AI-native FMCG: от SFA към автономно изпълнение

Повечето FMCG компании не страдат от липса на данни. Страдат от липса на навременно действие.

Търговецът има маршрут. Има задачи. Има снимки от обекта. Има история на поръчките. Има GPS. Има промоции, must-stock листи, планограми, бонусни схеми, таргети, просрочени плащания, липсващи SKU-та, конкурентен натиск и още пет дребни неща, които се случват в същия магазин в същия момент.

Класическият SFA успя да дигитализира голяма част от това. Това беше огромна крачка напред. Но след определена точка системата започва да прилича повече на архив, отколкото на помощник.

Тя знае къде е бил търговецът. Знае какво е въвел. Знае какво е снимал. Знае каква поръчка е взел. Но често не отговаря достатъчно бързо на по-важния въпрос:

Какво трябва да се направи сега?

Точно тук започва разликата между SFA с добавен AI модул и истинска AI-native FMCG платформа.

SFA беше system of record. Това вече не стига.

Първата вълна на търговския софтуер беше за контрол и отчетност. Посещенията трябваше да се виждат. Поръчките трябваше да влизат по-бързо. Мениджърите трябваше да знаят кой е на терен и какво е направил.

Това още е важно. Без добра оперативна дисциплина няма AI, който да спаси процеса. Но reporting слоят сам по себе си не вдига изпълнението на рафта.

Истинският проблем в магазина не е, че някой не е попълнил правилно форма. Проблемът е, че:

• hero SKU-то е извън наличност;
• конкурентът е взел по-добро място на нивото на очите;
• промо цената не е поставена;
• търговецът взима поръчка по навик, а не според реалния sell-out;
• маршрутът покрива всички обекти, но не в правилния приоритет;
• мениджърът вижда проблема след три дни, когато вече е късно.

Това са execution проблеми, не reporting проблеми. И ако софтуерът само ги документира, но не ги затваря в действие, стойността му остава ограничена.

Bain от години третира in-store execution като основен лост за растеж в consumer products. В техните материали за Perfect Sales Execution и Perfect Store логиката е ясна: правилният магазин, правилният продукт, правилното място и дисциплинираното изпълнение могат да донесат измерим ръст, включително над 5% продажби в първата година при добре изпълнени програми. Това не е магия. Това е процес, който най-накрая може да се мери обективно и да се управлява в реално време.

Какво наистина се промени през 2025-2026

AI не се появи вчера. Прогнозиране на търсенето, оптимизация на маршрути и scoring модели съществуват отдавна. Новото е, че три технологии узряха едновременно:

1. Computer vision вече може да чете рафта достатъчно бързо и евтино, за да стане част от нормалното посещение.
2. Generative и agentic AI могат да превеждат сложни данни в разбираемо действие, не само в dashboard.
3. Edge AI и мобилният хардуер позволяват част от анализа да се случва на телефона, в магазина, дори при слаб интернет.

McKinsey отчита в State of AI 2025, че 88% от организациите вече използват AI в поне една бизнес функция. По-важното за тази тема: 23% казват, че скалират поне една agentic AI система, а още 39% експериментират с AI агенти. Това показва посоката, но не и автоматичен успех. Повечето компании още са между пилот и реална трансформация.

Gartner също измества езика от “AI асистенти” към outcome-focused workflow. В техни прогнози от 2026 идеята е, че enterprise software няма да печели само с copilot-и, които дават съвети, а с платформи, които могат да поемат делегирана отговорност за резултат в рамките на policy, identity и governance. Същевременно Gartner предупреждава и за agent sprawl: ако всяка функция си направи собствени агенти без контрол, сложността избухва.

Това е важният извод за FMCG: AI не трябва да е още един прозорец. AI трябва да бъде част от изпълнението.

“AI-native” не значи “сложихме chatbot”

Най-лесният начин да се фалшифицира AI стратегия е да се добави chatbot върху стар продукт и да се нарече “AI-native”.

Това не е AI-native. Това е интерфейс.

AI-native FMCG платформата е проектирана около decision loops. Тя не започва от въпроса “къде да сложим AI?”, а от въпроса:

Кои решения на терен се повтарят всеки ден, зависят от данни и могат да се подобрят с препоръка, автоматизация или контрол?

В FMCG тези решения са много конкретни. Те не са абстрактни enterprise use cases. Те са магазин, рафт, поръчка, маршрут, промоция, наличност, човек.

Петте AI loops, които променят FMCG изпълнението

1. Shelf loop: от снимка към действие

Търговецът снима рафта. Computer vision моделът намира продуктите, разпознава SKU-тата, брои facings, отчита празни места и сравнява резултата с планограмата.

Но истинската стойност не е в това да имаме красива снимка с рамки. Истинската стойност е следващото действие:

• зареди липсващото hero SKU;
• върни бранд блока;
• провери старата промо цена;
• добави липсващ must-stock продукт;
• ескалирай към supervisor, ако проблемът се повтаря.

Това е разликата между image recognition като “feature” и shelf execution loop като бизнес процес.

2. Order loop: от история към препоръчано количество

Поръчката в класическия SFA често е ръчна рутина. Търговецът знае клиента, знае приблизително какво взима, гледа минали поръчки и добавя “както обикновено”.

Но “както обикновено” е опасно в FMCG. Сезонност, промоции, out-of-stock, промяна в трафика, локална конкуренция и остатъчна наличност могат да направят миналия модел грешен.

AI-native order loop гледа повече сигнали:

• история на sell-in и sell-out;
• честота на посещение;
• наличност и липси;
• промо календар;
• минимални количества и кашони;
• риск от out-of-stock;
• поведение на сходни обекти;
• execution score от рафта.

Резултатът не е “AI каза 12”. Резултатът е препоръка с причина: “12, защото sell-out се вдига, промоцията започва в петък, а last order покрива само 4 дни.”

Търговецът може да промени количеството. Но вече не започва от празно поле.

3. Route loop: от география към приоритет

Много route optimization проекти се провалят, защото гледат маршрута като логистичен проблем: минимизирай километри, подреди обекти, намали време.

В FMCG маршрутът е и търговски проблем.

Не всички обекти са еднакво важни днес. Един има висок риск от out-of-stock. Друг е в промо седмица. Трети е стратегически за категорията. Четвърти има нисък потенциал и може да се обслужи по-рядко. Пети има проблем с плащанията.

AI-native route loop не пита само “кой е най-краткият път?”. Пита:

Кои посещения ще променят резултата тази седмица?

Това измества маршрута от карта към приоритетна търговска програма.

4. Coaching loop: от контрол към развитие

Мениджърът често вижда резултата, но не вижда поведението, което го е причинило. Един търговец има нисък average order. Друг пропуска промо материали. Трети снима рафта, но не коригира проблема. Четвърти има силни отношения с обекти, но слаб execution стандарт.

Класическата система показва KPI. AI-native coaching loop търси patterns:

• кой тип задача се пропуска;
• в кои канали пада изпълнението;
• какво се случва след препоръка;
• кой търговец има нужда от микрообучение, а не от общо събрание;
• къде проблемът е в човека, процеса или самия план.

Това не значи автоматично оценяване на хора без контекст. Напротив. При добър дизайн AI трябва да помага на мениджъра да задава по-точни въпроси, не да наказва механично.

5. Agent loop: от въпрос към завършена задача

Тук agentic AI става практичен.

Не “чатбот, който знае документацията”. А агент, който може да работи в рамките на бизнес процес:

• “Покажи ми обектите с висок риск от липса на топ SKU преди петък.”
• “Създай задача за повторно посещение само за ключовите обекти.”
• “Обясни защо този търговец има спад в execution score.”
• “Подготви план за следващата седмица за регион Север.”
• “Намери обектите, където промоцията е активна, но рафтът не отговаря.”

Разликата е, че агентът не отговаря само с текст. Той чете контекст, предлага действие и при позволение го записва обратно в системата.

Това е силно. И точно затова трябва да е контролирано.

Автономно не значи безконтролно

Думата “автономно” лесно звучи опасно. В бизнес софтуер тя не трябва да означава, че AI прави каквото иска.

Правилният модел е контролирана автономия:

• AI може да препоръчва свободно;
• може да изпълнява само позволени действия;
• има прагове за автоматично одобрение;
• чувствителните действия минават през човек;
• всяко решение има обяснение;
• всяко действие има audit trail;
• правата следват ролята, региона и клиента;
• данните остават в правилната юрисдикция.

Това е особено важно в Европа. AI Act вече е в сила от 1 август 2024 и, според Европейската комисия, общото прилагане идва на 2 август 2026 с изключения за някои категории. За FMCG повечето execution AI инструменти няма да са high-risk сами по себе си, но transparency, logging, data governance и човешки контрол ще стават все по-важни като стандарт за доверие.

Затова “EU-built” не е декоративна фраза. При AI-native FMCG платформа тя значи практични неща:

• EU data residency;
• GDPR-first процеси;
• логове на AI решенията;
• обяснимост на препоръките;
• контрол върху външни модели;
• ясна граница между препоръка и действие.

Как изглежда AI-native FMCG stack

Ако махнем маркетинга, архитектурата трябва да е проста за разбиране:

1. Data foundation
Клиенти, обекти, SKU, ценови листи, промоции, истории на поръчки, наличности, маршрути, снимки, execution резултати.

2. Mobile execution layer
Търговецът не работи в BI dashboard. Работи в магазин. Затова mobile UX е критичен: бърз, offline-capable, с ясни задачи и минимум излишно писане.

3. Intelligence layer
Computer vision, demand forecasting, route scoring, anomaly detection, customer segmentation, execution scoring.

4. Agent layer
AI агенти, които работят с конкретен контекст и инструменти: създават задачи, обясняват отклонения, подготвят планове, проверяват compliance.

5. Governance layer
Permissions, audit trail, approval flows, model monitoring, data residency, human-in-the-loop.

Без петия слой първите четири стават риск. Без първите четири петият слой е просто политика без оперативна стойност.

Защо много AI проекти няма да дадат резултат

Най-голямата грешка е да се започне от технологията.

“Да сложим agent.”
“Да добавим chatbot.”
“Да направим predictive dashboard.”
“Да пробваме computer vision.”

Всичко това може да е полезно. Но ако не е вързано към ежедневен процес, става демонстрация.

McKinsey отбелязва, че AI adoption вече е масов, но реалното финансово въздействие остава неравномерно. Това съвпада с това, което се вижда на практика: стойността не идва от модела сам по себе си, а от промяната в workflow-а около него.

В FMCG това значи:

• препоръката трябва да стигне до търговеца, докато е в магазина;
• мениджърът трябва да види проблема преди края на цикъла;
• задачата трябва да се създаде автоматично, не в Excel след среща;
• AI трябва да чете реалния execution контекст, не само ERP данни;
• резултатът трябва да се измери след действието.

Ако цикълът не се затвори, AI остава “insight”. А бизнесът не печели от insight, който никой не изпълнява.

Как да започне една FMCG компания без да се изгуби

Не започвай с “AI стратегия”. Започни с три оперативни въпроса:

1. Кои решения се взимат всеки ден и често са грешни или закъснели?
2. Кои данни вече имаме, но не използваме навреме?
3. Къде една препоръка би променила действие в същия ден?

След това избери един loop. Не пет.

Например:

• Perfect Store score + автоматична задача за корекция;
• препоръчана поръчка за топ 50 SKU;
• risk-based routing за ключови обекти;
• AI coaching за най-честите execution пропуски;
• agent за седмичен план на supervisor-а.

Измери го просто:

• колко време спестява;
• колко повече обекти покрива;
• колко липси предотвратява;
• колко задачи се затварят в същото посещение;
• дали поръчката става по-точна;
• дали execution score се вдига.

После скалирай.

Следващата SFA категория няма да е SFA

SFA няма да изчезне. Ще стане част от по-голяма категория.

Следващата категория ще бъде execution intelligence platform: система, която събира сигнала от терен, разбира го, предлага действие, контролира изпълнението и доказва резултата.

Това е разликата:

• SFA записва посещението. AI-native платформата подготвя посещението.
• SFA приема поръчка. AI-native платформата препоръчва поръчка и обяснява защо.
• SFA пази снимка. AI-native платформата чете рафта.
• SFA показва маршрут. AI-native платформата приоритизира деня.
• SFA отчита KPI. AI-native платформата предлага coaching.
• SFA има потребители. AI-native платформата има хора, процеси и агенти в един контролируем workflow.

Това не е далечно бъдеще. Това е посоката на enterprise software през 2026: по-малко passive dashboards, повече workflow, повече контекст, повече контролирана автономия.

Накратко

AI-native FMCG не е chatbot върху SFA.

Това е нов начин да се управлява execution:

• рафтът се чете, не се описва на ръка;
• поръчката се препоръчва, не се налучква;
• маршрутът се приоритизира, не само се оптимизира;
• coaching-ът идва от поведение, не от общи впечатления;
• агентите изпълняват задачи в рамките на правила;
• governance-ът е част от продукта, не документ след внедряване.

Класическият SFA отговаряше на въпроса “какво се случи?”.

AI-native FMCG платформата трябва да отговаря на по-трудния въпрос:

Какво правим сега, за да стане резултатът по-добър още в този обект, тази седмица, с този екип?

Там е истинската промяна.

Свързано в Optimasoft

• Optimasale е основният field execution слой за посещения, задачи, поръчки и контрол на терен.
• Image recognition покрива shelf loop-а: снимка, рафт, OSA, facings и planogram gaps.
• AI Order Brain покрива order loop-а: препоръчана поръчка, причина и човешки контрол.
• Route optimization покрива route loop-а: приоритет според риск, потенциал и търговски impact.
• AI agents и workflow orchestration са слоевете за контролирана автономия и изпълнение в рамките на правила.

Източници

• McKinsey - The State of AI: Global Survey 2025
• Gartner - Outcome-focused workflow and agentic execution, 2026
• Gartner - Managing AI agent sprawl, 2026
• Bain - Perfect Store and advanced analytics in sales execution
• Bain - Sales execution for consumer goods
• European Commission - AI Act regulatory framework