёту и объяснила решение желанием стандартизировать подсчёт запасов во всех точках.

Из этой истории не следует, что зрение бесполезно. Следует другое: задача распознавания на живом складе сложнее, чем выглядит в демонстрации, а цена ошибки - это ещё и потерянное время людей. Если мировая сеть с её ресурсами свернула такой проект за девять месяцев, компании на тридцать человек разумнее начинать с учёта. Камеры подождут.

Где вы сейчас

• Учёт в Excel, остатки знает один человек. Начинайте с того, чтобы данные вообще появились в одном месте, модели подождут. Быстрый эффект тут даёт только одно: разбор входящих документов и писем поставщиков.
• 1С есть, документы вносят руками по вечерам. Самый выгодный случай. Распознавание накладных и сверка поставки с заказом окупаются быстрее всего и не требуют менять процессы.
• Учёт ведётся аккуратно, но инвентаризация каждый раз аврал. Ваш участок - подготовка и разбор инвентаризации: приоритет проверки, поиск пересортицы парами, черновики пояснений.
• Есть система управления складом и адресное хранение. Тогда вам доступен и второй слой: маршруты отбора, пополнение ячеек, прогноз нагрузки. Но учёт документов всё равно проверьте первым - он обычно остаётся ручным даже здесь.

Четыре ловушки, на которых сгорают складские проекты

Ловушка первая: демонстрация на чужих данных. Красивый показ идёт на образцовой номенклатуре поставщика решения, где нет ни дублей, ни сокращений в наименованиях, ни ваших единиц упаковки. Условие простое: пилот идёт на вашей выгрузке за реальный месяц, иначе смотреть не на что.

Ловушка вторая: придуманный остаток. Уверенная интонация у модели не зависит от того, есть ли у неё цифра. Фраза «на остатке двенадцать упаковок», не подтверждённая запросом в базу, - это выдумка, которую клиенту передадут как факт, а отвечать по ней будете вы. Лечится жёстким правилом: нет поля в системе - модель отвечает, что не знает, и на этом останавливается.

Ловушка третья: надежда на автоматическую уборку справочников. «Внедрим ИИ, и он сам разберётся с нашей номенклатурой» не работает. Модель усиливает то, что есть: на чистых данных она ускоряет работу, на грязных ускоряет производство ошибок. Свести дубли она поможет, но решение по каждой спорной паре принимает человек, который отвечает за учёт.

Ловушка четвёртая: камера вместо учёта. Подсчёт остатка камерой не отменяет ни материально ответственного лица, ни сличительной ведомости, ни подписи. Он даёт ещё один источник цифр, который придётся сверять с основным. Пока учёт ведётся неаккуратно, второй источник только добавит споров.

Отдельной строкой про безопасность: договоры с поставщиками, цены и персональные данные сотрудников не место вставлять в публичный чат. Контур обработки выбирается до начала работ.

И последнее, для трезвости: ИИ для склада не отменяет ни материальной ответственности, ни инвентаризации, ни подписи на документах. Он снимает подготовительную и сверочную работу, а она в складском учёте составляет большую часть.

С чего начать: две недели и три числа

План, который занимает две недели и заменяет квартал обсуждений о том, нужен ли вам ИИ для склада вообще.

1. Неделя наблюдений. Запишите пять складских операций, которые повторяются каждый день: кто делает, сколько раз, сколько минут. Типичный список - внесение накладных, сверка поставки, поиск документа по запросу бухгалтерии, разбор расхождений, ответы на вопросы «есть ли в наличии».
2. Замер до пилота. Зафиксируйте три величины: недельные часы на внесение документов, месячное число строк расхождений, длительность последней инвентаризации в днях. Снимать их нужно до старта, иначе сравнивать результат будет не с чем.
3. Один участок. Выберите тот, где результат проверяется глазами за минуту. В девяти случаях из десяти это приёмка документов.
4. Пилот на своей выгрузке. Две недели, ваши накладные и обязательно приёмщик со стороны склада, который говорит «да, верно» или «нет, ошибка». Без него пилот превращается в бесконечный показ.
5. Разбор на цифрах. Положите рядом замер до и после и решайте продолжать или закрывать. Ощущение «стало удобнее» решением не является.

Кто и как выполняет эту работу технически - вопрос второй. Важно, что заказчиком выступает человек со склада: список операций и замер он должен знать сам, подрядчик тут исполнитель.

Чек-лист

• Склад разложен на три слоя, и выбран тот, где болит: физика, операции или учёт.
• Номенклатура проверена на дубли и мёртвые позиции, единицы измерения приведены к одному виду.
• Для пилота взят ровно один участок, и его результат проверяется глазами за минуту.
• Зафиксирован замер до пилота: недельные часы на документы, месячные строки расхождений, длительность инвентаризации.
• У пилота есть приёмщик со стороны склада: сотрудник, который подтверждает или бракует ответ модели.
• Прописано правило про незнание: чего нет в базе, о том модель честно отвечает «не знаю».
• Определён контур, в котором обрабатываются документы с ценами и персональными данными.