Gartner: к 2030 году 70% крупных компаний будут применять AI-прогнозирование спроса

Прогнозирование спроса всегда было дисциплиной, в которой планирование цепочки поставок либо оправдывает своё существование, либо незаметно съедает маржу. Угадай правильно — и запасы текут без перебоев; ошибись — и ты одновременно держишь слишком много ненужного товара и не можешь обеспечить нужный. Сентябрьский 2025 года прогноз Gartner — о том, что к 2030 году 70% крупных организаций перейдут на AI-прогнозирование в цепочке поставок, — задаёт на следующие четыре года период решительных перемен, а не постепенной эволюции.

Что на самом деле говорит этот прогноз

Заголовочная цифра — 70% крупных организаций — охватывает предприятия, располагающие инфраструктурой данных и операционным масштабом, необходимыми для максимальной выгоды от ML-прогнозирования. Ян Сноекс, директор-аналитик практики цепочек поставок Gartner, описал ценностное предложение следующим образом: AI-прогнозирование обеспечивает «улучшение стратегического принятия решений, более быстрое реагирование на изменения рынка и совершенствование процессов совместной работы».

Механизм — переход от традиционных статистических движков (методы временны́х рядов: ARIMA, экспоненциальное сглаживание, простое сезонное разложение) к моделям машинного обучения, способным обнаруживать нелинейные закономерности, включать внешние сигналы и непрерывно переобучаться по мере изменения условий. Целевая точка — то, что Gartner называет «бесконтактным прогнозированием»: автоматизированные прогнозы, требующие минимального участия человека при создании, минимального ручного вмешательства при корректировке и стабильной точности даже при запуске новых продуктов или промоакциях с ограниченной исторической базой.

Параллельный прогноз Gartner, выпущенный в апреле 2026 года, оценил, что программное обеспечение для управления цепочками поставок с элементами агентного AI достигнет объёма расходов $53 млрд к 2030 году. Оба прогноза вместе означают не просто приход AI в рабочие процессы планирования, но и перестройку экономики всего слоя программного обеспечения для цепочек поставок.

Почему статистические модели достигают своего потолка

Статистические методы прогнозирования создавались для стабильной среды спроса с устойчивой сезонностью и минимальными внешними шоками. Это описание перестало соответствовать глобальным цепочкам поставок как минимум с 2020 года. Всплески спроса в период пандемии, перенаправление судов из-за Красного моря, трудовые конфликты в портах и непрекращающаяся геополитическая нестабильность сформировали сигналы спроса, которые статистическим моделям трудно отделить от шума.

Подходы машинного обучения справляются с этим иначе. Вместо подгонки параметрической кривой к историческим данным они способны принимать неструктурированные сигналы — тональность новостей, погодные паттерны, намерение совершить покупку в социальных сетях, ценообразование конкурентов — и динамически взвешивать их. Когда тайфун прогнозируется на производственный регион, модель может скорректировать ожидания спроса на товары-заменители на нижестоящих рынках — без того, чтобы аналитик вручную перепараметрировал статистический движок.

Существенно и улучшение гранулярности. Модели машинного обучения способны генерировать более частые прогнозы с более высоким разрешением по продуктам и географии, чем традиционные методы, позволяя плановым командам обнаруживать ранние сдвиги спроса на уровне SKU и почтового индекса, а не ждать, пока ежемесячные агрегированные данные покажут движение.

Барьеры для внедрения, которые выделяет Gartner

Gartner прямо указывает, что, несмотря на оптимистичный заголовок, сегодняшнее внедрение остаётся ограниченным. Доминируют три структурных барьера:

• Неполнота данных: ML-модели требуют чистых, полных, единообразно форматированных исторических данных по SKU, каналам и географии. У многих предприятий данные ERP за многие годы изобилуют пропусками, реклассификациями и последствиями миграций систем.
• Отсутствие стратегии: развёртывание инструмента ML-прогнозирования без соответствующего плана управления данными и управления изменениями, как правило, приводит к созданию сложной модели, которой никто не доверяет.
• Сопротивление автоматизации: опытные плановики спроса, построившие карьеру на ручной корректировке прогнозов, вполне обоснованно скептически относятся к системам, претендующим на выполнение их работы без участия человека. Задача — выстроить сотрудничество человека и AI, дополняющее, а не обходящее суждение плановика.

Рекомендуемый путь Gartner включает три последовательных шага: оценить текущие процессы совместной работы и определить места, где ручные вмешательства добавляют шум, а не сигнал; разработать стратегию данных, включающую как внутренние транзакционные данные, так и внешние рыночные сигналы; составить технологическую дорожную карту, поэтапно вводящую AI-прогнозирование параллельно — а не как полную замену — существующей плановой инфраструктуры.

Что означают 70% внедрений к 2030 году для команд по видимости грузов

Последствия для команд по отслеживанию грузов носят вторичный, но значимый характер. Лучшие прогнозы спроса означают более предсказуемые объёмы заказов, что в свою очередь ведёт к более предсказуемым планам входящих поставок. Когда закупки и планирование работают на основе AI-сигналов спроса, объёмы и сроки морских букингов становятся менее хаотичными — сокращается срочное экспедирование в последний момент, переносы на следующий рейс в пиковые периоды и накладные расходы на обработку исключений, занимающие оперативные команды.

Обратная сторона — необходимость обеспечить системы AI-прогнозирования спроса точными данными о ключевых событиях грузов. Если AI-модель прогнозирования обучается на исторических данных о продажах, включающих задержки исполнения, её прогнозы будут систематически занижать реальный спрос клиентов — путая задержку доставки со снижением спроса. Чистые, нормализованные по перевозчикам данные о ключевых событиях, поступающие из инструментов видимости обратно в системы планирования, позволяют прогнозному слою различить сигнал спроса и сбой поставок.

Конвергенция прогнозирования и видимости

Горизонт 2030 года, описываемый Gartner, — это не просто история о прогнозировании. Это история об интеграции: AI-сенсинг спроса связывается вверх по цепочке с поставками и исполнением логистики, и эта связь зависит от качества данных реального времени об операциях, которые производят эти системы. Организации, инвестирующие в оба слоя — точные сигналы спроса и точные сигналы о состоянии грузов, — строят плановую инфраструктуру, которая действительно адаптивна, а не просто технически сложна в изоляции.

Для грузоотправителей и 3PL-операторов, работающих с несколькими перевозчиками и торговыми направлениями, практической точкой входа является платформа видимости, производящая единообразные, с временны́ми метками данные о ключевых событиях в сети перевозчиков. Эти данные, поступающие в слой прогнозирования спроса, замыкают петлю между тем, что заказывают клиенты, и тем, что реально движется — превращая прогнозируемые Gartner 70% внедрений из предсказания в базовое ожидание.

Источник: Gartner