Безопасность как драйвер, ИИ как ядро: куда идет российский рынок IBP

Российский рынок решений для интегрированного бизнес-планирования (IBP), систем планирования цепочек поставок (SCP) и финансового планирования (FP&A) определяют пять трендов: гибридные модели, ИИ в ядре продукта, безопасность как драйвер выбора, размывание границ между классами решений и зрелость данных как главный барьер.

Гибридный подход вытесняет крайности

Главный структурный сдвиг в сфере IBP связан с поиском баланса между гибкостью, с одной стороны, и стоимостью, и простотой внедрения – с другой. Рынок уходит от покупки готовых специализированных решений к выбору платформ, позволяющих строить собственные модели планирования. При этом сами платформы разделились на два лагеря: low-code/no-code конструкторы и вендор-центричные платформы с готовыми модулями.

Как отмечают эксперты, однозначного перевеса в сторону гибкой цифровой платформы или готового модульного решения нет – выбор зависит от зрелости компании, скорости изменений в бизнес-модели и влияния внешних факторов на ее бизнес. В последнее время заказчики все чаще выбирают гибридный подход – готовые модули и шаблоны на гибкой цифровой платформе. Чистая самописная гибкость уходит в прошлое из-за стоимости владения, а жесткие монолитные решения из коробки не выдерживают скорости изменений».

Критерии выбора сместились от функциональности к экономике адаптации. Заказчики смотрят на скорость внедрения в сопоставлении со скоростью изменений, на совокупную стоимость владения с учетом ресурсов собственной команды, на отраслевую специфику и интеграционный ландшафт, а также на риск вендор-лока и открытость форматов данных. Практика показывает: в холдингах с несколькими бизнес-направлениями до 30% процессов оказываются уникальными, и именно они определяют, выдержит ли система изменения через год после внедрения.

ИИ уходит в производственный контур

Второе направление изменений – превращение ИИ и ML из маркетингового лозунга в ядро продуктовой дифференциации. Исследование показало, что лидеры рынка уже применяют машинное обучение для прогнозирования, оптимизации и сценарного анализа, но подход становится все прагматичнее: ставка делается не на сложность модели, а на ее измеримый вклад в результат.

Практика показала, что универсально лучшего алгоритма нет: на одном ряду выигрывает машинное обучение, на другом – сезонная статистическая модель, на третьем хорошо работает относительно простой статистический метод. Поэтому разработчики идут по пути, где модели конкурируют: если алгоритм показывает меньшую ошибку на контрольном периоде, используется он; если ML проигрывает классике – используется на классический подход. Корректный выбор уровня прогнозирования и автоматический подбор метода под конкретный ряд дают прирост точности порядка 3–7 процентных пунктов.

При этом аналитики обращают внимание, что ИИ в планировании не становится «черным ящиком» вместо специалиста. Прогнозирование спроса и использование сценариев на базе ML – надстройка, которая уточняет базовый прогноз и автоматически пересчитывает цепочку: спрос – производство – закупки – запасы – cash flow. Следующий шаг – ИИ-агенты, которые не просто отвечают, а выполняют роли в процессе: агент-прогнозист уточняет спрос по SKU, агент-снабженец пересчитывает заказы, агент-финансист проверяет влияние на cash flow и маржу. Человек остается в роли арбитра и владельца допущений.

Исследование фиксирует, что ИИ все реже существует как отдельная функция и все чаще встраивается непосредственно в контур планирования.

Безопасность, аудит и конвергенция контуров

Системы планирования работают с планами, бюджетами, прогнозами и финансовыми моделями – это делает требования к безопасности, аудиту и прослеживаемости критическими, особенно в регулируемых отраслях. Одновременно классическое разделение на SCP, FP&A и IBP размывается: SCP-системы добавляют финансовый контур, финансовые платформы начинают моделировать операции, а универсальные решения объединяют оба мира. Заказчику все важнее способность системы обеспечить единую сквозную модель доступа и прослеживаемости поверх всех контуров.

Зрелость данных как главный барьер внедрения

Восприятие проектов планирования меняется: основные проблемы лежат в организационной зрелости, качестве данных и готовности бизнеса менять модель принятия решений. Отсутствие единых справочников, дублирование, расхождение классификаторов, разрозненные KPI коммерческого блока, финансов, производства и закупок – это то, с чем заказчик сталкивается раньше, чем с функциональными ограничениями платформы.

Цифровизация редко решает фундаментальные организационные проблемы – в большинстве случаев она лишь делает существующие противоречия более заметными и масштабируемыми. Ошибка в одном контуре быстро распространяется на всю цепочку взаимосвязанных расчетов. Связка 1С и Excel остается привычной, а прозрачность, которую создает интегрированное планирование, вызывает сопротивление. Поэтому главный вопрос проекта все еще в том, кто в компании отвечает за модель принятия решений и готов ли бизнес менять ее вместе с системой.

Что это означает для заказчика

Помимо пяти основных трендов, на горизонте трех–пяти лет проявятся еще несколько сдвигов: управляемые сервисы на базе облаков, контейнеров и Kubernetes становятся инструментом быстрого запуска; средний бизнес все чаще выбирает пилоты и подписочные модели с первым эффектом за недели, а не месяцы. Регуляторные требования – реестр отечественного ПО, ФСТЭК, КИИ и пр. – сформировали понятные правила игры и в дальнейшем продолжат стимулировать платежеспособный спрос.