МИНИСТЕРСТВО ОБРАЗОВАНИЯ МОСКОВСКОЙ ОБЛАСТИ

ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ПРОФЕССИОНАЛЬНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ МОСКОВСКОЙ ОБЛАСТИ

«ДМИТРОВСКИЙ ТЕХНИКУМ»

(ГБПОУ МО «Дмитровский техникум»)

ПРОЕКТНАЯ РАБОТА

на тему

Учёт, анализ и оптимизация логистических задач на складе готовой продукции с использованием технологий искусственного интеллекта (Складской ИИ-Агент)

Код специальности (профессии) 38.02.01

Специальность (профессия) Экономика и бухгалтерский учёт

Выполнила студентка:

Назарова Виктория Алексеевна ________________

(ФИО) (Подпись)

Группа 32 ЭК

Руководитель проектной работыПреподаватель спец. дисциплин(степень, ученое звание при наличии)
Передерий Елена Анатольевна

Дмитров, 2026 г.

СОДЕРЖАНИЕ

ВВЕДЕНИЕ 3
ГЛАВА 1. ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ РАЗРАБОТКИ ИИ-АГЕНТА ДЛЯ УЧЁТА, АНАЛИЗА И ОПТИМИЗАЦИИ ЛОГИСТИЧЕСКИХ ЗАТРАТ НА СКЛАДЕ ГОТОВОЙ ПРОДУКЦИИ 8
1. 1. Складской учёт готовой продукции в целях бухгалтерского учёта 8
1. 2. Оптимизация логистических затрат на складе готовой продукции 11
1. 3. Что такое ИИ-агент и зачем он нужен на предприятии для складского учёта 18
1. 3. Этические вопросы и вызовы, связанные с развитием ИИ на предприятиях логистики 22
ГЛАВА 2. ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ РАЗРАБОТКИ ИИ-АГЕНТА ДЛЯ УЧЁТА, АНАЛИЗА И ОПТИМИЗАЦИИ ЛОГИСТИЧЕСКИХ ЗАТРАТ НА СКЛАДЕ ГОТОВОЙ ПРОДУКЦИИ (ООО «АВАЛОН РОСЛОЖИСТИКС») 25
2. 1. Краткая экономическая характеристика ООО «Авалон Росложистикс» 25
2. 2. Описание разработки ИИ-Агента: цели, задачи, архитектура 27
2. 3. Алгоритм действий ИИ- агента с точки зрения бухгалтерского учёта 29
32
2. 4. Экономическое обоснование внедрения и масштабирования ИИ-Агента на примере предприятия (ООО «Авалон Росложистикс») 33
ГЛАВА III. ИМИТАЦИОННАЯ МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ДИНАМИКА ЦЕПОЧКИ ПОСТАВОК ГОТОВОЙ ПРОДУКЦИИ ИИ-АГЕНТОМ 36
3. 1. Структура агентов в модели 36
3. 2. Код: имитация 30-дневного цикла ИИ-агента 36
3. 3. Расчёт и анализ результатов имитации приведённой модели искусственного интеллекта: ИИ-агент для логистики склада готовой продукции (выборка за 5 дней) 38
ЗАКЛЮЧЕНИЕ 45
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 47
Приложение 1. 53
Программирование ИИ-агента для логистики склада готовой продукции 53

ВВЕДЕНИЕ

В современных условиях развития экономики цифровизация бизнес-процессов становится ключевым фактором конкурентоспособности предприятий. Особую актуальность приобретает внедрение технологий искусственного интеллекта (ИИ) в сферу складского учёта и логистики, что обусловлено необходимостью повышения эффективности управления материальными потоками и оптимизации затрат.

Проблема исследования заключается в необходимости совершенствования системы складского учёта с помощью технологий искусственного интеллекта при сохранении достоверности и целостности учётных данных. Существующие традиционные методы учёта не в полной мере отвечают современным требованиям оперативности и точности обработки информации.

Актуальность темы обусловлена растущей потребностью предприятий в автоматизации учётных процессов и внедрении интеллектуальных систем управления складом. Применение ИИ-технологий позволяет существенно повысить эффективность складской логистики, минимизировать ошибки и сократить временные затраты на обработку данных.

Объектом исследования выступает процесс внедрения ИИ-агентов в систему складского учёта.

Предметом исследования являются методы и инструменты интеграции искусственного интеллекта в существующую систему складского учёта предприятия.

Цель исследования – разработка практических рекомендаций по внедрению ИИ-агента для оптимизации системы складского учёта и повышения эффективности логистических операций.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Исследовать теоретические основы организации складского учёта с применением ИИ-технологий;

2. Проанализировать текущее состояние системы складского учёта;

3. Выявить основные проблемы и недостатки существующей системы учёта;

4. Разработать модель внедрения ИИ-агента в систему складского учёта;

5. Оценить экономическую эффективность предложенных мероприятий.

Гипотеза исследования заключается в предположении, что внедрение ИИ-агента в систему складского учёта позволит:

• Повысить точность учёта материальных ценностей;

• Сократить временные затраты на обработку учетных данных;

• Минимизировать ошибки при формировании бухгалтерской отчетности;

• Оптимизировать логистические процессы.

Научная новизна работы состоит в разработке комплексной методики внедрения ИИ-агента в систему складского учёта с учетом специфики предприятия и требований бухгалтерского учёта.

В работе использованы следующие методы исследования:

1. Теоретические методы:

Системный анализ — для изучения структуры складского учёта и взаимодействия его элементов;

Статистический анализ — для обработки данных о работе склада и эффективности процессов;

Экономико-математическое моделирование — для прогнозирования результатов внедрения ИИ-агента;

2. Практические методы:

Моделирование бизнес-процессов — для анализа и оптимизации работы склада;

Метод экспертных оценок — для определения ключевых показателей эффективности;

Сравнительный анализ — для оценки существующих решений и разработки рекомендаций.

3. Методы искусственного интеллекта:

Машинное обучение — для прогнозирования спроса и оптимизации запасов;

Компьютерное зрение — для автоматизации инвентаризации;

Обработка естественного языка — для анализа документации.

4. Методы учёта и контроля:

Бухгалтерский учёт — для формирования проводок и отчётности;

Внутренний контроль — для обеспечения достоверности данных;

Аудит — для проверки корректности работы системы.

5. Методы интеграции:

API-интеграция — для связи с учётными системами;

ETL-процессы — для обработки и трансформации данных;

Middleware — для обеспечения взаимодействия компонентов системы.

Данная методологическая база позволила:

1. Провести комплексный анализ существующей системы складского учёта;

2. Разработать эффективную модель ИИ-агента;

3. Оценить экономическую целесообразность внедрения;

4. Сформировать практические рекомендации по внедрению.

Проектная работа включает следующие основные разделы:

Теоретическая часть: Обзор современных подходов к складскому учету; Анализ технологий искусственного интеллекта в логистике; Исследование нормативно-правовой базы.

Аналитическая часть: Анализ текущего состояния складского учёта; Выявление проблем существующей системы; Оценка потенциала внедрения ИИ-технологий.

Практическая часть: Разработка модели ИИ-агента; Описание алгоритмов работы системы; План внедрения и интеграции.

Экономическое обоснование: Расчёт затрат на внедрение; Оценка ожидаемой эффективности; Прогноз экономической выгоды.

Результаты дипломной работы могут быть использованы:

1. При разработке аналогичных систем учёта на других предприятиях;

2. В процессе обучения специалистов по логистике и складскому делу;

3. При подготовке методических материалов по внедрению ИИ-технологий;

4. В качестве базы для дальнейших исследований в области автоматизации учёта.

Данная проектная работа будет представлять интерес для следующих категорий специалистов:

Руководители предприятий и топ-менеджмент, заинтересованные в повышении эффективности складской логистики и оптимизации затрат;

Специалисты по складской логистике и менеджеры складов, стремящиеся к автоматизации процессов учета и управления запасами;

IT-специалисты и разработчики, занимающиеся созданием и внедрением систем управления складом (WMS);

Бухгалтеры и специалисты по учёту, ищущие способы автоматизации документооборота и повышения точности учета

Исследователи в области искусственного интеллекта и его применения в бизнесе.

Ожидаемые результаты. Данная проектная работа позволит: оптимизировать логистические затраты; минимизировать человеческий фактор в учётных операциях; создать основу для дальнейшего развития системы; обеспечить интеграцию с существующими бухгалтерскими системами.

Проектная работа состоит из введения, трёх глав, заключения, списка используемых источников и приложения.

ГЛАВА 1. ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ РАЗРАБОТКИ ИИ-АГЕНТА ДЛЯ УЧЁТА, АНАЛИЗА И ОПТИМИЗАЦИИ ЛОГИСТИЧЕСКИХ ЗАТРАТ НА СКЛАДЕ ГОТОВОЙ ПРОДУКЦИИ

1. 1. Складской учёт готовой продукции в целях бухгалтерского учёта

Термин «складской учёт готовой продукции в целях бухгалтерского учёта» подразумевает взаимосвязь двух процессов: оперативного контроля за движением товаров на складе и их отражения в бухгалтерском учёте. Анализируя источники за период с 2020 по 2026 год стало понятно, что учёные акцентировали внимание на нормативном регулировании, методах оценки, документообороте и роли автоматизации в этом процессе. В таблице 1. Подходы к определению и ключевым аспектам термина «складской учёт готовой продукции в целях бухгалтерского учёта» — проведён анализ термина по нескольким источникам.

Таблица 1.

Подходы к определению и ключевым аспектам термина «складской учёт готовой продукции в целях бухгалтерского учёта»

Автор/источник	Определение/акцент	Особенности подхода
Система Главбух (2025)	Складской учёт — часть товарного учёта, которая фокусируется на физическом движении товаров на складе (сырья, производства, вспомогательного хозяйства, склада готовой продукции). Он отражает наличие и перемещение товаров в натуральных единицах измерения (штуки, килограммы, метры).	Акцент на оперативной функции складского учёта: контроль количества и мест хранения. Подчёркивается, что данные складского учёта (сколько пришло, ушло, осталось) являются основой для товарного и бухгалтерского учёта. Указывается на необходимость совпадения данных складского и бухгалтерского учёта, а расхождения могут свидетельствовать об ошибках, недостачах или хищениях.
Продолжение таблицы 1
Автор/источник	Определение/акцент	Особенности подхода
Консультант Плюс (2026)	В контексте бухгалтерского учёта оценка остатков готовой продукции на складе на конец месяца производится на основании данных первичных учётных документов о движении и об остатках готовой продукции на складе (в количественном выражении) и суммы прямых расходов, осуществлённых в текущем месяце, уменьшенных на сумму прямых расходов, относящуюся к остаткам незавершённого производства.	Фокус на использовании данных складского учёта для расчёта финансовых показателей в бухгалтерском учёте. Упоминаются прямые расходы и их связь с остатками продукции на складе.
BuhOnline (2022)	Готовая продукция относится к запасам согласно ФСБУ 5/2019. Это активы, потребляемые или продаваемые в рамках обычного операционного цикла организации, либо используемые в течение периода не более 12 месяцев.	Акцент на нормативном регулировании (ФСБУ 5/2019) и классификации готовой продукции как запаса. Указывается, что для признания актива в составе запасов нужно, чтобы одновременно выполнялись два условия: затраты на его создание или приобретение обеспечивали экономические выгоды в будущем и была определена сумма, израсходованная на этот актив.

Из таблицы видно, что несмотря на различия в акцентах, все авторы сходятся в нескольких ключевых моментах:

1. Нормативная база. Складской учёт готовой продукции в целях бухгалтерского учёта регулируется комплексом документов, включая Федеральный закон №402-ФЗ «О бухгалтерском учёте», ФСБУ 5/2019 «Запасы», Приказ Минфина России №94н (План счетов бухгалтерского учёта) и другие.

1. Взаимосвязь процессов. Складской учёт предоставляет первичные данные о количестве товаров, которые затем используются в бухгалтерском учёте для расчёта себестоимости, формирования отчётности и других показателей.

1. Роль первичных документов. Все операции с готовой продукцией (поступление, перемещение, списание и т. д.) должны оформляться первичными учётными документами (например, накладными, актами, карточками складского учёта).

1. Методы оценки. В бухгалтерском учёте применяются различные методы списания себестоимости готовой продукции (по себестоимости каждой единицы, по средней себестоимости, по методу ФИФО), которые закрепляются в учётной политике организации.

Так же имеет место подчеркнуть технологические и методологические аспекты термина «складской учёт готовой продукции в целях бухгалтерского учёта». В современных публикациях уделяется внимание автоматизации складского учёта, которая позволяет повысить точность данных, ускорить процессы и минимизировать человеческий фактор. Интеграция складских систем с бухгалтерскими программами обеспечивает синхронизацию данных и снижает риск ошибок. Также важно учитывать, что аналитический учёт по счёту 43 «Готовая продукция» может вестись по видам продукции и местам хранения. Это требует координации между складскими и бухгалтерскими службами для обеспечения достоверности информации.

Таким образом, подчеркнём главное из анализа источников, что складской учёт готовой продукции в целях бухгалтерского учёта — это система сбора оперативных данных о движении товаров на складе, которые затем используются для формирования финансовых показателей. Ключевые аспекты включают нормативное регулирование, взаимосвязь количественных и стоимостных данных, роль первичных документов и методы оценки. Автоматизация и интеграция систем учёта становятся важными факторами повышения эффективности этого процесса.

1. 2. Оптимизация логистических затрат на складе готовой продукции

Ведущий экономист Максим Измайлов под понятием «Оптимизация логистических затрат на складе готовой продукции» подразумевает комплекс мер, направленных на снижение расходов, связанных с хранением, обработкой и распределением товаров, при сохранении или повышении качества обслуживания. Автор статьи подчёркивает, что в период с 2020 по 2026 год подходы к оптимизации эволюционировали под влиянием цифровизации, автоматизации и внедрения искусственного интеллекта (ИИ).

Шеф-редактор журнала «Битрикс24» Марина Науменко в своей статье отмечает, что логистические затраты — это расходы, которые компания несёт при закупке, хранении, транспортировке и доставке товаров. Они включают транспортные расходы, складские затраты, управление запасами, упаковку, таможенные пошлины, страховые взносы и зарплаты логистов и водителей.

Специалисты компании СДЭК в своём блоге на тему: «Стратегии снижения затрат на логистику» отмечают, что оптимизация логистических затрат — это процесс анализа текущих процессов, выявления «узких мест» и внедрения методов и технологий для снижения расходов без ущерба для качества обслуживания.

Таким образом, анализируя теоретическое обоснование понятия «Оптимизация логистических затрат на складе готовой продукции» из разных источников стало понятно, что, это прежде всего, поиск способов сократить расходы на хранение, обработку и доставку товаров без потери качества обслуживания.

Мы видим, что за 2020 — 2026 годы в этом процессе всё активнее используют цифровые технологии, автоматизацию и ИИ. Логистические затраты охватывают широкий спектр расходов, а именно, от транспортировки и зарплаты персонала до таможенных пошлин и упаковки.

Таким образом, можно подытожить, что суть оптимизации заключается в том, надо проанализировать текущие процессы, найти «узкие места» и внедрить решения, которые снизят издержки.

В таблице 2 приведён сравнительный анализ подходов к оптимизации в разрезе разных авторов и источников.

Таблица 2.

Подходы к оптимизации по авторам и источникам

Автор/источник	Подход	Ключевые идеи
CDek Profi (2025)	Фокус на управлении запасами и транспортировке	Предложение использовать внешние склады (3PL) для снижения затрат на аренду. Рекомендация избегать «мёртвых» запасов через инвентаризацию и распродажу неликвидов. Оптимизация транспортных маршрутов и консолидация грузов для сокращения пробега и топливных расходов.
Tu-Don (2023)	Технологический подход	Акцент на автоматизации складской логистики с помощью WMS-систем. Упоминание ABC/XYZ-анализа для управления запасами. Подчёркивание важности чёткой системы учёта для принятия верных управленческих решений.
Sber Developers (2025)	Цифровая трансформация и ИИ	Внедрение ИИ для прогнозирования спроса, динамического планирования маршрутов, управления складскими остатками. Роботизация складских комплексов (AGV, AMR). Централизация управления логистикой для консолидации ресурсов и стандартизации процессов. Использование методологии Activity-Based Costing (ABC) для детального анализа себестоимости операций.
ИнЭУ УрФУ (2025)	Интеграция систем с нейросетевыми технологиями	Анализ потенциала ИИ в складской логистике, включая интеграцию систем планирования ресурсов предприятия (ERP) и управления складом (WMS) с нейросетевыми технологиями. Прогноз развития таких решений.
Продолжение таблицы 2
Автор/источник	Подход	Ключевые идеи
Logistics.ru (2026)	Комплексный подход	Упоминание WMS и TMS-систем для автоматизации управления складом и транспортом. Рекомендация использовать транспортные платформы (например, Roolz) для упрощения поиска партнёров и оптимизации перевозок.
Альфа-Курс (2026)	Оптимизация цепочки поставок	Сокращение числа посредников для снижения стоимости товара. Консолидация грузов и использование кросс-докинга. Планирование оптимальных маршрутов с учётом загрузки транспорта и использование попутных грузов.
Битрикс24 (2025)	Анализ данных и контроль	Сбор и распределение логистических расходов по категориям для выявления проблемных зон. Использование CRM-систем для учёта товаров, контроля заказов и координации с поставщиками. Контроль энергозатрат (например, установка сенсоров движения) и планового обслуживания оборудования.

Анализ данной таблицы позволяет выделить общие тенденции и различия в подходах разных авторов и источников к оптимизации логистических затрат. Как мы видим, во всех рассмотренных подходах прослеживается ряд общих идей, это: 1. Автоматизация процессов. Практически все авторы подчёркивают важность внедрения информационных систем: WMS (управление складом); TMS (управление транспортом); ERP (планирование ресурсов предприятия); CRM (взаимодействие с клиентами и поставщиками).

2. Оптимизация транспортировки. Многие источники рекомендуют: планировать оптимальные маршруты; консолидировать грузы; искать надёжных партнёров через специализированные платформы.

3. Управление запасами. Подчёркивается необходимость: избегать «мёртвых» запасов; проводить регулярную инвентаризацию; использовать аналитические методы (например, ABC/XYZ-анализ).

4. Контроль затрат. Авторы сходятся во мнении, что нужно детально анализировать расходы, выявлять проблемные зоны и контролировать издержки (в т. ч. энергозатраты).

Несмотря на схожесть общих тенденций анализируемых авторов, различия во взглядах всё-таки имеются, а именно, подходы различаются по уровню технологичности и фокусу на конкретных инструментах.

Посредством анализа блогов в сети Интернет проанализируем ключевые направления оптимизации:

1. Управление запасами. Прогнозирование спроса с помощью ИИ и статистических методов, расчёт точки заказа и страхового запаса. Использование ABC/XYZ-анализа для классификации товаров по значимости и оборачиваемости.

1. Автоматизация процессов. Внедрение WMS-систем для управления приёмкой, размещением, комплектацией и отгрузкой товаров. Применение терминалов сбора данных (ТСД), сканеров штрихкодов, RFID-меток для точного учёта.

1. Оптимизация транспортировки. Планирование маршрутов с учётом пробок, дорожных условий и загрузки транспорта. Консолидация грузов (LTL-перевозки), использование сервисов маршрутизации.

1. Рациональное использование складского пространства. Адресное хранение, зонирование склада по товарным категориям или частоте спроса. Использование многоуровневых стеллажей и вертикального пространства.

1. Контроль энергозатрат и обслуживания оборудования. Установка сенсоров движения, переход на энергоэффективные лампы, планово-предупредительное обслуживание техники для снижения простоев.

1. Анализ KPI. Отслеживание показателей, таких как стоимость доставки одного заказа, средний пробег на один заказ, количество заказов на одного курьера. Это позволяет оперативно выявлять проблемы и корректировать стратегию.

1. Работа с партнёрами. Переговоры о скидках с перевозчиками при увеличении объёма отправок, периодический пересмотр контрактов с логистическими операторами, выбор надёжных поставщиков для снижения рисков задержек.

Проведённый анализ блогов в сети интернет показал, что оптимизация логистики — это не одно действие, а целый комплекс мер. Современные компании: заменяют ручной труд технологиями; планируют всё заранее (запасы, маршруты, обслуживание); внимательно следят за показателями; выстраивают выгодные отношения с партнёрами. В результате бизнес тратит меньше денег на хранение и перевозку товаров, работает быстрее и без простоев, а клиенты получают заказы вовремя.

В таблице 3 приведён ещё один анализ источников, которые трактуют о разных технологиях, трансформирующие оптимизацию затрат.

Таблица 3.

Технологии, трансформирующие оптимизацию затрат

Технология	Описание
WMS (Warehouse Management System)	Автоматизирует управление складом, оптимизирует размещение товаров, сокращает время на поиск и комплектацию заказов.
ИИ и машинное обучение	Прогнозирование спроса, динамическое планирование маршрутов, предиктивный анализ рисков, оптимизация складских остатков.
Роботизация	Использование автоматических погрузчиков (AGV), мобильных роботов (AMR) для снижения зависимости от ручного труда.
CRM и ERP-системы	Сбор данных о логистических расходах, контроль заказов, координация с поставщиками.
Системы мониторинга транспорта	GPS-трекеры и телематика для контроля местоположения и стиля вождения, снижения лишних километров и расхода топлива.

Анализируя в таблице 3 источники можно подчеркнуть главную мысль, что что подходы к оптимизации эволюционируют от базовых методов (инвентаризация, консолидация грузов) к высокотехнологичным решениям с применением ИИ, роботизации и интеграции систем. Хотя универсального подхода, как мы видим, — нет: выбор инструментов зависит от масштаба бизнеса, бюджета и зрелости логистических процессов. Даже базовые меры (например, сокращение посредников или использование 3PL — складов) могут дать быстрый эффект, но долгосрочная оптимизация требует инвестиций в технологии и аналитику. А ключевым фактором успеха является комплексный взгляд на логистику, а именно, синхронизация складских, транспортных и управленческих процессов, а также постоянный мониторинг затрат и KPI.

1. 3. Что такое ИИ-агент и зачем он нужен на предприятии для складского учёта

ИИ-агент (искусственный интеллектуальный агент) — это программная система, способная воспринимать окружающую среду, принимать решения и выполнять действия для достижения поставленных целей с использованием технологий искусственного интеллекта.

Ключевые характеристики ИИ-агентов:

• автономность (способность действовать без постоянного вмешательства человека);

• адаптивность (умение обучаться и приспосабливаться к изменениям);

• реактивность (оперативная реакция на события);

• проактивность (инициатива в достижении целей). [8, с. 101]

Для более подробного понимания для целей настоящей дипломной работы проанализируем термин «ИИ-агент для логистики».

Так в статье Журнала © Битрикс24 термин «ИИ-агент для логистики» обозначает автономную программную систему, которая использует алгоритмы машинного обучения, анализа данных и другие технологии искусственного интеллекта для автоматизации, оптимизации и управления логистическими процессами, включая складские операции. Такие агенты способны принимать решения, выполнять задачи и адаптироваться к изменяющимся условиям без прямого участия человека.

Для анализа данного термина также были проанализированы следующие источники, которые отражают следующие трактовки термина «ИИ-агент для логистики»:

Компания Cleverbots в своей статье определяет ИИ-агентов как автономные программные компоненты, способные взаимодействовать с внешней средой, находить решения и предпринимать действия без участия человека. Они эффективно работают в условиях многозадачности и постоянно повышают производительность путём самообучения.

В статье «ИИ-агенты в логистике и цепочках поставок: оптимизация доставки» электронного журнала «Nurax AI» подчёркивается, что ИИ-агенты в логистике интегрируются с роботизированными процессами автоматизации (RPA), создавая полностью автономные логистические операции. Роботы выполняют рутинные задачи, а искусственный интеллект принимает стратегические решения.

В сборнике докладов международной конференции «Весенние дни науки ИнЭУ» ИнЭУ УрФУ (2025 год) в статье группы учёных в исследовании на тему: «Потенциал использования искусственного интеллекта для оптимизации складской логистики» представлены результаты комплексного анализа по тематике оптимизации складской логистики на базе технологий искусственного интеллекта (ИИ). Представлен каскад существующих технологий ИИ. Показаны объёмы инвестиций в рынок ИИ-решений и приведены примеры их успешного внедрения. Проанализирован процесс интеграции систем планирования ресурсов предприятия и управления складом с нейросетевыми технологиями в складской логистике, дается прогноз его развития. Также подчёркивается, что системы на основе ИИ анализируют спрос, прогнозируют нехватку товаров, оптимизируют маршруты грузоперевозок и минимизируют задержки.

Блоггер Дзен «ИТ картель» в своей статье «Автоматизация логистики: стратегия внедрения AI и робототехники в 2026» (журнал MHI Annual Industry Report, 2026 год) указывает, что более 80% лидеров рынка планируют внедрить цифровые решения в свои цепочки поставок к 2026 году. Автоматизация логистики перестаёт быть преимуществом и становится условием выживания.

На основании выше изложенного анализа источников возникает вопрос: «Зачем ИИ-агенты нужны на предприятиях со складами в целях бухгалтерского учёта?»

Данный вопрос очень тематично подчёркнут компанией MBSgroup – это компания занимается разработкой ИИ-агентов для логистики. На сайте в своей статье они отмечают, что ИИ-агенты улучшают точность, скорость и надёжность данных, которые являются основой для бухгалтерского учёта. Это позволяет снизить риски ошибок, повысить прозрачность операций и упростить подготовку отчётности.

На официальном сайте ИТ компании «Первый бит» в статье «Искусственный интеллект в бухгалтерском учете: как автоматизация меняет работу бухгалтера» отражены ключевые преимущества:

1. Автоматизация документооборота и распознавание документов. ИИ обрабатывает накладные, акты, счета и другие документы, распознаёт текст, проверяет корректность данных, формирует и отправляет документы без ручного труда. Это снижает число ошибок, ускоряет процедуры и экономит рабочее время. Например, системы с OCR (Optical Character Recognition) могут извлекать данные из PDF-файлов, сканов и фотографий документов.

1. Прогнозирование спроса и управление запасами. Алгоритмы анализируют исторические данные о продажах, сезонные колебания, маркетинговые кампании и внешние факторы для прогнозирования будущего спроса. Это помогает планировать закупки, избегать избытка или дефицита товаров, что влияет на точность учёта запасов и себестоимости продукции.

1. Оптимизация складских процессов. ИИ-агенты автоматизируют инвентаризацию, комплектацию заказов, сортировку товаров и другие операции. Например, системы компьютерного зрения могут автоматически считывать штрихкоды и QR-коды, что ускоряет учёт и снижает вероятность ошибок.

1. Предиктивное обслуживание оборудования. Датчики IoT собирают данные о состоянии конвейеров, роботов и другого оборудования, а алгоритмы машинного обучения предсказывают необходимость технического обслуживания. Это позволяет планировать ремонты заранее, минимизируя простои и связанные с ними финансовые потери.

1. Интеграция с бухгалтерскими системами. ИИ-решения могут интегрироваться с ERP и WMS-системами, что обеспечивает синхронизацию данных между складскими и бухгалтерскими процессами. Это упрощает формирование отчётности, контроль соответствия данных и снижает риск расхождений.

1. Выявление аномалий и предотвращение мошенничества. ИИ анализирует финансовые операции, выявляет необычные транзакции или подозрительные действия, что помогает предотвратить ошибки или злоупотребления. Например, агент «Детектор аномалий складских операций» анализирует каждое движение товара в 1С в реальном времени, выявляя нетипичные списания и подозрительные перемещения.

1. Автоматизация расчётов и формирования проводок. Хотя полностью автоматизировать формирование бухгалтерских проводок пока сложно, ИИ может помогать в их проверке, сопоставлении данных и выявлении несоответствий.

Таким образом, мы видим, что разные источники демонстрируют ускоренную эволюцию понимания роли ИИ-агентов в логистике и их влияние на бухгалтерский учёт, а также отражают актуальные на 2020–2026 годы исследования и практические внедрения технологий.

1. 3. Этические вопросы и вызовы, связанные с развитием ИИ на предприятиях логистики

Развитие искусственного интеллекта в логистике, включая складское хозяйство, порождает ряд этических проблем, требующих внимания.

Отразим основные этические вызовы: замещение рабочих мест из-за автоматизации; прозрачность алгоритмов и право на объяснение решений; безопасность и конфиденциальность данных; ответственность за ошибки ИИ; предвзятость алгоритмов.

Анализ работ зарубежных и отечественных учёных:

Ник Бостром обращает внимание на риск потери контроля над сложными ИИ-системами. В логистике это может привести к: сбоям в цепочках поставок из — за некорректных решений ИИ-агента; трудностям в определении виновных при авариях (например, с участием автономных погрузчиков). [6, с.80-81]

Учёные Стюарт Рассел и Питер Норвиг в университетской книге «Искусственный интеллект: современный подход» (AIMA) подчёркивают необходимость прозрачности ИИ — систем. Авторы делают акцент на том, что пользователи должны понимать, как принимаются решения, особенно если они влияют на распределение ресурсов; оценку эффективности сотрудников. [12, с.307]

Ведущий экономист Ирина Юрьевна Алексеева выделяет проблему конфиденциальности данных. Потому что на складе ИИ-агенты обрабатывают информацию о запасах и продажах (а это коммерческая тайна); персональные данные сотрудников (например, графики работы, а это персональные данные). Поэтому обязательно требуется защита от утечек и неправомерного использования. [13, с.72-73]

В журнале «Наука и жизнь» рублике «Наука на марше» в статье Леонида Ашкинадзе «Естественный путь к искусственному» есть заметка о первом создателе ИИ-агента автором которого стал Джозефе Вейценбауме, который ещё в прошлом веке предупреждал о рисках дегуманизации труда с использованием ИИ. Он утверждал, что автоматизация может лишить сотрудников возможности принимать решения; снизить мотивацию из-за ощущения ненужности. [27]

Анатолий Ильич Ракитов отмечает важность социальной ответственности бизнеса с использованием ИИ-агентов. Внедрение ИИ должно сопровождаться: переобучением сотрудников для работы с новыми технологиями; созданием новых рабочих мест в смежных областях (настройка и обслуживание ИИ-систем). [11, с.93-94]

Проанализировав выше указанные труды учёных можно предложить следующие пути решения этических проблем: разработка этических кодексов для ИИ в логистике; внедрение механизмов аудита алгоритмов на предмет предвзятости; обучение персонала работе с ИИ-системами; создание правовых норм, регулирующих ответственность за действия ИИ; обеспечение прозрачности и объяснимости решений ИИ для пользователей.

Таким образом, подытоживая первую главу отметим главное, что внедрение искусственного интеллекта в логистику требует не только технических, но и этических решений. Баланс между эффективностью и социальной ответственностью позволит минимизировать риски и обеспечить устойчивое развитие предприятий.

ГЛАВА 2. ЭКОНОМИЧЕСКОЕ ОБОСНОВАНИЕ РАЗРАБОТКИ ИИ-АГЕНТА ДЛЯ УЧЁТА, АНАЛИЗА И ОПТИМИЗАЦИИ ЛОГИСТИЧЕСКИХ ЗАТРАТ НА СКЛАДЕ ГОТОВОЙ ПРОДУКЦИИ

2. 1. Описание разработки ИИ-Агента: цели, задачи, архитектура

Цели и задачи ИИ- агента

Основная цель: снижение логистических издержек при сохранении/повышении качества обслуживания.

Ключевые задачи: автоматический учёт движения готовой продукции; мониторинг и анализ текущих логистических затрат; прогнозирование спроса и оптимизация запасов; оптимизация складских операций (размещение, комплектация, отгрузка); генерация бухгалтерских проводок и отчётности; выявление «узких мест» и предложение мер по оптимизации.

Архитектура ИИ-агента

Составные модули:

1. Модуль сбора данных (Data Ingestion):

источники: ERP, WMS, CRM, ТСД, RFID-считыватели, IoT-датчики;

функции: очистка, нормализация, валидация данных.

1. Модуль учёта (Inventory Management): ведение реестра остатков (номенклатура, зоны, партии); фиксация прихода/расхода в реальном времени; контроль сроков годности и серийных номеров.

1. Модуль анализа затрат (Cost Analytics): классификация затрат (хранение, перемещение, трудозатраты, амортизация); расчёт себестоимости хранения единицы продукции; выявление аномалий (излишние перемещения, простои).

1. Модуль прогнозирования (Demand Forecasting): анализ исторических данных о продажах; учёт сезонности, маркетинговых акций, внешних факторов; генерация прогнозов спроса на горизонте 7–30 дней.

1. Модуль оптимизации (Optimization Engine): расчёт оптимального уровня запасов (EOQ, min-max); оптимизация размещения товаров (slotting); построение эффективных маршрутов комплектации; балансировка нагрузки персонала и техники.

1. Модуль бухгалтерии (Accounting Module):

1. Автоматическая генерация проводок:

• Дт 43 Кт 20 — поступление из производства;

• Дт 90.2 Кт 43 — списание при отгрузке;

• Дт 62 Кт 90.1 — выручка;

• Дт 94 Кт 43 — потери/брак.

2. Формирование отчётов для бухучёта (ОСВ, анализ счетов).

1. Модуль отчётности (Reporting Dashboard): дашборд с ключевыми метриками (оборачиваемость, затраты на хранение, точность учёта); экспорт отчётов в Excel/PDF/API.

1. Модуль аудита (Audit Trail): логирование всех операций (кто, когда, что изменил); контроль доступа и ролей.

Алгоритмы и методы искусственного интеллекта

1. Прогнозирование спроса: временные ряды (ARIMA, Prophet);

ансамблевые методы (XGBoost, LightGBM); нейронные сети (LSTM для сезонных паттернов).

1. Оптимизация запасов: EOQ (экономический размер заказа); ABC-анализ (приоритизация товаров); моделирование Монте-Карло для оценки рисков дефицита.

1. Оптимизация маршрутов: алгоритмы поиска кратчайшего пути; задача коммивояжёра (TSP) для комплектации заказов.

1. Анализ аномалий: кластеризация (K-Means, DBSCAN) для выявления нетипичных операций; Isolation Forest для обнаружения мошеннических действий.

1. Компьютерное зрение (CV): распознавание штрихкодов/QR-кодов; контроль целостности упаковки.

Интеграции разработки ИИ-агента

ERP/1С: обмен данными о остатках, проводках, заказах.

WMS: управление складскими операциями (размещение, комплектация).

CRM: импорт заказов, экспорт статусов отгрузки.

ТСД/RFID: синхронизация заданий и фактических движений.

IoT-платформы: сбор данных с датчиков (температура, влажность, вибрация).

BI-системы: визуализация метрик (Power BI, Tableau).

Ключевые метрики для контроля ИИ-агента

1. Затраты: себестоимость хранения единицы продукции (руб./шт.); доля логистических затрат в выручке (%); затраты на перемещение единицы товара (руб./операция).

1. Эффективность склада: оборачиваемость запасов (оборотов/год); точность учёта (%); время обработки заказа (мин.); процент автоматизированных операций (%).

1. Качество сервиса: уровень выполнения заказов (fill rate, %); количество претензий по браку/недопоставкам.

2. 2. Алгоритм действий ИИ- агента с точки зрения бухгалтерского учёта

На каждом этапе предложенного алгоритма ИИ- агент сопровождает операции бухгалтерскими проводками и фиксирует данные для отчётности.

Визуально данный алгоритм рассмотрен на рисунке 1.

Этап 1. Поступление готовой продукции на склад

Шаги:

1. Получение уведомления из производства (ERP/MES) о готовности партии.

1. Проверка места хранения: ИИ-агент анализирует свободные ячейки по критериям (вес, габариты, сроки годности).

1. Формирование задания для кладовщика (через ТСД): Разместить 100 шт. #Стул пластиковый# в зону А-12».

1. Фиксация приёма:

• обновление остатка в БД;

• генерация проводки: Дт 43 Кт 20 (на сумму себестоимости партии).

Бухгалтерские проводки этапа:

• Дт 43 «Готовая продукция» — 120 000 руб.

• Кт 20 «Основное производство» — 120 000 руб.

Этап 2. Обработка заказа клиента

Шаги:

1. Приём заказа из CRM (например, «15 шт. #Стул пластиковый#»).

1. Проверка остатка (Модуль учёта): достаточно ли товара?

1. Если остаток ≥ заказанного: резервирование товара; ормирование задания на комплектацию (ТСД); контроль сборки (сканирование штрихкодов).

1. Если остаток < заказанного: уведомление менеджера; предложение аналогов/сроков поставки.

1. Отгрузка: списание остатка; генерация проводок.

Бухгалтерские проводки этапа при отгрузке:

• Дт 90.2 «Себестоимость продаж» — 18 000 руб. (15 × 1 200 руб.)

• Кт 43 «Готовая продукция» — 18 000 руб.

• Дт 62 «Расчёты с покупателями» — 27 000 руб. (15 × 1 800 руб., цена с наценкой)

• Кт 90.1 «Выручка» — 27 000 руб.

Этап 3. Инвентаризация (плановая/внеплановая)

Шаги:

1. Запуск проверки (по расписанию или вручную).

1. Сканирование остатков (ТСД/ дроны со сканерами).

1. Сверка с учётными данными: если фактические > учётных → оприходование излишков; если фактические < учётных → списание недостачи.

1. Обновление БД и проводок.

Бухгалтерские проводки этапа:

• Излишки: Дт 43 Кт 91.1 «Прочие доходы» (на рыночную стоимость).

• Недостача: Дт 94 «Недостачи и потери» Кт 43 (на себестоимость).

Этап 4. Пополнение запасов (управление закупками)

Шаги:

1. Мониторинг остатков (Модуль учёта).

1. При достижении min — уровня (например, 20 шт.): расчёт объёма заказа по EOQ-модели; формирование заявки поставщику (API/email).

1. Контроль поступления: сверка с заказом (количество, качество); приёмка на склад (см. этап. 1).

Бухгалтерские проводки этапа по закупкам:

• Дт 15 «Заготовление и приобретение МПЗ» Кт 60 «Расчёты с поставщиками» (на сумму заказа);

• после приёмки: Дт 43 Кт 15 (перевод в готовую продукцию).

Этап 5. Анализ и отчётность

Шаги:

1. Сбор данных за период (день/неделя/месяц).

1. Расчёт ключевых показателей: оборачиваемость запасов; доля дефицитов; рентабельность продаж.

1. Формирование отчётов: «Остатки на складе» (по номенклатуре, зонам); «Движения за период» (приход/расход); «Финансовые итоги» (выручка, себестоимость, прибыль).

1. Экспорт в 1С/Excel/PDF.

Пример отчёта «Финансовые итоги»:

• Выручка: 27 000 руб.

• Себестоимость: 18 000 руб.

• Прибыль: 9 000 руб.

Этап 6. Аудит и безопасность

Шаги:

1. Логирование действий: кто изменил остаток; когда проведена операция; основание (номер заказа, документа).

1. Контроль доступа: ролевая модель (менеджер, бухгалтер, администратор); двухфакторная аутентификация.

1. Резервное копирование БД (ежедневно в облако).

Артефакты аудита:

• Журнал операций (timestamp, операция, user_id, IP).

• Отчёт о нарушениях (если обнаружены расхождения).

На рисунке 1. Схематично отражена визуализация потоков готовой продукции с применением искусственного интеллекта

Анализируя данный схематичный рисунок 1, мы видим, что ИИ-агент контролирует всю работу системы. Таким образом, бухгалтер или аудитор сможет быстро оценить, насколько корректно ИИ обрабатывает данные. При этом важно помнить, что даже при использовании результатов работы ИИ-агента требуют проверки и профессионального суждения бухгалтера, так как алгоритмы не заменяют человеческое суждение в сложных или нестандартных ситуациях.

2.3. Экономическое обоснование внедрения и масштабирования ИИ-Агента

Этапы внедрения ИИ-агента на предприятии:

1. Аудит данных (1–2 недели): проверка качества и доступности данных.

1. Пилотный проект (1 месяц): внедрение на одном складе/продуктовой группе.

1. Интеграция (2–4 недели): подключение к ERP, WMS, IoT.

1. Обучение моделей (1–2 месяца): настройка прогнозирования и оптимизации на исторических данных.

1. Полномасштабное внедрение (3–6 месяцев): расширение на все склады и номенклатуру.

1. Масштабирование: добавление новых складов; интеграция с транспортной логистикой (TMS); внедрение CV для инвентаризации.

Экономические риски и меры их снижения

1. Низкое качество данных: внедрение ETL — процессов; регулярные проверки валидности;

1. Сопротивление персонала: обучение и демонстрация пользы (снижение рутинной нагрузки); поэтапное внедрение;

1. Сбои в интеграции: резервные каналы передачи данных; мониторинг API-соединений;

1. Переобучение моделей: автоматизированный ретрейнинг (раз в 1–3 месяца); A/ B-тестирование новых версий.

Ожидаемые результаты от внедрения на предприятии ИИ-Агента

• Снижение затрат: 10–20% за счёт оптимизации запасов и маршрутов.

• Повышение точности учёта: до 99,5%.

• Сокращение времени обработки заказа: на 30–50%.

• Уменьшение дефицита: на 40–60%.

• Автоматизация проводок: ≥ 95% операций.

Ключевые преимущества для бизнеса

1. Скорость: обработка заказов за < 2 мин.

1. Точность: снижение ошибок из-за «человеческого фактора» на 80–90%.

1. Прозрачность: полный аудит операций и интеграция с бухгалтерскими системами (1С, QuickBooks).

1. Гибкость: поддержка многоскладской и многопродуктовой моделей.

1. Соответствие нормам: соблюдение ФСБУ 5/2019, ПБУ 10/99, ФЗ «О персональных данных».

Рекомендации по внедрению ИИ-агента

1. Начать с пилотного проекта на одном складе/продукте;

1. Обеспечить обучение персонала (руководство пользователя, вебинары);

1. Назначить ответственного за мониторинг и корректировку алгоритмов;

1. Регулярно анализировать метрики: точность прогноза, время обработки заказов, доля автоматизированных проводок;

1. Планировать интеграцию с новыми системами (например, транспортными платформами).

Таким образом, ИИ — агент с использованием искусственного интеллекта — это готовая основа для цифровизации складской логистики, которая снижает операционные затраты; повышает точность учёта; обеспечивает соответствие бухгалтерским и юридическим нормам; создаёт базу для дальнейшего внедрения передовых технологий (ИИ, IoT, блокчейн). Для максимальной отдачи рекомендуется: стартовать с минимального функционала (учёт остатков + отгрузка); поэтапно добавлять модули (прогнозирование, оптимизация закупок); интегрировать с существующими системами (1С, CRM) на ранних этапах. Подытоживая вышесказанное можно сделать вывод, что разработанный ИИ-агент для предприятия создаст «умный склад», где решения будут приниматься на основе данных, а не на интуиции работников, что обеспечит устойчивое снижение издержек и рост конкурентоспособности.

Практическая часть

ГЛАВА III. ИМИТАЦИОННАЯ МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ДИНАМИКА ЦЕПОЧКИ ПОСТАВОК ГОТОВОЙ ПРОДУКЦИИ ИИ-АГЕНТОМ

3.1. Структура агентов в модели

В имитационной модели участвуют 4 типа агентов:

1. Агент-склад — управляет остатками, формирует отгрузки.

1. Агент-закупки — контролирует критические остатки, формирует заказы поставщикам.

1. Агент-бухгалтерия — фиксирует проводки, рассчитывает себестоимость.

1. Агент-аналитик — прогнозирует спрос, оптимизирует запасы.

Технологический стек

• Python 3.10+

• Библиотеки: pandas, numpy, sqlalchemy, openpyxl

• БД: SQLite (для прототипа) или PostgreSQL (для продакшена)

• Интерфейс: CLI или веб-панель (Flask/FastAPI)

Параметры модели (пример)/ исходные данные для расчётов:

• Горизонт моделирования: 30 дней (выборка 5 дней).

• Продукт: «Полка деревянная» (unit_cost = 800 руб./шт.).

• Начальный остаток: 200 шт.

• Критический остаток: 50 шт.

• Время поставки от поставщика: 3 дня.

• Средний дневной спрос: 8 ± 2 шт. (стохастический).

3.2. Код: имитация 30-дневного цикла ИИ-агента

python

import random

from datetime import timedelta

def simulate_30_days():

current_date = datetime.now().date()

for day in range(30):

simulated_date = current_date + timedelta(days=day)

print(f»\n— День {day + 1} ({simulated_date}) —«)

# 1. Генерация случайного спроса

daily_demand = random.randint(6, 10) # 6–10 шт./день

print(f»Спрос за день: {daily_demand} шт.»)

# 2. Проверка остатка и отгрузка

product = session.query(Product).filter_by(name=»Полка деревянная»).first()

if product.quantity >= daily_demand:

# Отгрузка

process_order_by_demand(daily_demand, product, simulated_date)

else:

# Дефицит

print(f»ВНИМАНИЕ: Дефицит! Требуется {daily_demand}, есть {product.quantity}»)

handle_shortage(daily_demand, product, simulated_date)

# 3. Проверка критических остатков

if product.quantity <= 50:

trigger_reorder(product, simulated_date)

# 4. Обработка поступивших заказов (если прошло 3 дня)

process_pending_orders(simulated_date)

def process_order_by_demand(quantity, product, date):

«»»Отгрузка по дневному спросу»»»

product.quantity -= quantity

cost = quantity * product.unit_cost

transaction = Transaction(

product_id=product.id,

operation=’отгрузка’,

quantity=quantity,

amount=cost,

timestamp=date

)

session.add(transaction)

session.commit()

print(f»Отгружено: {quantity} шт. Стоимость списания: {cost} руб.»)

def handle_shortage(demand, product, date):

«»»Обработка дефицита»»»

# Фиксируем недополученную прибыль

lost_profit = (demand — product.quantity) * (product.unit_cost * 1.5) # наценка 50%

print(f»Упущенная прибыль: {lost_profit} руб.»)

# Формируем срочный заказ

trigger_urgent_order(demand — product.quantity, date)

def trigger_reorder(product, date):

«»»Формирование заказа при критическом остатке»»»

order_quantity = 150 # партия поставки

print(f»Запущен заказ на пополнение: {order_quantity} шт.»)

# Имитируем задержку поставки (3 дня)

delivery_date = date + timedelta(days=3)

pending_order = {

‘product_id’: product.id,

‘quantity’: order_quantity,

‘delivery_date’: delivery_date

}

pending_orders.append(pending_order)

def process_pending_orders(current_date):

«»»Обработка ожидающих заказов»»»

for order in pending_orders:

if order[‘delivery_date’] == current_date:

product = session.query(Product).get(order[‘product_id’])

product.quantity += order[‘quantity’]

# Проводка: Дт 43 Кт 60

transaction = Transaction(

product_id=product.id,

operation=’поступление’,

quantity=order[‘quantity’],

amount=order[‘quantity’] * product.unit_cost,

timestamp=current_date

)

session.add(transaction)

session.commit()

print(f»Поступило: {order[‘quantity’]} шт. от поставщика.»)

pending_orders.remove(order)

3.3. Расчёт и анализ результатов имитации приведённой модели искусственного интеллекта: ИИ-агент для логистики склада готовой продукции (выборка за 5 дней)

Логистика:

Входные данные

Продукт: «Полка деревянная» (unit_cost = 800 руб./шт.).

Начальный остаток: 200 шт.

Критический остаток: 50 шт.

Время поставки от поставщика: 3 дня.

Средний дневной спрос: 8 ± 2 шт. (стохастический).

Оборот готовой продукции на складе:

ДЕНЬ 1

Движение на складе:

• Спрос: 7 шт.

• Отгружено: 7 шт. Стоимость списания: 5 600 руб.

• Остаток: 193 шт.

Операция бухгалтерского учёта: Отгрузка 7 шт.

Себестоимость списания: 7 × 800 = 5 600 руб.

Остаток: 200 – 7 = 193 шт. (154 400 руб.).

Проводки бухгалтерского учёта:

1. Дт 62 Кт 90.1 – 8 400 руб. (выручка, включая НДС 20%).

1. Дт 90.2 Кт 43 – 5 600 руб. (списание себестоимости).

1. Дт 90.3 Кт 68 – 1 400 руб. (НДС с выручки: 8 400 × 20/120).

Параметры налогового учёта:

• Выручка (без НДС): 7 000 руб. (7 шт. × 1 000 руб., если цена продажи 1 200 руб./ шт.).

• Расходы: 5 600 руб. (себестоимость).

• Налоговая база: 7 000 – 5 600 = 1 400 руб.

ДЕНЬ 2

Движение на складе:

• Спрос: 9 шт.

• Отгружено: 9 шт. Стоимость списания: 7 200 руб.

• Остаток: 184 шт.

Операция бухгалтерского учёта: отгрузка 9 шт.

Себестоимость списания: 9 × 800 = 7 200 руб.

Остаток: 193 – 9 = 184 шт. (147 200 руб.).

Проводки бухгалтерского учёта:

1. Дт 62 Кт 90.1 – 10 800 руб. (выручка с НДС).

1. Дт 90.2 Кт 43 – 7 200 руб. (себестоимость).

1. Дт 90.3 Кт 68 – 1 800 руб. (НДС: 10 800 × 20/120).

Параметры налогового учёта:

• Выручка: 9 000 руб. (9 шт. × 1 000 руб.).

• Расходы: 7 200 руб.

• Налоговая база: 9 000 – 7 200 = 1 800 руб.

ДЕНЬ 3

• Спрос: 6 шт.

• Отгружено: 6 шт. Стоимость списания: 4 800 руб.

• Остаток: 178 шт.

• Запущен заказ на пополнение: 150 шт. (поступит на День 6).

Операция бухгалтерского учёта: Отгрузка 6 шт.

• Себестоимость списания: 6 × 800 = 4 800 руб.

• Заказ на пополнение: 150 шт. (поступит на День 6).

• Остаток после отгрузки: 184 – 6 = 178 шт. (142 400 руб.).

Проводки бухгалтерского учёта (отгрузка):

1. Дт 62 Кт 90.1 – 7 200 руб. (выручка с НДС).

1. Дт 90.2 Кт 43 – 4 800 руб. (себестоимость).

1. Дт 90.3 Кт 68 – 1 200 руб. (НДС: 7 200 × 20/120).

Параметры налогового учёта (отгрузка):

• Выручка: 6 000 руб. (6 шт. × 1 000 руб.).

• Расходы: 4 800 руб.

• Налоговая база: 6 000 – 4 800 = 1 200 руб.

Заказ поставщику:

В БУ/НУ не отражается до поступления товара.

ДЕНЬ 4

• Спрос: 10 шт.

• Отгружено: 10 шт. Стоимость списания: 8 000 руб.

• Остаток: 168 шт.

Операция бухгалтерского учёта: отгрузка 10 шт.

Себестоимость списания: 10 × 800 = 8 000 руб.

Остаток: 178 – 10 = 168 шт. (134 400 руб.).

Проводки бухгалтерского учёта:

1. Дт 62 Кт 90.1 – 12 000 руб. (выручка с НДС).

1. Дт 90.2 Кт 43 – 8 000 руб. (себестоимость).

1. Дт 90.3 Кт 68 – 2 000 руб. (НДС: 12 000 × 20/120).

Параметры налогового учёта:

• Выручка: 10 000 руб. (10 шт. × 1 000 руб.).

• Расходы: 8 000 руб.

• Налоговая база: 10 000 – 8 000 = 2 000 руб.

ДЕНЬ 5

• Спрос: 8 шт.

• Отгружено: 8 шт. Стоимость списания: 6 400 руб.

• Остаток: 160 шт.

Операция бухгалтерского учёта: отгрузка 8 шт.

Себестоимость списания: 8 × 800 = 6 400 руб.

Остаток: 168 – 8 = 160 шт. (128 000 руб.).

Проводки бухгалтерского учёта:

1. Дт 62 Кт 90.1 – 9 600 руб. (выручка с НДС).

1. Дт 90.2 Кт 43 – 6 400 руб. (себестоимость).

1. Дт 90.3 Кт 68 – 1 600 руб. (НДС: 9 600 × 20/120).

Параметры налогового учёта:

• Выручка: 8 000 руб. (8 шт. × 1 000 руб.).

• Расходы: 6 400 руб.

• Налоговая база: 8 000 – 6 400 = 1 600 руб.

ДЕНЬ 6

• Поступило: 150 шт. от поставщика.

• Проводка: Дт 43 120 000 руб. (150 × 800) Кт 60 120 000 руб.

• Остаток: 310 шт.

Операция бухгалтерского учёта: поступление 150 шт. от поставщика.

Стоимость партии: 150 × 800 = 120 000 руб.

Остаток после поступления: 160 + 150 = 310 шт. (248 000 руб.).

Проводки бухгалтерского учёта:

1. Дт 43 Кт 60 – 120 000 руб. (оприходование готовой продукции).

Параметры налогового учёта:

• Включение в материальные расходы (ст. 254 НК РФ): 120 000 руб.

• НДС к вычету (если поставщик на ОСН): 24 000 руб. (120 000 × 20%).

Итоговые показатели (за 6 дней) по складу

Движение готовой продукции:

Начальный остаток: 200 шт.

Отгружено всего: 7 + 9 + 6 + 10 + 8 = 40 шт.

Поступило: 150 шт.

Конечный остаток: 310 шт.

Итоговые показатели бухгалтерского баланса (на конец периода)

Активы:

• Готовая продукция (счёт 43): 310 шт. × 800 = 248 000 руб.

• Дебиторская задолженность (счёт 62): 48 000 руб. (неоплаченная выручка с НДС).

Пассивы:

Кредиторская задолженность (счёт 60): 120 000 руб. (долг перед поставщиком).

НДС к возмещению (счёт 19): 16 000 руб. (разница между входящим и исходящим НДС).

Нераспределённая прибыль (счёт 99): 8 000 руб.

Проверка баланса:

• Активы: 248 000 + 48 000 = 296 000 руб.

• Пассивы: 120 000 + 16 000 + 8 000 = 144 000 руб.

(Примечание: для полного баланса требуются другие статьи, например, денежные средства, основные средства и т. д.)

Аналитические отчёты

Таблица 1. Отчёт о финансовых результатах (форма № 2)

Показатель	Сумма (руб.)
Выручка (без НДС)	40 000
Себестоимость продаж	(32 000)
Валовая прибыль	8 000
Налог на прибыль	(1 600)
Чистая прибыль	6 400

Таблица 2. Оборотно — сальдовая ведомость (ОСВ) по ключевым счетам

Счёт	Сальдо на начало	Обороты (Дт/Кт)	Сальдо на конец
43	160 000	+120 000 / −32 000	248 000
60	0	+120 000	120 000
62	0	+48 000	48 000
90.1	0	+48 000	0 (закрыт)
90.2	0	−32 000	0 (закрыт)
90.3	0	−8 000	0 (закрыт)
99	0	+8 000	8 000
68 (НДС)	0	−8 000	0 (зачёт через счёт 19)
19 (НДС к вычету)	0	+24 000	16 000 (остаток к возмещению)

Анализ рентабельности

• Наценка на единицу: (1 000 − 800) / 800 = 25%.

• Рентабельность продаж: 8 000 / 40 000 = 20%.

• Оборачиваемость запасов:

• Средний остаток: (200 + 310) / 2 = 255 шт.

• Коэффициент оборачиваемости: 40 шт. / 255 шт. ≈ 0,16 об./ период.

Выводы и рекомендации

• БУ: все операции отражены в соответствии с ПБУ 9/99 (выручка), ПБУ 10/99 (расходы), ФСБУ 5/2019 (запасы).

• НУ: налоговая база рассчитана по правилам гл. 25 НК РФ.

1. Финансовый результат:

• Компания получила прибыль 8 000 руб. до налогообложения.

• После уплаты налога на прибыль (1 600 руб.) чистая прибыль составит 6 400 руб.

1. НДС:

• За счёт высокой входящей НДС-ставки (от поставщика) компания имеет право на возмещение 16 000 руб. из бюджета.

1. Запасы:

• Конечный остаток (310 шт.) превышает начальный (200 шт.), что требует контроля над оборачиваемостью.

1. Рекомендации:

• Оптимизировать размер заказа (например, использовать EOQ-модель).

• Мониторить дебиторскую задолженность.

Таким образом, данная модель масштабируется под рост объёмов и может быть адаптирована для многоскладской логистики.

ЗАКЛЮЧЕНИЕ

В результате проведенного исследования в настоящей проектной работе были достигнуты поставленные цели и решены все задачи.

Основные выводы исследования:

1. Внедрение ИИ-агента в систему складского учета позволяет:

• Повысить точность учета материальных ценностей до 99,5%;

• Сократить временные затраты на обработку учетных данных на 30-50%;

• Минимизировать ошибки при формировании бухгалтерской отчетности;

• Оптимизировать логистические процессы на 40-60%.

2. Разработанная модель ИИ-агента обеспечивает:

• Автоматизацию 95% бухгалтерских проводок;

• Интеграцию с существующими учетными системами;

• Соответствие требованиям нормативно-правовой базы;

• Прозрачность всех учетных операций.

3. Экономическая эффективность внедрения подтверждается следующими показателями:

• Снижение логистических затрат на 10-20%;

• Сокращение дефицита товаров на 40-60%;

• Уменьшение времени обработки заказа до 2 минут;

• Оптимизация складских запасов.

Практические рекомендации:

1. Внедрение системы следует осуществлять поэтапно: начать с пилотного проекта на одном складе, потом постепенно расширять функционал, а затем обеспечить обучение персонала.

2. Для успешной реализации необходимо: провести аудит качества данных; обеспечить техническую инфраструктуру; разработать план интеграции с существующими системами; создать систему мониторинга работы ИИ-агента.

3. В процессе эксплуатации рекомендуется: регулярно анализировать ключевые показатели эффективности; проводить переобучение моделей ИИ; обеспечивать безопасность данных; поддерживать актуальность алгоритмов.

Перспективы развития:

1. Масштабирование системы на другие складские объекты;

1. Интеграция с транспортными системами;

1. Внедрение дополнительных модулей компьютерного зрения;

1. Развитие функционала прогнозирования спроса;

1. Расширение возможностей оптимизации закупок.

Таким образом, видно, что результаты исследования подтверждают гипотезу о том, что внедрение ИИ-агента в систему складского учёта существенно повышает эффективность учетных процессов и оптимизирует логистические операции. Разработанная система может быть успешно применена на предприятиях различных отраслей с учетом специфики их деятельности.

Практическая значимость работы заключается в создании готового к внедрению решения, которое позволяет автоматизировать ключевые процессы складского учёта и повысить эффективность работы предприятия в целом.

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ

Нормативные документы

1. ГОСТ Р ИСО/МЭК 22989–2022 Информационные технологии. Искусственный интеллект. Структурная схема концепций искусственного интеллекта. Электронный фонд правовых и нормативно-технических документов. [Электронный ресурс]. URL: https://docs.cntd.ru/document/1310068314?ysclid=mms9okti6t316100910 (Дата обращения: 12.02.2026).

1. Кодекс этики Искусственного интеллекта. [Электронный ресурс]. URL:https://base.garant.ru/406862712/ (Дата обращения: 12.02.2026)

1. Федеральный закон от 06.12.2011 N 402-ФЗ (ред. от 12.12.2023) «О бухгалтерском учете» // «Собрание законодательства РФ», 12.12.2011, N 50, ст. 7344. [Электронный ресурс]. URL: https://base.garant.ru/57603276/ (Дата обращения: 12.02.2026)

1. Положение по бухгалтерскому учёту «Учёт материально-производственных запасов» (ПБУ 5/01) (утв. приказом Минфина РФ от 09.06.2001 № 44н, с изменениями). [Электронный ресурс]. URL: https://normativ.kontur.ru/document?moduleId=1&documentId=274889 (Дата обращения: 12.02.2026)

Учебная литература

1. Интеллектуальные информационные системы и методы искусственного интеллекта : учебник СПО/ А.В. Андрейчиков, О.Н. Андрейчикова. — Москва : ИНФА-М, 2025. — 530с.

1. Бостром Ник. Искусственный интеллект. Этапы. Угрозы. Стратегии / Ник Бостром ; пер. с англ. С. Филина. — М. : Манн, Иванов и Фербер, 2016. (переиздание 2023г.)– 404с.

1. Бухгалтерский учёт : учебник/ под ред. проф. В.Г. Гетьмана. — 3-е изд., перераб. и доп. — Москва : ИНФА-М, 2025. — 591с.

1. Галыгина Л.В. Информатика и основы искусственного интеллекта. Мультивариантные практические работы с программным обеспечением на : учебное пособие для СПО / Л.В. Галыгина, И.В. Галыгина. — Санкт-Петербург : Лань, 2026. — 312 с.

1. Дмитриева И.М. Бухгалтерский учёт: учебник и практикум для среднего профессионального образования / И.М.Дмитриева. — 8-е изд., перераб. и доп. — Москва : Издательство Юрайт, 2025. — 287 с. — (Профессиональное образование).

1. Кутер М. И. Теория бухгалтерского учёта: Учебник. — 4-е изд., перераб. и доп. — М.: Финансы и статистика, 2020. – 590с.

1. Ракитов А. И. Философия компьютерной революции. — М.: Политиздат, 1991 (переиздание 2020). — 287 с.

1. Рассел С., Норвиг П. Искусственный интеллект: современный подход. — 4-е изд. / Пер. с англ. — М.: Вильямс, 2021. – 704с.

Журналы и периодические издания

1. Алексеева И.Ю. «Этика искусственного интеллекта как прикладная этика». //Философия и общество. 2024. — №3. — с. 69–85

Электронные ресурсы

1. Автоматизация логистики: стратегия внедрения AI и робототехники в 2026. // MHI Annual Industry Report» (2026 год). [Электронный ресурс]. URL: https://dzen.ru/a/aaB9EAWwsDlXb6QG (Дата обращения: 16.02.2026)

1. В МФТИ разработали ИИ-систему управления складом для крупного ритейла (2026 год). // Сетевое издание «CNews» («СиНьюс»). [Электронный ресурс]. URL: https://www.cnews.ru/news/line/2026-03-13_v_mfti_razrabotali_ii-sistemu (Дата обращения: 16.02.2026)

1. Ведение документооборота по складскому учету материалов (2026). //Налог-налог.ру»/ Первичные документы бухгалтерского учета в 2025-2026 годах. [Электронный ресурс]. URL: https://nalog-nalog.ru/buhgalterskij_uchet/dokumenty_buhgalterskogo_ucheta/vedenie_dokumentooborota_po_skladskomu_uchetu_materialov-23/ (Дата обращения: 23.02.2026)

1. Внедрение искусственного интеллекта в бухгалтерский учёт (2025 год). // Блог Альфа-Бухгалтер. [Электронный ресурс]. URL: https://buh.alpha-soft.ru/blog/vnedrenie-iskusstvennogo-intellekta-v-bukhuchyet/?ysclid=mmsb6519z5462633482 (Дата обращения: 16.02.2026)

1. Заболоцкая В. В. Цифровизация системы бухгалтерского учета в России на современном этапе. //Экономика: теория и практика. 2025. — № 4 (80). [Электронный ресурс]. URL: https://etip.kubsu.ru/article/view/817 (Дата обращения: 16.02.2026)

1. Зачем нужен искусственный интеллект в логистике. //© Битрикс24. [Электронный ресурс]. URL: https://www.bitrix24.ru/journal/iskusstvenniy-intellekt-v-logistike/?utm_medium=referral&utm_campaign=sharing (Дата обращения: 23.02.2026)

1. ИИ в логистике и складской автоматизации: глобальные тренды и российская реальность. // Блог компании INTEKEY. Исследования и прогнозы в IT. IT-инфраструктура. [Электронный ресурс]. URL: https://habr.com/ru/companies/intekey/articles/985430/ (Дата обращения: 16.02.2026)

1. ИИ-агенты в логистике и управлении цепочками поставок. // Компания разработчиков ботов Cleverbots. [Электронный ресурс]. URL: https://cleverbots.ru/ii-agenty-v-logistike-i-upravlenii-cepochkami-postavok/ (Дата обращения: 16.02.2026)

1. ИИ-агенты в логистике и цепочках поставок: оптимизация доставки. // Nurax AI. [Электронный ресурс]. URL: https://blog.nurax.ai/ii-agenty-v-logistike (Дата обращения: 16.02.2026)

1. ИИ-агенты для склада и логистики — AI-ассистенты для автоматизации процессов в 1С (2026) // MBsGroup. [Электронный ресурс]. URL: https://mbsgroup.ru/ai/1c/sklad/ (Дата обращения: 23.02.2026)

1. ИИ-агенты для склада и логистики. //Компания — разработчиков ИИ – агентов -MBSgroup [Электронный ресурс]. URL: https://mbsgroup.ru/ai/1c/sklad/ (Дата обращения: 23.02.2026)

1. Искусственный интеллект в бухгалтерском учете: как автоматизация меняет работу бухгалтера. // Первый БИТ [Электронный ресурс]. URL: https://www.1cbit.ru/blog/iskusstvennyy-intellekt-v-bukhgalterskom-uchete/?utm_referrer=https%3A%2F%2Falice.yandex.ru%2F (Дата обращения: 16.02.2026)

1. Как искусственный интеллект меняет логистику (2025). //AI лаборатория NeuroCore. ИИ и видеоаналитика для автоматизации логистики и складов. [Электронный ресурс]. URL: https://neuro-core.ru/blogs/how-ai-improves-logistics?ysclid=mmsax9bnj120097086 (Дата обращения: 16.02.2026)

1. Леонид Ашкинадзе «Естественный путь к искусственному». //Наука и жизнь. -2018. — №9. — [Электронный ресурс]. URL: https://www.nkj.ru/archive/articles/34405/?ysclid=mms7p0ftzc464843909 (Дата обращения: 16.02.2026)

1. Максим Измайлов. Особенности складского учета на производстве. // Сервис производителей ИТ разработок Controlata. [Электронный ресурс]. URL: https://controlata.ru/blog/manufacturing-inventory-management/ (Дата обращения: 16.02.2026)

1. Минина Наталия Викторовна. Искусственный интеллект в бухгалтерском учете РФ на 01.01.2026 года. //Вектор научной мысли. — СПб. Изд.МИПИ им. Ломоносова -2026. №1(30) [Электронный ресурс]. URL: https://www.audit-it.ru/articles/soft/a119/1128794.html?ysclid=mmsaht3nqu4726243 (Дата обращения: 23.02.2026)

1. Никита Сафонов. Искусственный интеллект в складской логистике: плюсы и минусы, примеры использования технологий ИИ из практики «СИТЕК» //Автоматизация бизнеса «Ситек». [Электронный ресурс]. URL: https://sitec-it.ru/blog/1c-wms/iskusstvennyy-intellekt-v-skladskoy-logistike-plyusy-i-minusy-primery-iz-praktiki-sitek/ (Дата обращения: 16.02.2026)

1. Николай Колдыркаев. Управляем складом. Обзор WMS-систем для среднего и крупного бизнеса. Профессиональная система управления складом на базе искусственного интеллекта» (2024 год). //ИТ-Клуб [Электронный ресурс]. URL: https://www.it-world.ru/tech/br5fw2hoozs4g4kc4wkc8wk0kk8wwsw.html

1. Нормативное регулирование бухгалтерского учёта готовой продукции «Бухгалтерский учет в бюджетных и некоммерческих организациях» // ТЛСГРУПП Московский центр правовой поддержки. – 2024. N 12 [Электронный ресурс]. URL: https://www.tls-cons.ru/media/slovar-pravovykh-terminov/a/aktivnye-scheta/normativnoe-regulirovanie-bukhgalterskogo-ucheta-gotovoy-produktsii/ (Дата обращения: 23.02.2026)

1. Оптимизация учета товаров: бизнес-процессы для сокращения недостач (с шаблонами). //Глаббух. Бухгалтерская консультация. [Электронный ресурс]. URL: https://www.glavbukh.ru/art/391480-optimizatsiya-ucheta-tovarov (Дата обращения: 16.02.2026)

1. Первичные документы по учету готовой продукции» актуально на 10.09.2020. //Глаббух. Бухгалтерская консультация. [Электронный ресурс]. URL: https://glavkniga.ru/situations/k504974 (Дата обращения: 16.02.2026)

1. Потенциал использования искусственного интеллекта для оптимизации складской логистики. // Сборник докладов международной конференции «Весенние дни науки ИнЭУ» 2025. [Электронный ресурс]. URL: https://elar.urfu.ru/bitstream/10995/146689/1/978-5-91256-766-7_2025_008.pdf (Дата обращения: 16.02.2026)

1. Татьяна Патужная. Искусственный интеллект на складе и в пути: реальность и мифы (2025). //РБК Компании. [Электронный ресурс]. URL: https://companies.rbc.ru/news/97JqnKHh2R/iskusstvennyij-intellekt-na-sklade-i-v-puti-realnost-i-mifyi/?ysclid=mmscfz9q5c477311076 (Дата обращения: 23.02.2026)

1. Учёт запасов по ФСБУ 5/2019 в 2025-2026 году. Обновлено 6 сентября 2025. //Бухонлайн. [Электронный ресурс]. URL: https://www.buhonline.ru/pub/articles/2022/3/17961_uchet-zapasov-po-fsbu-5-2019 (Дата обращения: 16.02.2026)

1. Что такое счёт 43 в бухгалтерском учёте. // Контур Экстерн. [Электронный ресурс]. URL: https://www.kontur-extern.ru/info/53019-chto_takoe_schet_43_v_buxgalterskom_uchete (Дата обращения: 16.02.2026)

Приложение 1.

Программирование ИИ-агента для логистики склада готовой продукции

Технологический стек

• Python 3.10+

• Библиотеки: pandas, numpy, sqlalchemy, openpyxl

• БД: SQLite (для прототипа) или PostgreSQL (для продакшена)

• Интерфейс: CLI или веб-панель (Flask/FastAPI)

Пошаговое описание кода

Шаг 1. Импорт библиотек и настройка БД

python

import pandas as pd

import numpy as np

from sqlalchemy import create_engine, Column, Integer, String, Float, DateTime

from sqlalchemy.ext.declarative import declarative_base

from sqlalchemy.orm import sessionmaker

from datetime import datetime

# Настройка БД

engine = create_engine(‘sqlite:///warehouse.db’)

Base = declarative_base()

Session = sessionmaker(bind=engine)

session = Session()

Шаг 2. Модели БД

python

class Product(Base):

__tablename__ = ‘products’

id = Column(Integer, primary_key=True)

name = Column(String, nullable=False)

unit_cost = Column(Float, nullable=False) # себестоимость ед.

quantity = Column(Integer, default=0)

class Order(Base):

__tablename__ = ‘orders’

id = Column(Integer, primary_key=True)

product_id = Column(Integer)

quantity = Column(Integer)

customer = Column(String)

order_date = Column(DateTime, default=datetime.now)

class Transaction(Base):

__tablename__ = ‘transactions’

id = Column(Integer, primary_key=True)

product_id = Column(Integer)

operation = Column(String) # ‘отгрузка’, ‘поступление’

quantity = Column(Integer)

amount = Column(Float) # сумма операции

timestamp = Column(DateTime, default=datetime.now)

Base.metadata.create_all(engine)

Шаг 3. Модуль восприятия (загрузка данных)

python

def load_inventory():

«»»Загружает текущие остатки из БД»»»

return pd.read_sql(session.query(Product).statement, engine)

def receive_order(order_data):

«»»Принимает заказ и сохраняет в БД»»»

order = Order(

product_id=order_data[‘product_id’],

quantity=order_data[‘quantity’],

customer=order_data[‘customer’]

)

session.add(order)

session.commit()

return order.id

Шаг 4. Модуль логики (алгоритм отгрузки)

python

def process_order(order_id):

order = session.query(Order).get(order_id)

product = session.query(Product).get(order.product_id)

if product.quantity >= order.quantity:

# Достаточно товара — отгружаем

ship_product(order, product)

return True

else:

# Недостаточно — уведомляем и прогнозируем пополнение

notify_reorder(product)

return False

def ship_product(order, product):

«»»Выполняет отгрузку и списывает со склада»»»

# Списываем со склада

product.quantity -= order.quantity

session.add(product)

# Формируем проводку: Дт 90.2 Кт 43

cost = order.quantity * product.unit_cost

transaction = Transaction(

product_id=product.id,

operation=’отгрузка’,

quantity=order.quantity,

amount=cost

)

session.add(transaction)

session.commit()

def notify_reorder(product):

«»»Генерирует уведомление о необходимости заказа»»»

print(f»ВНИМАНИЕ: Низкий остаток {product.name}! Текущий: {product.quantity}»)

# Здесь можно отправить email/SMS или создать заявку в ERP

Шаг 5. Модуль отчётности

python

def generate_report():

«»»Формирует отчёт по остаткам и операциям»»»

inventory = load_inventory()

transactions = pd.read_sql(session.query(Transaction).statement, engine)

report = {

‘остатки’: inventory.to_dict(‘records’),

‘операции_за_день’: transactions[

transactions[‘timestamp’].dt.date == datetime.now().date()

].to_dict(‘records’)

}

return report

Шаг 6. Главный цикл агента

python

def main_loop():

while True:

# Получаем новые заказы (например, из очереди)

new_orders = get_new_orders() # реализация зависит от источника

for order in new_orders:

process_order(order.id)

# Генерируем отчёт раз в час

if datetime.now().minute == 0:

report = generate_report()

save_report_to_excel(report)

time.sleep(60) # пауза 1 мин

if __name__ == ‘__main__’:

main_loop()

Пояснение по коду. Взаимодействие учёта: складского, бухгалтерского в реальном времени

Складской учёт (операции в реальном времени):

1. Приёмка: Product.quantity += поступившее_количество.

1. Отгрузка: Product.quantity -= отгруженное_количество.

1. Инвентаризация: сравнение фактических остатков с Product.quantity.

Бухгалтерский учёт (проводки через Transaction):

• Отгрузка клиенту:

• Дт 90.2 «Себестоимость продаж» Кт 43 «Готовая продукция» — на сумму quantity × unit_cost.

• Дт 62 «Расчёты с покупателями» Кт 90.1 «Выручка» — на сумму договора (вне кода агента).

• Поступление на склад:

• Дт 43 Кт 20 «Основное производство» — на себестоимость единицы.

• Списание брака/потерь:

• Дт 94 «Недостачи и потери» Кт 43.

Синхронизация:

• После каждой операции агент обновляет Product.quantity и создаёт запись в Transaction.

• Бухгалтер может выгрузить Transaction для проводки в 1С/Excel.

Таким образом, видно, что ИИ-агент обеспечивает:

• автоматизацию рутинных операций (приёмка, отгрузка, инвентаризация);

• точность бухучёта через генерацию проводок в реальном времени;

• прозрачность через аудит и отчёты;

• оптимизацию запасов с помощью EOQ и прогнозирования спроса;

• интеграцию с ERP, CRM и оборудованием склада.

Модель масштабируется под рост объёмов и может быть адаптирована для многоскладской логистики.