От спора «человек или алгоритм» — к разделению ролей
Продолжаем разбирать передний край в прогнозировании спроса и управлении запасами. Долгое время вопрос звучал просто: кто прогнозирует лучше — опытный закупщик или алгоритм? Сейчас его всё чаще ставят иначе: в каких ситуациях человек действительно улучшает решение, а когда его вмешательство только добавляет ошибку? То есть ручная корректировка перестаёт считаться полезной по умолчанию — её начинают измерять.
Для этого используют подход Forecast Value Added: сравнивают прогноз системы до вмешательства человека, прогноз после корректировки и фактический результат.
В 2025 году в International Journal of Forecasting вышло исследование Forecast Value Added in Demand Planning. Авторы объединили 147 131 прогноз из 10 организаций и 22 бизнес-подразделений.
Результат получился довольно отрезвляющим: ручные корректировки улучшили точность прогноза лишь для 51,5% SKU. Причём корректировки в сторону увеличения прогноза улучшали точность только в 45,9% случаев, тогда как корректировки в сторону уменьшения — в 62,7%. То есть сам факт ручного вмешательства вовсе не гарантирует улучшения: примерно в половине случаев оно не помогало или делало прогноз хуже.
Вывод отсюда не «убрать человека», а вмешиваться выборочно и понимать, где человеческая экспертиза действительно добавляет ценность. И исследования уже переходят именно к этому вопросу: MIT сейчас изучает три режима работы на реальных данных примерно по 1 900 SKU — полную автоматизацию, автоматизацию с возможностью вмешательства и совместную работу человека с системой. Задача — понять, в каких ситуациях какой режим даёт лучший результат.
Появление ИИ-агентов добавляет ещё один уровень. Теперь нужно решать не только когда человек должен вмешиваться, но и какие решения система вообще имеет право принимать самостоятельно. Gartner в 2026 году отдельно подчёркивает необходимость заранее задавать ограничения, точки передачи решения человеку и механизмы аудита. При этом Gartner предупреждает, что разговоров о полной автономии сегодня больше, чем реально зрелых решений.
Получается такой сдвиг:
🔹 Было: человек против алгоритма — кто прогнозирует лучше?
🔹 Продвинутая практика: измеряем эффект ручных корректировок и вмешиваемся только там, где это действительно помогает.
🔹 Передний край: система сама определяет, какие решения можно автоматизировать, где нужен человек и какой уровень автономии допустим для каждого типа решения.
В Forecast NOW! основа для такой работы уже есть: рекомендации системы и ручные корректировки можно сопоставлять, действия пользователей сохраняются, а результат вмешательства можно анализировать отдельно.
Главный вопрос теперь не «кто лучше — человек или алгоритм?», а «как правильно разделить между ними работу и ответственность».
Продолжаем разбирать передний край в прогнозировании спроса и управлении запасами. Долгое время вопрос звучал просто: кто прогнозирует лучше — опытный закупщик или алгоритм? Сейчас его всё чаще ставят иначе: в каких ситуациях человек действительно улучшает решение, а когда его вмешательство только добавляет ошибку? То есть ручная корректировка перестаёт считаться полезной по умолчанию — её начинают измерять.
Для этого используют подход Forecast Value Added: сравнивают прогноз системы до вмешательства человека, прогноз после корректировки и фактический результат.
В 2025 году в International Journal of Forecasting вышло исследование Forecast Value Added in Demand Planning. Авторы объединили 147 131 прогноз из 10 организаций и 22 бизнес-подразделений.
Результат получился довольно отрезвляющим: ручные корректировки улучшили точность прогноза лишь для 51,5% SKU. Причём корректировки в сторону увеличения прогноза улучшали точность только в 45,9% случаев, тогда как корректировки в сторону уменьшения — в 62,7%. То есть сам факт ручного вмешательства вовсе не гарантирует улучшения: примерно в половине случаев оно не помогало или делало прогноз хуже.
Вывод отсюда не «убрать человека», а вмешиваться выборочно и понимать, где человеческая экспертиза действительно добавляет ценность. И исследования уже переходят именно к этому вопросу: MIT сейчас изучает три режима работы на реальных данных примерно по 1 900 SKU — полную автоматизацию, автоматизацию с возможностью вмешательства и совместную работу человека с системой. Задача — понять, в каких ситуациях какой режим даёт лучший результат.
Появление ИИ-агентов добавляет ещё один уровень. Теперь нужно решать не только когда человек должен вмешиваться, но и какие решения система вообще имеет право принимать самостоятельно. Gartner в 2026 году отдельно подчёркивает необходимость заранее задавать ограничения, точки передачи решения человеку и механизмы аудита. При этом Gartner предупреждает, что разговоров о полной автономии сегодня больше, чем реально зрелых решений.
Получается такой сдвиг:
🔹 Было: человек против алгоритма — кто прогнозирует лучше?
🔹 Продвинутая практика: измеряем эффект ручных корректировок и вмешиваемся только там, где это действительно помогает.
🔹 Передний край: система сама определяет, какие решения можно автоматизировать, где нужен человек и какой уровень автономии допустим для каждого типа решения.
В Forecast NOW! основа для такой работы уже есть: рекомендации системы и ручные корректировки можно сопоставлять, действия пользователей сохраняются, а результат вмешательства можно анализировать отдельно.
Главный вопрос теперь не «кто лучше — человек или алгоритм?», а «как правильно разделить между ними работу и ответственность».
