Если часть закупок возьмёт на себя ИИ, за что будут платить закупщику

Рутинных действий станет меньше. Ценность специалиста всё сильнее будет зависеть от того, насколько хорошо он понимает категорию, умеет задавать правила, проверять решения и брать на себя сложные случаи.

Сначала автоматизация выглядит как подарок. Меньше писем, таблиц, типовых документов и ручных сверок. Потом появляется менее удобный профессиональный вопрос. Если эти задачи больше не занимают половину недели, за что отвечает закупщик?

В прошлой статье я разбирала карьерные сценарии в закупках и писала о том, что рост давно не сводится к следующей должности. Здесь хочу продолжить эту мысль с другой стороны. Иногда новая роль появляется раньше новой строчки в штатном расписании. Сначала меняется сама работа.

Поэтому я бы не начинала с вопроса, какие нейросети нужно освоить. Полезнее посмотреть на работу, которая остаётся после автоматизации. Именно там видны навыки, которые будут становиться важнее.

Представим простую ситуацию. ИИ быстро собрал три предложения по закупке. Таблица аккуратная, цены сопоставлены, сроки выделены. Формально можно переходить к выбору.

Опытный закупщик заметит то, чего в таблице может не быть. Два поставщика зависят от одного производителя. Низкая цена держится на условии, которое через полгода создаст дополнительные расходы. Внутренний заказчик попросил привычную модель, хотя рынок уже предлагает другой вариант решения.

Здесь и проявляется предметная экспертиза. Нужно знать рынок поставщиков, структуру цены, ограничения категории, требования бизнеса и возможные альтернативы. Чем больше типовых действий уходит в автоматизацию, тем заметнее становится ценность такого знания.

Профессиональная глубина никуда не исчезает. Просто она всё реже нужна для того, чтобы помнить порядок стандартных шагов, и всё чаще для ситуаций, где инструкция заканчивается.

С данными похожая история. ИИ может за минуты собрать аналитику, на которую раньше уходил рабочий день. Но скорость не исправляет исходную базу.

Допустим, один поставщик записан в справочнике под тремя названиями, одинаковые позиции разнесены по разным категориям, часть истории закупок хранится в другой системе. Отчёт всё равно получится убедительным. Только выводы в нём будут построены на плохом основании.

На вебинаре мы много говорили о кубе затрат и о том, что закупщику важно видеть расходы по категориям и поставщикам. С ИИ эта задача не исчезает. Наоборот, специалисту нужно ещё лучше понимать, откуда пришли данные, чего в них не хватает и где автоматический вывод стоит перепроверить.

Аналитическая грамотность теперь шире умения собрать отчёт. Нужно оценивать качество исходных данных и замечать момент, когда красивой цифре доверять рано.

Многое в закупках работает потому, что опытный человек просто знает, как поступить. Он чувствует, когда стоит позвать ещё одного поставщика, какое отклонение можно принять, где нужно вернуться к заказчику и когда договор лучше повторно показать юристу.

Пока всё делает человек, эти правила могут оставаться негласными. Как только часть процесса передаётся ИИ, их приходится описывать.

Что считается сопоставимым предложением. Какой поставщик проходит базовые требования. Какие отклонения допустимы. При каком условии нужно запросить дополнительные данные. Где ИИ может продолжить сам, а где должен остановиться и передать решение человеку.

Мне поэтому близка формулировка «архитектор процесса». Такой специалист не обязан писать код. Его задача в другом. Он знает закупки достаточно глубоко, чтобы перевести профессиональный опыт в понятные условия, шаги и критерии.

Здесь же становится полезным продуктовое мышление. Любая автоматизация начинается с вопроса о задаче и ожидаемом эффекте. Если мы не можем объяснить, что именно должна улучшить новая функция и как это проверить, технология вряд ли спасёт процесс.

Есть сценарий, который легко представить после первого пилота. ИИ сравнил 30 предложений. Закупщик открыл исходные файлы и вручную проверил все 30, потому что «так спокойнее». В результате к старой работе добавилась ещё и проверка работы инструмента.

На этапе тестирования это нормально. Как постоянная модель она бессмысленна.

Новый навык контроля состоит в том, чтобы заранее определить точки проверки. Где ошибка наиболее вероятна, какие отклонения критичны, что можно смотреть выборочно, а где нужен полный контроль. Специалист не повторяет весь маршрут ИИ, а проверяет самые рискованные места.

По мере роста автоматизации качество такого контроля будет важнее количества ручных действий. В противном случае команда просто получит дорогой способ делать ту же работу дважды.

Разные закупки требуют разного уровня самостоятельности ИИ. В повторяющейся категории с понятными характеристиками и широким рынком инструменту можно дать довольно много свободы. Он быстрее соберёт данные, предложит варианты и выполнит стандартные действия.

Если появляются нестандартные условия, роль человека растёт. ИИ может подготовить сравнение, но решение уже требует контекста.

А дальше есть стратегический поставщик, дефицитная позиция, долгосрочный контракт или риск остановки производства. Здесь ошибка стоит слишком дорого, чтобы относиться к выбору как к очередному автоматическому шагу.

Закупщику поэтому понадобится умение различать уровни ответственности. Где ИИ уже можно доверить действие, где он остаётся помощником, а где решение должно оставаться у человека. Такой выбор нельзя один раз зафиксировать для всех категорий. Его придётся пересматривать по мере изменения данных, рынка и самого инструмента.

За один рабочий день специалист по закупкам может поговорить с внутренним заказчиком о потребности, с финансами об эффекте, с IT о данных, с СБ о рисках, с руководителем о ресурсах, а с поставщиком об условиях.

Автоматизация только усиливает эту роль. IT-команда не обязана знать тонкости категории. Внутреннему заказчику может быть всё равно, как устроен агент. Руководителю нужны понятные риски и эффект, а не описание технологии.

Закупщик соединяет эти языки. Он формулирует для IT правила процесса, объясняет заказчику, почему привычный сценарий меняется, защищает перед руководителем пилот и переводит результат инструмента в понятное бизнес-решение.

На карьерном вебинаре мы отдельно говорили о коммуникации именно в контексте изменений. Идею недостаточно придумать. Нужно объяснить, зачем она нужна, что изменится и по каким признакам команда поймёт, что эксперимент удался.

Переговорный навык здесь выходит далеко за пределы торга с поставщиком.

Обучение ИИ легко превратить в отдельное хобби. Смотреть демо, читать обзоры, собирать списки инструментов и всё равно не менять собственную работу.

Практичнее выбрать одну повторяющуюся задачу. Например, первичную проверку технического задания, подготовку типового документа или анализ стандартной выгрузки. Сначала описать, как вы делаете это сейчас. Затем передать инструменту небольшой участок и заранее определить, какой результат будет считаться приемлемым.

После этого быстро становятся видны настоящие вопросы. Где не хватает данных, на каких формулировках ИИ ошибается, что приходится проверять вручную, какие правила раньше существовали только в голове.

Стоит разделять изучение нового навыка и его применение. Для карьеры эта граница важна. Сам по себе пройденный курс мало меняет роль специалиста. Опыт появляется, когда новый инструмент вошёл в реальную работу и вы понимаете его ограничения.

Я бы не составляла список из двадцати компетенций на три года. Для начала достаточно взять одну обычную рабочую неделю и разложить задачи на три группы.

Самый полезный материал для развития находится во второй и третьей группах. Именно там видно, чего вам не хватает сегодня. Глубины в категории, аналитики, продуктового мышления, умения описывать процесс, коммуникации или способности выстроить контроль.

На карьерном вебинаре мне понравился один простой вопрос: «За какой мой навык мне платит компания и до сих пор ли он востребован?»

Сейчас к нему стоит добавить ещё один. Если часть моей работы завтра сделает ИИ, какую более сложную работу я готов забрать себе?