Пять операций, которые AI выполняет с прайсом
Когда менеджер открывает прайс-лист от поставщика, он видит осмысленные строки. AI видит неструктурированный ввод: заголовки на русском в трёх вариантах, размеры в одной ячейке с артикулом, единицы «шт/уп/кор» без разделителя. Пять последовательных операций превращают этот поток в запись справочника номенклатуры.
| Операция | Входные данные | Выходные данные | Целевая точность | Риск при ошибке |
|---|---|---|---|---|
| Извлечение структуры | Excel/CSV/PDF, вложенные колонки, объединённые ячейки, кириллические заголовки | Нормализованная таблица: столбцы «артикул», «наименование», «цена», «единица», «остаток» | 95% автоматического определения колонок | Пропуск цены или артикула — прайс становится бесполезным |
| Нормализация наименований | Строки вида «Болт М8х40 оцинк», «Болт 8*40 цинк», «BOLT M8X40 ZN» | Единый шаблон: «Болт М8×40, оцинкованный» с учётом справочника синонимов | 90–92% F1-score | Невозможность автоматически сопоставить с внутренней номенклатурой на следующем шаге |
| Дедупликация | Несколько строк от одного поставщика с разным написанием одной позиции; позиции, дублирующиеся в разных прайсах | Одна запись на уникальный товар, сводная цена или пометка о расхождении | >90% выявленных дублей (против 60–70% при ручной вычитке) | Лишние позиции в справочнике, искажение аналитики по закупкам |
| Обогащение атрибутами | Строка «Перчатки нитриловые, р.9, синие» без указания стандарта, плотности, страны | Запись с полями: ГОСТ/ISO, размерный ряд, цвет, плотность (извлечённые из описания или сопоставленные с базой) | 85–90% атрибутов извлекаются автоматически | Неполнота карточки товара на витрине или в складской системе |
| Сопоставление с внутренней номенклатурой | Очищенная и обогащённая позиция прайса | Ссылка на существующий элемент справочника 1С/ERP или флаг новой позиции | >85% автоматического сопоставления; остальное — в ручную очередь | Пересортица, нулевая цена в заказе, срыв закупки при неверной привязке |
Извлечение структуры: от хаоса к таблице
Первый барьер — не содержание, а форма. Поставщик присылает файл, в котором:
- колонки «Цена» и «Оптовая цена» объединены,
- артикул вставлен в одну ячейку с наименованием,
- единицы измерения — внутри строки: «уп. 12 шт».
Правила в Excel ломаются на третьем файле. OCR‑решение с шаблонами требует переписывать скрипты под каждого поставщика. AI‑модель (LLM) в zero‑shot‑режиме читает первые строки прайса как контекст и возвращает JSON‑схему с выделенными полями. Точность определения колонок на кириллических заголовках в протестированных конфигурациях достигает 95% — выше, чем у жёстких правил на незнакомой структуре.
Что остаётся человеку: проверить, не оказались ли код валюты или условия поставки внутри столбца с ценой. Это одна‑две минуты на прайс.
Нормализация наименований: язык, которым говорит ваш справочник
Один и тот же товар поставщики называют по‑разному. «Лента конвейерная 100х3», «Лента ПВХ 100 мм 3 мм», «Лента транспортерная 100/3» — всё это одна позиция. Ручная обработка такого массива превращает менеджера в переводчика, который помнит названия на память.
LLM‑модели справляются с приведением к шаблону на уровне 90–92% F1 (данные Netguru для атрибутивной экстракции из PDF поставщиков). Но как только в прайсе появляются аббревиатуры, принятые внутри одного завода, точность падает до 70–75%. Здесь fine‑tuning на нескольких сотнях примеров поднимает её обратно выше 90%, но требует подготовленной выборки. Без ML‑отдела реально получить готовую модель через API‑провайдера и заплатить инженеру за цикл разметки — результат быстрее, чем нанимать дата‑сайентиста.
Дедупликация: 8–15% скрытых повторов
При ручной обработке менеджер физически не сравнивает каждую строку с остальными. Когда прайс приходит от трёх поставщиков, дубли одного товара возникают гарантированно. AI‑сопоставление по артикулу, нормализованному наименованию и единицам находит повторы, которые пропускает человек: например, одна и та же позиция в прайсе указана как «в наличии» отдельно под разными складами или с разной кратностью упаковки.
В кейсе FirstBit с 20 000 позиций дедупликация выявила до 15% повторов. В мелкооптовой торговле при 400–500 позициях от трёх поставщиков AI‑модель находит 30–40 дублей за десяток секунд. Человек тратит на это около часа — и всё равно оставляет часть дублей в справочнике.
Обогащение атрибутами: данные, которых нет в прайсе
Поставщик редко указывает ГОСТ, страну производства, совместимость с оборудованием или точный вес. Но эти атрибуты часто можно вывести из наименования и дополнительных источников. AI‑контур обогащает позицию: извлекает диаметр и длину из строки «подшипник 6202», подтягивает стандарт из открытой базы или внутреннего справочника изделий.
На производстве спецодежды, описанном в кейсе Rybakov Studio AI, модель Gemini извлекала состав ткани, плотность и сезонность из текстовых описаний поставщиков. Менеджер получал уже заполненную карточку — ему оставалось подтвердить или скорректировать. Экономия: 4–6 минут на позицию против 30–40 минут полностью ручного ввода.
Сопоставление с номенклатурой: точка, где человек обязан остаться
На этом шаге AI предлагает связь: «Эта строка прайса соответствует вот этому элементу справочника 1С». Система учитывает артикул, нормализованное наименование, единицы и атрибуты. Но именно здесь цена ошибки максимальна. Если AI неверно сопоставит позицию, в заказ может уйти другая деталь — и проблема всплывёт только при сборке или отгрузке, как описано в кейсе 12‑дневного запуска AI‑агента на b2b‑портале (Habr). Там нулевые цены и пересортица оставались незамеченными, пока менеджер не перепроверил привязку к справочнику.
Формула работы:
- >85% позиций сопоставляются автоматически и уходят на загрузку.
- 10–15% попадают в очередь на ручное подтверждение: менеджер видит исходную строку, предположение AI и может изменить привязку за один клик.
- Ещё 2–3% AI помечает как нераспознанные — их обрабатывают вручную с нуля.
Без этого барьера стоимость одной тихой ошибки — дельта цены между ошибочно закупленной позицией и нужной, умноженная на объём. При месячном обороте в несколько сотен позиций инцидент срывает отчётный период.
Когда AI не нужен: порог, на котором Power Query побеждает
AI — не универсальный ответ. Если вы получаете до 20 прайсов в месяц, и все они от одного‑двух крупных поставщиков с неизменной структурой, Power Query решает задачи извлечения и дедупликации. Время настройки одного шаблона — около часа, дальше он работает без ошибок, пока поставщик не сменит формат.
AI‑контур становится выгодным там, где:
- поставщиков больше пяти, и каждый присылает файл в своём формате;
- наименования товаров пишутся по‑разному и нет единого артикула;
- счёт позиций идёт на тысячи, а менеджер тратит на один прайс больше часа;
- ошибки в справочнике стоят дорого — производство не может ждать, пока закупщик перепроверит каждую строку.
Перевод в рабочие часы: метрика для руководителя
Ручная обработка входящего прайса: менеджер закупа за час обрабатывает 50–80 позиций. С AI‑контуром тот же менеджер подтверждает результаты обработки для 2 000 позиций в час, потому что основные операции выполнены моделью. Время от получения прайса до загрузки актуальных цен в систему (lead‑time данных) сокращается с 3–4 часов до 15–20 минут на прайс.
Метрики, которые стоит отслеживать не «точность модели», а бизнес‑показатели:
- количество позиций, обработанных в месяц на одного менеджера (было vs стало),
- доля позиций, прошедших без ручной коррекции, и список причин, почему коррекция потребовалась,
- количество инцидентов, связанных с неверной привязкой к номенклатуре (должно быть ноль на контрольном шаге),
- время от получения прайса до появления цены в системе,
- количество дублей, обнаруженных при ежемесячной инвентаризации данных (должно падать).
AI не принимает решение о закупке, не выбирает поставщика и не берёт на себя ответственность за цену. Он превращает хаотичный файл в структурированные данные — быстрее и точнее, чем человек на монотонной работе. Точка human‑in‑the‑loop на шаге сопоставления с внутренней номенклатурой остаётся обязательной: именно здесь бизнес защищает себя от тихих ошибок, имеющих конкретную стоимость в рублях.
Ключевые факты
- Один менеджер вручную обрабатывает 50–80 позиций прайса в час; AI-контур доводит поток до 2 000 позиций за то же время при ручном подтверждении только финального шага.
- Дедупликация вскрывает 8–15% скрытых повторов, которые при ручной обработке остаются в справочнике и искажают отчёты.
- Без human-in-the-loop на этапе сопоставления с внутренней номенклатурой цена ошибки — пересортица или неверная закупочная стоимость, всплывающая при закрытии периода.
Частые вопросы
- При каком количестве прайс-листов в месяц AI оправдан, а когда проще обойтись Power Query?
- Если вы получаете до 20 однотипных прайсов в месяц и формат не меняется, Power Query справляется. Когда у поставщиков разные структуры, нестандартные заголовки и смешанные единицы, AI начинает экономить часы с первого десятка разнородных файлов.
- Какая точность нормализации наименований реальна без ML-отдела?
- На структурированных данных с читаемыми наименованиями LLM zero-shot даёт 90–92% F1. При неформатных заголовках и кириллических сокращениях без fine-tuning точность падает до 70–75% — здесь нужен ручной контроль на этапе сопоставления.
- Что делать, если AI не смог сопоставить позицию с внутренней номенклатурой?
- Позиция попадает в очередь на ручную обработку. Менеджер видит исходную строку прайса и предполагаемое соответствие от AI, принимает или корректирует. Этот шаг нельзя исключать: цена пропущенной ошибки выше стоимости его времени.
Источники
- Rybakov Studio AI: парсер на Gemini для спецодежды — практический кейс без ML-отдела (Хабр, 2026)
- FirstBit: нормализация 20 000 позиций номенклатуры с помощью ИИ в 1С (маркетинговый кейс, 2026)
- Sofros AI/ML: расширение для 1С:MDM — ИИ-нормализация НСИ (Хабр, 2026)
- Habr: 12 дней AI-агента на b2b-портале — тихие ошибки интеграции прайсов (2026)
- Netguru: Product Attribute Extraction с точностью 92.5% F1-Score (LLM Use Cases in E-commerce, 2026)
О brezatech
brezatech делает сайты, превращающие внимание в интерес и действие, и внедряет AI в бизнес-процессы. ИИ-агент продаж 24/7 →