AI to ROI: как Dun & Bradstreet автоматизировал оценку рисков поставщиков

Dun & Bradstreet (D&B) — компания с 185-летней историей в области данных и аналитики, располагающая более чем 590 миллионами бизнес-записей в глобальной базе. В 2026 году компания совместно с IBM создала D&B Ask Procurement — AI-ассистент для автоматизации оценки рисков поставщиков в корпоративных закупочных командах.

Что делает система

Ассистент работает на IBM WatsonX Orchestrate, интегрируя Meta Llama 3 и Mistral LLM с проприетарными данными D&B для выполнения задач, прежде требовавших ручного исследования в нескольких системах: скоринг рисков поставщиков, выявление мошенничества, проверка соответствия нормативам и онбординг поставщиков. Критическим требованием была интеграция с существующими ERP- и закупочными системами: только при прямой подаче результатов в рабочие процессы принятия решений стало возможным устранить дополнительный шаг ручной проверки.

Измеримые результаты

Результаты оказались конкретными. Многошаговые анализы поставщиков, занимавшие часы, сократились до секунд. Время на закупочные задачи снизилось на 10–20%. Оценки рисков стали более стабильными и доказуемыми, поскольку выводы формируются на основе структурированных данных, а не суждения отдельного аналитика, — что делает их аудируемыми и проще защищаемыми внутри организации.

Три урока для product manager’ов

Авторы материала Рэй Рике и Питер Бьюканан из рассылки AI to ROI формулируют три урока из реализации D&B.

Первый: проприетарные данные — это реальный конкурентный ров. 590 миллионов записей D&B делают ассистента полезным там, где стандартная LLM, применённая к тем же задачам, не справилась бы. AI-слой черпает ценность из актива данных, а не из самой модели.

Второй: интеграция в рабочий процесс обязательна. Инструмент, производящий точный результат, но требующий ручного переноса для передачи принимающим решения, не меняет общее время работы. Эффективность в D&B материализовалась потому, что результаты поступали в существующие ERP-системы без промежуточных шагов.

Третий: каждая эффективность измерялась на уровне задачи — сэкономленные часы на анализ, процентное снижение времени на задачу, — что делает расчёт ROI защищаемым перед руководством. Абстрактные заявления о возможностях не выживают в бюджетных обсуждениях; сэкономленное время на задачу — выживает.

Для product manager’ов B2B-компаний этот кейс предлагает шаблон для позиционирования AI-функций: определить проприетарный актив данных, встроить результаты напрямую в существующие рабочие процессы и измерять эффективность на уровне задач, а не через абстрактные заявления о возможностях.