Торговая компания работала двенадцать лет, пережила пандемию, накопила клиентскую базу — и закрылась. Не из-за конкуренции и не из-за плохого продукта. Данные для обоснованных решений лежали в 1С, но никто не читал их в нужном формате в нужное время. Это не исключение — это типичная история среднего бизнеса, который ведёт учёт в 1С, но управляет «на глазок».
Команда ИИ Innovation Lab описала четыре сценария такой «управленческой слепоты». В первом — торговая компания три года наблюдала, как доля одного клиента в выручке росла с 30% до 58%, и не реагировала: тренд был виден в 1С, но никто его не открывал. Во втором — производственная компания радовалась красивому дашборду в BI, пока три ключевых клиента держали дебиторку вдвое дольше договорного срока и банк готовился отказать в кредите на сырьё. В третьем — сервисная компания утроила клиентскую базу за полтора года, не определила топ по прибыльности, потеряла часть команды от перегрузки и за год вдвое уронила рентабельность при той же выручке. В четвёртом — строительная компания узнала о кассовом разрыве в 18 миллионов рублей за три дня до критической даты, хотя движение денег по контрактам хранилось в нескольких таблицах 1С.
| Агент | Область данных |
|---|---|
| SEO-агент | Распределение запросов и обобщение ответов |
| Директор по продажам | Данные о продажах и контрагентах |
| Директор по закупкам | Данные об остатках и закупках |
| Главный бухгалтер | Финансовые показатели |
| Директор по логистике | Складские остатки и движение товаров |
Чтобы решить проблему системно, в ИИ Innovation Lab построили двухуровневую архитектуру поверх стандартной конфигурации 1С:Комплексная автоматизация с базой на MS SQL. Первый уровень — Data Platform: Python-скрипт раз в сутки забирает данные из MS SQL и загружает их в PostgreSQL. Инструмент dbt строит бизнес-витрины — финансовый свод, складские остатки, ABC-классификация, топ контрагентов — и хранит логику трансформаций как версионированный SQL-код. Metabase подключается к витринам и отображает ключевые показатели в дашборде, который обновляется автоматически.
Второй уровень — ИИ Decision Platform: API-доступ к LLM Claude и команда из пяти локальных специализированных ИИ-агентов. Каждый агент работает со своей областью данных: директор по продажам видит контрагентов и продажи, директор по закупкам — остатки и закупки, главный бухгалтер — финансовые показатели, директор по логистике — складское движение. SEO-агент распределяет входящие запросы и обобщает ответы. Когда вопрос затрагивает несколько областей, агенты отвечают независимо, а затем согласовывают общую рекомендацию: закупщик рассчитывает объём заказа, продажи корректируют его с учётом тренда спроса.
Пример из описания системы: директор спрашивает, достаточно ли на складе топ-10 самых продаваемых позиций. Агент склада сообщает о критическом дефиците по двум позициям — кабель NYM 5×35 с остатком на полдня продаж и краска Dulux с нулевым остатком. Агент закупок рекомендует срочный заказ с трёхмесячным запасом. Агент продаж подтверждает объёмы и добавляет, что по NYM 5×35 зафиксирован тренд роста +12% за два месяца, и предлагает взять чуть больше расчётного минимума. Весь цикл — без совещаний и без ручных выгрузок из 1С.
Архитектура намеренно обходится без инструментов, которые ассоциируются с «большой аналитикой»: нет Apache Kafka для стриминга, нет Spark, нет Airflow, нет команды из пяти инженеров. Авторы проекта указывают, что для типичной оптово-розничной компании с 500 клиентами, 2000 позиций номенклатуры и тремя годами истории данных из 1С достаточно для качественных управленческих решений — распределённые вычисления здесь избыточны. Стек PostgreSQL + dbt + Metabase + Claude API покрывает большинство задач малого и среднего бизнеса без миллионного бюджета на инфраструктуру.
