AI

Впровадження AI краще починати не з “великої магії”, а з конкретної бізнес-задачі.

Приклад архітектури AI для ERP

У документообігу AI здатна працювати з договорами, актами, рахунками та листами. |}

Приклад генеративного AI в ERP

! Причина Що з продажами? Великий бізнес-середовище здатна будувати AI-платформу:

AI здатна автоматизовано:

Галюцинація AI — це ситуація, коли модель впевнено генерує неправильну або вигадану відповідь.

LLM здатна:

збільшились закупівельні ціни;
частина товарів продавалась зі знижками;
кілька менеджерів продавали нижче мінімальної маржі;
зросла частка повернень;
не оновили прайс після зміни курсу.== Майбутнє AI в ERP ==

Пов’язана сторінка: ERP для документообігу

Чи здатна AI замінити бухгалтера, менеджера або аналітичні інструменти?

AI здатна відповісти: |- | Оплата Google Ads | Маркетинг |- | Оренда складу | Оренда |- | Ремонт навантажувача | Ремонт обладнання |- | Доставка клієнту | Логістика |}

Потрібно перевірити:


== Приклад OCR для рахунку ==

* незвично великий платіж;
* різке падіння маржі;
* списання великої кількості товару;
* нестандартна знижка;
* різке зростання повернень;
* замовлення з незвичного регіону;
* зміна банківських реквізитів перед оплатою;
* багато помилок входу в систему. AI залежить від якості даних.== Що таке AI ==

== Приклад поганих даних для AI ==

* починати без бізнес-задачі;
* очікувати “магії”;
* використовувати брудні інформаційні дані;
* не перевірити права доступу;
* не врахувати персональні інформаційні дані;
* не тестувати відповіді;
* не мати власника процесу;
* не логувати дії;
* не перевіряти цифри;
* не навчити користувачів;
* цифровізувати критичні дії без погодження;
* не інтегрувати AI з ERP або BI. Раптом розроблена заявка на 900 000 грн. * прогноз cash flow;
* класифікація платежів;
* пошук дублів оплат;
* виявлення підозрілих платежів;
* прогноз дебіторки;
* аналіз прострочених боргів;
* рекомендація платіжного календаря;
* контроль бюджетних лімітів;
* аналіз відхилень план-факт.== Приклад AI + API ==

як приклад:

== Приклад AI у казначействі ==

# користувач системи ставить запитання. '''критично.''' AI не замінює якісний обліковий облік, права доступу, чисті довідники, контрольні суми, аудит дій і відповідальність людей.[[Категорія:Інтеграції]]
|-
| Кава арабіка 1 кг
| 250 кг
| 420 кг
| Закупити 200 кг
|-
| Фільтр кавомашини
| 900 шт. AI здатна допомагати з рутинними задачами, аналізом і підказками, але відповідальність за критичні фінансові, юридичні, кадрові та управлінські рішення для бізнесу має залишатися за людьми.[[Категорія:LLM]]

== AI і автоматизація процесів: різниця ==

[[Категорія:Права доступу]]

* брати цифри з ERP або BI;
* використовувати контрольні запити;
* показувати джерело;
* не дозволяти AI самостійно “рахувати з пам’яті”;
* порівнювати з Power BI;
* логувати використані інформаційні дані.== AI і Machine Learning ==

'''Human-in-the-loop''' означає, що людина контролює важливі рішення для бізнесу AI. Пов’язана сторінка: [[Інтеграція з BAS]]

* аналіз історії оплат;
* сегментацію клієнтів;
* прогноз прострочення;
* рекомендації менеджерам;
* автоматичні нагадування;
* Power BI-дашборд;
* контроль ефекту через 3 місяці.== AI і міграція даних ==
AI здатна використовувати різні типи даних. * сезонність;
* товарні групи;
* регіони;
* клієнтів;
* акції;
* ціни;
* залишки;
* повернення;
* дні тижня;
* свята;
* канали продажу. Результат — швидший аналіз, менше ручної роботи, кращі прогнози, якісніша технічна підтримка користувачів, контроль ризиків, зрозуміліші звіти й ефективніші бізнес-процеси.=== Що таке LLM? ===

AI — це штучний інтелект, тобто технології, які допомагають програмам аналізувати інформаційні дані, розуміти текст, робити прогнози, знаходити закономірності, генерувати відповіді й цифровізувати частину роботи. '''RAG''' — це '''Retrieval-Augmented Generation''', тобто генерація відповіді з пошуком у джерелах даних. Використання

Комп’ютерний зір застосовується для для аналізу зображень і відео.== AI і нейронні мережі ==

{| class="wikitable" style="width:100%;"

Він здатна генерувати:

* ПІБ працівників;
* зарплата;
* адреси;
* телефони;
* email;
* паспортні інформаційні дані;
* банківські реквізити;
* медичні або кадрові документи;
* оцінки ефективності;
* службові розслідування. Підхід

* прийняти задачу;
* знайти інформаційні дані;
* перевірити умови;
* сформувати рекомендацію;
* створити чернетку документа;
* відправити на погодження;
* записати результат;
* повідомити користувача. Приклади:

Потрібно мати зрозумілу бізнес-задачу, якісні інформаційні дані, джерела інформації, права доступу, критерії успіху, тестування, аудит дій і відповідального власника процесу. |-
| Які ризики? Приклад
!<pre>

користувач системи питає:

[[Категорія:Казначейство]]

У складському обліку AI здатна допомагати управляти залишками. ! Сценарії:

== AI і human-in-the-loop ==

* розпізнавання тексту;
* розпізнавання зображень;
* генерації відповідей;
* перекладу;
* класифікації документів;
* пошуку схожих об’єктів;
* аналізу голосу;
* прогнозування складних залежностей. * дублікати клієнтів;
* дублікати номенклатури;
* порожні договори;
* неправильні валюти;
* документи без підрозділів;
* хаотичні статті витрат;
* неправильні залишки;
* старі користувачі;
* відсутність зовнішніх ID;
* слабкий аудит;
* ручні Excel-файли поруч із ERP. Поле

[[Категорія:BI]]

Окремо варто відзначити який дає можливість програмам виконувати задачі, що раніше вважалися “людськими”: аналізувати інформаційні дані, розпізнавати текст і зображення, прогнозувати попит, відповідати на запитання, писати тексти, класифікувати документи, знаходити аномалії, цифровізувати рішення для бізнесу і допомагати користувачам у бізнес-процесах виступає ключовою рисою '''AI''' — це скорочення від '''Artificial Intelligence''', тобто '''штучний інтелект'''.== AI і автоматизація процесів процесів ==

{| class="wikitable" style="width:100%;"

* прогноз поломок обладнання;
* аналіз браку;
* контроль якості зображень;
* оптимізація виробничого плану;
* прогноз потреби в матеріалах;
* аналіз простоїв;
* рекомендація змін;
* прогноз собівартості. Пояснення

== AI у малому бізнесі ==

AI-помічник користувача;
RAG-пошук по документації;
аналіз заявок;
прогноз продажів;
рекомендація закупівель;
контроль платежів;
аналіз дебіторки;
класифікація витрат;
перевірка договорів;
аналіз якості даних;
пояснення Power BI-звітів;
аудит підозрілих дій. Роль

оплату;
зміну ціни;
блокування клієнта;
списання товару;
звільнення працівника;
зміну договору;
закупівлю на велику суму;
зміну прав доступу.== Типові сценарії AI для компанії ==

довідників;
документів;
залишків;
цін;
заявок;
договорів;
оплат;
статусів;
користувачів;
задач;
бази знань.=== Що таке AI простими словами? ===

AI і комп’ютерний зір

AI і пошук аномалій

|- | Табличні інформаційні дані | продажі та реалізація, залишки, платежі | Прогноз і аналітичні інструменти |- | Текст | Заявки, листи, договори | NLP і RAG |- | Зображення | Фото браку, скани документів | OCR і computer vision |- | Логи | Помилки, дії користувачів | Аудит і кібербезпека |- | Часові ряди | продажі та реалізація по днях, залишки | Прогнозування |}

Результат:


Покажи собівартість товарів по всіх складах. Призначення платежу
[[Категорія:Документообіг]]

AI аналізує інформаційні дані верстата:

AI аналізує:

<pre>

* класифікацію заявок;
* визначення пріоритету;
* пошук схожих інцидентів;
* рекомендацію відповіді;
* маршрутизацію до відповідальної команди;
* генерацію інструкцій;
* аналіз причин повторюваних проблем;
* оцінку SLA-ризику.[[Категорія:Впровадження ERP]]

== AI в CRM ==

! Сума

Постачальнику зазвичай платили 50 000–80 000 грн на місяць. |-
| Machine Learning
| Навчається на даних і робить прогнози
| Прогноз попиту
|-
| Deep Learning
| Використовує нейронні мережі
| Розпізнавання зображень
|-
| Generative AI
| Створює текст, код, зображення або відповіді
| AI-асистент у ERP
|-
| NLP
| функціонує із людською мовою
| Аналіз заявок клієнтів
|-
| Computer Vision
| Аналізує зображення або відео
| Контроль якості на виробництві
|-
| Recommendation Systems
| Радить товари або дії
| Рекомендація закупівельна діяльність
|-
| Anomaly Detection
| Знаходить нетипові події
| Підозрілий платіж
|}

{{SEO
|title=AI — штучний інтелект, машинне навчання, генеративний AI, ERP, CRM, BI і K2 ERP
|description=AI: що це таке, як працює штучний інтелект, машинне навчання, нейронні мережі, генеративний AI, LLM, RAG, AI-агенти, приклади для ERP, CRM, фінансів, складу, виробництва, сервісу, Power BI, інтеграцій і K2 ERP.
|keywords=AI, штучний інтелект, artificial intelligence, машинне навчання, ML, нейронні мережі, генеративний AI, LLM, RAG, AI агенти, AI в ERP, AI в CRM, AI в бізнесі, K2 ERP, Power BI
}}

Основні ризики:

користувач системи питає:

* прогноз продажів;
* прогноз попиту;
* оцінка ризику клієнта;
* класифікація заявок;
* пошук шахрайських платежів;
* прогноз відтоку клієнтів;
* прогноз поломки обладнання;
* прогноз дефіциту товару. | В ERP, CRM, BI, Service Desk, фінансах, складі, виробництві, документообігу, HRM, API та інтеграціях. * дублікати;
* порожні поля;
* правильність довідників;
* історичні інформаційні дані;
* зв’язки між таблицями;
* права доступу;
* персональні інформаційні дані;
* якість текстів;
* актуальність документів;
* зовнішні ID;
* аудит змін;
* контрольні суми.== Пов’язані сторінки ==

=== Де AI корисний в ERP? ===

AI здатна показати:

# перевіряє прогноз попиту;
# знаходить основного постачальника;
# перевіряє останню закупівельну ціну;
# створює чернетку замовлення постачальнику;
# додає рекомендацію по кількості;
# відправляє закупівельнику на перевірку.<pre>

'''AI''' — це технології, які дозволяють системам імітувати окремі елементи людського інтелекту. Категорія

'''OCR''' — це розпізнавання тексту з зображень або сканів. | AI, який створює текст, відповіді, код, інструкції, резюме, описи, листи або аналітичні пояснення. * інтеграційні функції ERP з ERP;
* прогноз попиту;
* аналіз дебіторки;
* рекомендації закупівель;
* контроль складу;
* AI-помічник у Service Desk;
* електронний документообіг із OCR;
* Power BI з поясненнями;
* аналіз клієнтської бази;
* контроль маржі. Тип даних
!

Правильний бізнес-процес:

Приклад машинного навчання в продажах

Приклад AI в CRM

AI здатна допомагати розробникам:

Звичайна автоматизація процесів функціонує за наперед заданими правилами. * тексти;

листи;
інструкції;
відповіді клієнтам;
резюме документів;
програмний код;
SQL-запити;
аналітичні пояснення;
шаблони договорів;
описи товарів;
зображення;
презентації;
навчальні матеріали. ! * швидший аналіз;
менше ручної роботи;
кращі прогнози;
швидша технічна підтримка;
кращий контроль ризиків;
менше помилок у документах;
швидший пошук інформації;
краща аналітичні інструменти;
персональні підказки користувачам;
ефективніші бізнес-процеси;
більше прозорості для керівництва. * заявка Service Desk → категорія;
платіж → стаття руху коштів;
витрата → стаття витрат;
клієнт ERP → сегмент;
товар → група;
документ → тип;
email → тема звернення;
інцидент → пріоритет. Потім створює чернетку документа в ERP.== Приклад AI у виробництві ==

ERP;
CRM;
базу даних;
API;
сховище документів;
векторну базу;
AI-модель;
RAG-шар;
компонент прав доступу;
журнал аудиту;
BI-систему;
інтерфейс користувача. Рекомендація

Типові помилки при впровадженні AI

AI і прогнозування

Потрібно фіксувати: ! Ефект ! користувач системи питає:

! ! Приклади:

Малий бізнес-середовище здатна використовувати AI для простих задач: |- | продажі та реалізація | Прогноз угод і рекомендація наступної дії | Вища конверсія |- | закупівельна діяльність | Рекомендація замовлень постачальникам | Менше дефіцитів |- | складський облік | Виявлення залежалих товарів | Менше заморожених коштів |- | фінансовий блок | Прогноз cash flow | Менше касових розривів |- | Service Desk | Класифікація заявок | Швидша технічна підтримка |- | електронний документообіг | Витягування реквізитів з договорів | Менше ручного введення |- | Виробництво | Прогноз поломок | Менше простоїв |}

AI і безпека

Який результат правильного використання AI?

AI потрібен для підсилення людей і систем. | Якісні інформаційні дані, права доступу, аудит, RAG, контроль джерел, human-in-the-loop і перевірка критичних відповідей. |- | Який результат? У CRM AI здатна допомагати продажам. | 300 шт. {| class="wikitable" style="width:100%;" |- | автоматизація процесів | Якщо сума понад 100 000 грн — відправити на погодження |- | AI | Визначити, чи виступає як платіж підозрілим, навіть якщо він формально у межах ліміту |}

Пов’язана сторінка: Power BI

розумних асистентів;
голосових інтерфейсів;
автоматичного аналізу документів;
прогнозного планування;
AI-агентів;
персональних підказок;
автоматичного контролю ризиків;
пояснюваної аналітики;
інтеграції з BI;
контролю якості даних;
корпоративних баз знань. У бізнесі AI застосовують, коли потрібно в ERP, CRM, BI, Service Desk, документообігу, фінансах, складі, виробництві, продажах, закупівлях, HRM, маркетингу, логістиці, підтримці клієнтів, контролі якості та кібербезпеці. * сума в 12 разів вища за середню;
постачальник не мав таких платежів раніше;
банківський рахунок змінено вчора;
потрібне додаткове погодження. здатна допомогти:

Проаналізуй дебіторську заборгованість по клієнтах. Лід

RAG здатна знайти: !== Приклад AI у Power BI ==

Що підготувати перед AI-проєктом

BI показує, що сталося. Це зменшує ризик вигаданих відповідей. AI здатна знаходити події, які відрізняються від нормальної поведінки. * модель Order;

модель OrderLine;
зв’язок один-до-багатьох;
поле customer_id;
індекс по status;
індекс по date;
транзакцію для збереження;
аудит created_by і updated_by. {| class="wikitable" style="width:100%;"

! # Фінансовий директор погоджує блокування.

знайти дублікати;
класифікувати інформаційні дані;
запропонувати мапінг;
знайти порожні поля;
пояснити розбіжності;
сформувати чек-лист;
аналізувати помилки завантаження;
підготувати контрольні звіти;
порівняти стару й нову систему. | Терміново закупити

|}

Створити замовлення постачальнику на 500 шт.== FAQ ==

AI у великому бізнесі

“Не відкривається звіт по продажах”;
“Не можу провести платіж”;
“Зникла кнопка друку рахунку”;
“На складі неправильний залишок”;
“Потрібен доступ до договорів”. Менеджер питає AI:

AI і API

AI-агенти

товар продається швидше, ніж зазвичай;
постачальник везе 14 днів;
залишку вистачить на 6 днів;
у минулому місяці був дефіцит;
маржа по товару висока. AI бачить:

конкурентні переваги правильного використання AI:

Генеративний AI — це AI, який створює новий контент. !== AI і галюцинації ==

Що потрібно перед впровадженням AI?


* температура зростає;
* вібрація вища за норму;
* продуктивність падає;
* останній ремонт був 120 днів тому;
* схожі ознаки раніше передували поломці. Потрібне погодження керівника продажів. AI-проєкт здатна включати:

AI здатна допомагати при роботі з [[ORM]]. Сценарії:

Створи модель Order з рядками OrderLine, клієнтом, статусом і сумою. ! Користувачі пишуть їх у вільній формі:

== AI і prompt engineering ==
Основні ризики — неправильні відповіді, галюцинації, витік даних, порушення прав доступу, помилкові рекомендації, слабкий аудит і використання неякісних даних. Наслідки:
Керівник пише:
{| class="wikitable" style="width:100%;"
Які товари треба закупити цього тижня? {| class="wikitable" style="width:100%;"

== AI у виробництві ==

Проблеми:

# AI знаходить ризик. * розуміти запитання;
* генерувати відповіді;
* писати тексти;
* пояснювати інформаційні дані;
* працювати з документами;
* створювати SQL;
* допомагати з кодом;
* узагальнювати великі тексти;
* вести діалог із користувачем. Покажи топ-10 боржників, прострочення понад 30 днів,

здатна виконувати:

Приклади:
== Приклад ERP-асистента ==
<div style="border:3px solid #ef6c00; background:#fff3e0; padding:14px; margin:16px 0;">

Потрібно підготувати:

* створити документ повернення;
* вибрати клієнта й договір;
* додати товари;
* перевірити партії або серійні номери;
* вказати складський облік повернення;
* провести документ;
* сформувати коригуючі документи;
* повідомити бухгалтерію. AI часто підключається до ERP через API. Середній бізнес-середовище здатна використовувати AI глибше:
== AI і контрольні суми ==
== Приклад ризику доступу ==
|-
| BI
| Показує звіти й дашборди
| продажі та реалізація за місяць
|-
| AI
| Аналізує, прогнозує, пояснює, рекомендує
| Чому продажі та реалізація впали і що робити
|-
| AI + BI
| Поєднує цифри, пояснення й рекомендації
| Дашборд із автоматичними висновками
|}

Пов’язані сторінки:

AI аналізує інформаційні дані:

[[Категорія:Machine Learning]]
Чому я не можу провести надходження товарів? * закупити товар;
* змінити мінімальний залишок;
* переглянути ціну;
* зупинити знижку;
* перевірити постачальника;
* зв’язатися з клієнтом;
* оновити договір;
* змінити маршрут доставки;
* перевірити підозрілий платіж;
* переглянути бюджет. Приклади:

! ERP-асистент — це AI-помічник усередині ERP. | Для швидшого аналізу даних, прогнозів, підтримки користувачів, автоматизації рутинних задач і контролю ризиків.== AI і LLM ==

* “Кабель USB-C”;
* “USB C кабель”;
* “Кабель тайп сі”. | Штучний інтелект — технології для аналізу, прогнозування, генерації тексту, пошуку закономірностей і автоматизації. Напрям
AI-агент здатна:
AI здатна:

Потім AI відповідає не “з пам’яті”, а на основі внутрішніх документів компанії. Що робить

Порівняй продажі та реалізація за травень із квітнем по товарних групах, покажи 5 найбільших відхилень і поясни можливі причини.[[Категорія:AI]]

== Приклад класифікації витрат ==

міграції забезпечується через Контрольні суми потрібні не тільки; так само реалізовано а й для AI-аналітики.== AI у BI та Power BI ==

* розуміти текст;
* генерувати текст;
* класифікувати інформаційні дані;
* прогнозувати події;
* знаходити закономірності;
* розпізнавати зображення;
* аналізувати документи;
* відповідати на запитання;
* шукати аномалії;
* рекомендувати дії;
* цифровізувати рутинні процеси;
* допомагати приймати управлінські рішення для бізнесу. ! Сценарії:

== AI у фінансах ==

платформа отримує PDF-рахунок від постачальника. це напрям технологій.

Кращий запит:

!== AI у Service Desk ==

Керівник питає:

швидше аналізувати інформаційні дані;
знаходити помилки;
прогнозувати попит;
цифровізувати рутину;
скорочувати ручну роботу;
покращувати клієнтський сервіс;
зменшувати ризики;
підвищувати якість звітності;
знаходити аномалії;
прискорювати пошук інформації;
підтримувати користувачів ERP;
готувати аналітику для керівників;
інтегрувати знання з різних систем. Чому витрати на логістику зросли на 18%? Він оптимізує:

автоматичні висновки;
пояснення відхилень;
пошук аномалій;
прогноз трендів;
генерація текстового коментаря;
відповіді на питання керівника;
підготовка щотижневого резюме;
аналіз план-факт. Приклади:

Приклади:

не заповнений договір;
у постачальника неактивний статус;
у рядку 3 немає одиниці виміру;
складський облік заблокований для приймання;
користувач системи не має права проводити документи понад 100 000 грн. # платформа шукає релевантні документи або записи. ! Ризик

Розробник просить: компанія-користувач має історію продажів за 3 роки. Компонент

вигадує інформаційні дані;
посилається на неіснуючий документ;
неправильно пояснює цифри;
рекомендує дію без підстав;
плутає клієнтів;
робить висновок без перевірки джерел. Приклад

Як у нас погоджується заявка на оплату понад 500 000 грн?== Для чого потрібен AI у бізнесі ==

Пов’язана сторінка: CRM для продажів

якісні інформаційні дані;
SEO-опис бізнес-процесу;
власника процесу;
джерела даних;
API або вивантаження;
правила доступу;
приклади правильних відповідей;
критерії успіху;
тестовий набір даних;
журнал аудиту;
план навчання користувачів. Приклад

компанія-користувач має тисячі заявок у Service Desk.

Приклад AI для договору

AI-агент щодня перевіряє залишки. LLM — це велика мовна модель, яка здатна розуміти й генерувати текст, відповідати на запитання, пояснювати інформаційні дані, працювати з документами й допомагати користувачам у діалозі. AI пропонує заблокувати клієнта через прострочену дебіторку. AI здатна навчатися на даних, знаходити закономірності, прогнозувати й працювати з текстом або ситуаціями, які не завжди описані жорсткими правилами.

конкурентні переваги AI

! {| class="wikitable" style="width:100%;"

платежі;
зміни прав доступу;
списання;
зміни цін;
юридичні рішення для бізнесу;
кадрові рішення для бізнесу;
фінансові блокування. AI-сценарій

Коротко

писати код;
пояснювати код;
генерувати тести;
знаходити помилки;
писати SQL;
створювати API-документацію;
аналізувати логи;
готувати міграції;
описувати моделі даних;
створювати технічні задача. Чутливі інформаційні дані:

Сценарії:

AI в ERP

AI і класифікація

Поганий запит:

інформаційні дані для AI

AI-агент — це платформа, яка не тільки відповідає, а й здатна виконувати послідовність дій за правилами. # Показує документи й суми. користувач системи питає:

Приклад AI в ERP

Пов’язана сторінка: Права доступу в ERP

сума продажів у AI = сума продажів у ERP;
дебіторка в AI = дебіторка в фінансовому звіті;
залишки в AI = залишки в складському звіті;
платежі в AI = платежі в банківському контурі;
кількість заявок у AI = кількість заявок у Service Desk. суму боргу, відповідального менеджера і рекомендовану дію. Machine Learning або машинне навчання — це підхід, коли платформа навчається на історичних даних і потім робить прогнози або класифікації. * запропонувати модель даних;
знайти N+1 проблему;
пояснити повільний запит;
згенерувати міграцію;
написати валідацію;
підготувати API-метод;
описати зв’язки між сутностями. Текст заявки

AI у документообігу

технічна архітектура AI-рішення

AI і рекомендації

|- | Контрагент | ТОВ “Постачальник” |- | Сума | 1 200 000 грн |- | Валюта | UAH |- | Строк дії | До 31.12.2026 |- | Умови оплати | 50% аванс, 50% після поставки |- | Штрафи | 0,1% за день прострочення |}

Якщо менеджер не має права бачити собівартість, AI має відмовити або показати тільки дозволені інформаційні дані. |-

компанія-користувач А	78%	Відкривали пропозицію 4 рази	Зателефонувати сьогодні
компанія-користувач B	25%	Немає відповіді 14 днів	Перевести в nurturing
компанія-користувач C	90%	виступає як бюджет і терміновий запит	Підготувати договір

AI аналізує призначення платежу:

AI здатна допомагати пояснювати інформаційні дані, а не тільки показувати графіки. У базі один товар заведений тричі:


* пояснити, як створити документ;
* показати причину помилки;
* дати інструкцію по ролі;
* відповісти по регламенту;
* запропонувати навчальний матеріал;
* сформувати тест;
* пояснити звіт;
* підказати відповідального. Рекомендація:

'''Нейронні мережі''' — це математичні моделі, які можуть навчатися на великих обсягах даних. ! AI не повинен безконтрольно опрацьовувати персональні інформаційні дані. Пов’язані сторінки:

Він здатна допомогти:

AI містить кілька великих напрямів. * вибрати бізнес-процес;
* описати проблему;
* перевірити інформаційні дані;
* визначити джерела;
* перевірити права доступу;
* зробити прототип;
* протестувати на історичних даних;
* оцінити точність;
* додати аудит;
* навчити користувачів;
* поступово масштабувати.== Приклад RAG у K2 ERP ==

* знайти документ;
* пояснити звіт;
* підказати наступну дію;
* створити чернетку заявки;
* знайти помилку в документі;
* пояснити причину відхилення;
* підготувати лист клієнту;
* сформувати SQL або BI-запит;
* відповісти по регламенту компанії. # ERP фіксує дію в аудиті. Прогноз продажів на 30 днів
Типові сценарії:
AI-рішення мають бути під аудитом. RAG — це підхід, коли AI перед відповіддю шукає інформацію у внутрішніх джерелах: документах, базі знань, регламентах, ERP або wiki. AI здатна добре пояснювати текст і закономірності, але цифри потрібно перевіряти. '''Головне.''' AI — це не одна програма, а набір підходів: машинне навчання, нейронні мережі, генеративний AI, великі мовні моделі, комп’ютерний зір, рекомендаційні системи, прогнозування, класифікація, пошук, автоматизація процесів й AI-агенти.== Підготовка даних для AI ==

{| class="wikitable" style="width:100%;"

[[Категорія:Нейронні мережі]]
AI знаходить інструкцію й відповідає:
! ! AI аналізує продажі та реалізація й помилково бачить три різні товари.== AI і персональні інформаційні дані ==

Вони використовуються для:

* контроль браку на виробництві;
* розпізнавання штрихкодів;
* перевірка пакування;
* контроль заповнення полиць;
* підрахунок об’єктів;
* аналіз фото пошкоджень;
* контроль безпеки на складі;
* розпізнавання документів. ! Кому направити

! AI здатна бути частиною автоматизації, але не кожну дію треба цифровізувати на 100%. ! AI має працювати з урахуванням прав доступу.=== Що таке RAG? ===

Продаж нижче мінімальної маржі. Рекомендована стаття
AI перевіряє:
== AI і розробка програмного забезпечення ПЗ ==
Поширені помилки:
AI здатна створювати нові ризики. Потім формує список рекомендацій.<pre>

Якщо товар нижче мінімального залишку, агент:

== AI і інтеграції ==

{| class="wikitable" style="width:100%;"

* CRM → AI → прогноз угод;
* ERP → AI → рекомендація закупівель;
* WMS → AI → аналіз складу;
* MES → AI → прогноз поломок;
* Service Desk → AI → класифікація заявок;
* Power BI → AI → пояснення відхилень;
* електронний документообіг → AI → аналіз договорів. Ймовірність угоди

Як оформити повернення товару від клієнта?== AI і ERP-асистент ==
|-
| Не відкривається звіт по продажах
| BI / формування звітів
| Середній
| Аналітик
|-
| Не можу провести платіж
| Казначейство
| Високий
| Фінансовий адміністратор
|-
| Зникла кнопка друку рахунку
| ERP / форма
| Середній
| ERP-адміністратор
|-
| На складі неправильний залишок
| складський облік
| Високий
| Команда складу
|}

Прогнозування — один із найкорисніших бізнес-сценаріїв AI. У контексті [[K2 ERP]] AI здатна допомагати аналізувати документи, підказувати дії користувачам, шукати помилки в даних, прогнозувати залишки, готувати звіти, цифровізувати заявки, підтримувати RAG-пошук по базі знань і будувати аналітику для керівництва. # Менеджер перевіряє.


[[Категорія:API]]
=== Чим AI відрізняється від звичайної автоматизації? ===
<pre>

Генеративний AI — це AI, який створює новий контент: текст, відповіді, код, резюме документів, інструкції, листи, описи товарів або аналітичні пояснення. Запланувати технічне обслуговування протягом 3 днів. Що робить
Класифікація — це віднесення об’єкта до категорії. автоматизація процесів виконує задані правила. * період;
* показник;
* розрізи аналітики;
* формат відповіді;
* очікувану дію. Напрям
Приклади:
Джерела:
=== Що таке генеративний AI? ===
== AI у середньому бізнесі ==
платформа здатна показати попередження:
як приклад:
У фінансах AI здатна допомагати з аналізом платежів, бюджетів і ризиків.== AI і якість даних ==

! AI. | Не закуповувати
|-
| Кабель USB-C
| 80 шт. Добре цифровізувати:
== AI і точність відповідей ==
Пов’язана сторінка: [[Аудит дій]]

AI здатна працювати поверх інтеграцій між системами. |-
| Оплата постачальнику А
| 800 000 грн
| Високий
| Сума перевищує середній платіж у 4 рази
|-
| Оренда офісу
| 80 000 грн
| Низький
| Регулярний платіж
|-
| Новий постачальник
| 250 000 грн
| Середній
| Немає історії співпраці
|}

== AI і BI: різниця ==

[[Категорія:Автоматизація]]

== Приклад AI + ORM ==

* прогноз дефіцитів;
* пошук залежалих товарів;
* рекомендація мінімальних залишків;
* аналіз пересортиці;
* прогноз сезонного попиту;
* оптимізація розміщення товарів;
* виявлення аномальних списань;
* контроль інвентаризацій.

AI і аудит дій

! Під час переходу з BAS у K2 ERP AI знаходить:

залишки;
продажі та реалізація;
мінімальні залишки;
терміни поставки;
замовлення постачальникам;
прогноз попиту. Поточний залишок

зарплату;
собівартість;
банківські залишки;
конфіденційні договори;
персональні інформаційні дані працівників;
документи іншого підрозділу;
фінансові звіти для директора.

AI у складі

! ! Приклад

Перед запуском AI потрібно підготувати інформаційні дані.


[[Категорія:Штучний інтелект]]

* прогноз попиту неправильний;
* закупівля занижена;
* залишки розбиті;
* Power BI показує неточну маржу;
* менеджери не довіряють рекомендаціям. | Швидші рішення для бізнесу, кращі прогнози, менше рутини, сильніша аналітичні інструменти й ефективніші процеси в ERP та бізнесі.== Приклад першого AI-проєкту ==

<pre>

AI корисний у прогнозі попиту, контролі залишків, аналізі дебіторки, казначействі, класифікації витрат, документах, Service Desk, продажах, закупівлях, виробництві, BI та підтримці користувачів.== Приклад AI в міграції ==

Сценарії:

* прогноз попиту;
* контроль залишків;
* пошук помилок у документах;
* рекомендація закупівель;
* аналіз дебіторки;
* прогноз грошового потоку;
* класифікація витрат;
* аналіз маржі;
* контроль цін;
* автоматизація процесів заявок;
* аналіз продуктивності виробництва;
* підказки користувачам;
* пошук по базі знань. # Формує пояснення. |-
| Що критично для AI? AI здатна допомагати в міграції даних, але не повинен виконувати її без контролю. |-
| Що таке генеративний AI?== Простий приклад AI ==

ERP бачить, що менеджер створив продаж товару зі знижкою 30%. Питання

== Приклад LLM у бізнесі ==

! |-
| Для чого потрібен?=== Які головні ризики AI? ===
Етапи:
Можна прогнозувати:
|-
| K2 ERP
| Джерело бізнес-даних і процесів
|-
| API
| Контрольований доступ до даних
|-
| Векторна база
| Пошук по документах і знаннях
|-
| AI-модель
| Генерація відповідей і аналіз
|-
| Права доступу
| Фільтрація даних по ролях
|-
| Аудит
| Запис запитів і дій
|-
| Power BI
| аналітичні інструменти й дашборди
|}

[[Категорія:Generative AI]]

AI здатна працювати як помічник по внутрішній базі знань. * [[K2 ERP]]
* [[ERP]]
* [[CRM для продажів]]
* [[BI система]]
* [[Power BI]]
* [[API для ERP]]
* [[Service Desk]]
* [[Казначейство]]
* [[ERP для складу]]
* [[Складський облік]]
* [[ERP для виробництва]]
* [[MES система]]
* [[MRP система]]
* [[ERP для документообігу]]
* [[Права доступу в ERP]]
* [[Аудит дій]]
* [[Інтеграція з BAS]]
* [[ORM]]
* [[Міграція даних]]
* [[Вивантаження даних]]
* [[ERP в хмарі]]
* [[Впровадження ERP]]
* [[Запуск ERP]]

'''LLM''' — це '''Large Language Model''', велика мовна модель. компанія-користувач хоче зменшити прострочену дебіторку. * написання листів;
* SEO-опис товарів;
* аналіз продажів;
* відповіді клієнтам;
* підготовка комерційних пропозицій;
* класифікація заявок;
* створення контенту;
* пошук помилок у таблицях;
* планування закупівель;
* підготовка інструкцій. '''Prompt engineering''' — це формулювання запитів до AI так, щоб отримати корисну відповідь. AI здатна працювати з невизначеністю й даними. Пріоритет

== Впровадження AI ==

* зросла кількість доставок;
* збільшилася частка термінових відправлень;
* підвищився тариф одного перевізника;
* збільшилися повернення;
* частина витрат віднесена не на ту статтю. Критичні рішення для бізнесу:

AI здатна рекомендувати дії. AI здатна допомагати пояснювати, прогнозувати й рекомендувати.== Основні напрями AI ==

У Service Desk AI здатна цифровізувати обробку заявок. Рекомендація

! У [[K2 ERP]] AI здатна використовуватися як окремий інтелектуальний шар над бізнес-процесами. Якщо в ERP брудні інформаційні дані, дублікати номенклатури, хаотичні договори й неправильні залишки, AI буде аналізувати хаос. Потрібно контролювати:

![[Категорія:ERP]]

'''Практичний приклад.''' У ERP AI здатна помітити, що постачальник почав затримувати поставки, товар оперативно закінчується, клієнт ERP має ризик прострочення оплати, документ заповнений неправильно, а менеджер надав занадто велику знижку. # AI читає знайдені фрагменти. AI аналізує ліди й дає оцінку:

[[Категорія:Artificial Intelligence]]

== AI і права доступу ==

* мінімальну маржу;
* собівартість;
* історію продажів;
* умови договору;
* роль менеджера;
* кредитний ліміт клієнта;
* історію повернень. AI аналізує заявки на оплату й знаходить ризики:

* оцінка ймовірності угоди;
* підказка наступної дії;
* пріоритизація лідів;
* аналіз дзвінків;
* генерація листів;
* підготовка комерційних пропозицій;
* прогноз виручки;
* пошук клієнтів із ризиком відтоку;
* рекомендація товарів. Сценарії:

!<pre>

== Приклад аномалії ==
Потрібно:
AI/OCR здатна витягувати інформаційні дані з:

Покажи, чому зросла дебіторка за останній місяць.[[Категорія:Power BI]]

Пов’язана сторінка: [[Казначейство]]

* продажі та реалізація;
* попит;
* дефіцити;
* касові розриви;
* прострочену дебіторку;
* повернення;
* брак;
* навантаження складу;
* потребу в персоналі;
* відтік клієнтів;
* поломки обладнання. Заявка

== AI і відповідальність ==

== Приклад AI-агента в закупівлях ==

AI аналізує інформаційні дані й формує пояснення:
[[Категорія:RAG]]
Обережно цифровізувати:
|-
| Що таке AI? * регламент казначейства;
* правила погодження;
* роль фінансового директора;
* винятки для податкових платежів;
* історію схожих заявок. * дебіторка зросла на 1,8 млн грн;
* 60% приросту дали 5 клієнтів;
* 3 клієнти перевищили строк оплати;
* найбільший борг у клієнта “Рітейл Плюс”;
* частина боргу пов’язана з відвантаженнями без передоплати;
* рекомендовано заблокувати нові відвантаження для двох клієнтів. користувач системи пише:
AI здатна запропонувати:

Підготуй коротке пояснення, чому впала маржа по групі “Аксесуари”. У бізнесі це небезпечно, якщо AI:

== Приклад AI по базі знань ==

== AI і знання компанії ==

<div style="border:3px solid #1565c0; background:#e3f2fd; padding:14px; margin:16px 0;">

* розпізнавання документа;
* витягування реквізитів;
* пошук ризикових умов;
* порівняння версій договору;
* генерація резюме;
* класифікація документів;
* перевірка обов’язкових полів;
* пошук строків дії;
* нагадування про продовження. * класифікацію заявок;
* пошук документів;
* підготовку чернеток;
* витягування реквізитів;
* первинну перевірку;
* рекомендації;
* резюме звітів;
* пошук аномалій. Товар

== AI і K2 ERP ==

AI відповідає:
== Як зменшити галюцинації AI ==
!== AI і OCR ==

! | Галюцинації, неправильні висновки, витік даних, слабкий контроль доступу й автоматизація процесів без відповідальності. до 18.05.2026. |-
| Де застосовується для? AI краще функціонує, коли запит містить:

== AI і RAG ==

* підключати AI до перевірених джерел;
* використовувати RAG;
* показувати джерела;
* обмежувати права доступу;
* перевіряти критичні відповіді людиною;
* логувати запити;
* тестувати сценарії;
* не дозволяти AI самостійно виконувати ризикові дії;
* використовувати контрольні суми для цифр. # AI формує відповідь на основі джерел. AI через API отримує:

AI здатна радити, але відповідальність за бізнес-рішення має залишатися в людей і компанії. * оплата;

юридичне погодження;
кадрове рішення для бізнесу;
блокування клієнта;
зміна цін;
списання товару;
зміна прав доступу;
публікація фінансової звітності;
передача персональних даних. * 120 дублів номенклатури;
35 контрагентів без ЄДРПОУ;
18 договорів без валюти;
240 документів без підрозділу;
9 користувачів зі старими повними правами;
4 інтеграції без відповідального.

Приклад AI у складі

Приклад хорошого запиту до AI

хто поставив запитання;
які інформаційні дані були використані;
яку відповідь отримав користувач системи;
чи створив AI документ;
чи змінив AI статус;
хто підтвердив дію;
які API-запити виконані;
які помилки виникли. Значення

AI в ERP буде розвиватися в напрямі:

Пов’язана сторінка: Service Desk

== AI і генеративний AI ==

AI витягує:


AI і ORM
* доступ до даних;
* персональні інформаційні дані;
* комерційну таємницю;
* фінансові інформаційні дані;
* API-ключі;
* журнали запитів;
* права користувачів;
* збереження промптів;
* передачу даних зовнішнім сервісам;
* перевірку відповідей;
* людське погодження критичних дій.== AI і навчання користувачів ==
AI здатна допомагати новим користувачам ERP. * неправильні відповіді;
* галюцинації;
* витік даних;
* порушення прав доступу;
* неправильні рекомендації;
* залежність від моделі;
* непрозорість рішень;
* помилки в даних;
* юридичні ризики;
* упередженість;
* слабкий аудит;
* надмірна автоматизація процесів.== Ризики AI ==

В ERP AI здатна допомагати в багатьох процесах. Підхід

* регламенти;
* інструкції;
* політики;
* договори;
* технічна документація;
* wiki-сторінки;
* база Service Desk;
* FAQ;
* навчальні матеріали;
* SEO-опис бізнес-процесів;
* документи впровадження ERP. ! Типова технічна архітектура AI-рішення в бізнесі здатна містити:

* номер рахунку;
* дату;
* постачальника;
* ЄДРПОУ;
* IBAN;
* суму;
* валюту;
* ПДВ;
* товари;
* строк оплати;
* договір. * рахунків;
* актів;
* накладних;
* договорів;
* паспортів документів;
* сертифікатів;
* транспортних накладних;
* заявок;
* чеків;
* актів виконаних робіт. Відповідь

* data warehouse;
* data lake;
* RAG;
* MLOps;
* контроль моделей;
* корпоративний AI-асистент;
* інтеграційні функції ERP з ERP, CRM, WMS, MES;
* політики безпеки;
* аудит AI;
* керування доступами;
* моніторинг якості відповідей. AI читає договір і витягує:
AI здатна рекомендувати, але людина має підтверджувати:
API здатна давати AI доступ до:

600 шт. RAG функціонує так:

Приклад human-in-the-loop

У виробництві AI здатна допомагати з плануванням, якістю й обладнанням. Можливі сценарії: Менеджер продажів не повинен через AI отримати: Для фінансових, складських і управлінських даних краще:

Пов’язана сторінка: API для ERP
Рекомендація: