Могут ли современные языковые модели предсказывать спрос товаров?

Современные LLM — мощные инструменты анализа текста, генерации идей и объяснения сложных процессов. Но могут ли они решить задачу прогнозирования спроса, одну из самых чувствительных и критичных задач в ритейле, производстве и логистике?

Чтобы ответить честно, мы решили провести эксперимент: задали этот вопрос напрямую Gemini — одной из самых продвинутых моделей Google. Перед этим мы дали ей прочитать нашу статью Когда прошлое не похоже на будущее: ограничения моделей прогнозирования в эпоху “чёрных лебедей”, чтобы модель понимала контекст, а не отвечала «в вакууме».

И вот что она сказала.

Чёрные лебеди: честный ответ от LLM

Gemini не стала притворяться всезнающей:

«Чёрные лебеди — ахиллесова пята любой математической модели, и я не исключение.
Предсказать дату и масштаб я не могу. Но когда лебедь уже приземлился — я реагирую лучше классических моделей».

Это важный момент: LLM признаёт, что не способна предсказывать редкие, внезапные, структурные события, но может быть полезной в анализе последствий уже случившихся шоков.

Ограничения LLM в прогнозировании

Gemini сама перечисляет свои слабые места, и они критичны для задач точного прогноза:

• Отсутствие интуиции: модель не «чувствует» рынок, а лишь продолжает статистические паттерны.
• Галлюцинации: в условиях хаоса может выдавать ложные связи или несуществующие аналогии.
• Ограничение актуальности данных: модель не знает, что произошло сегодня утром, если это не попало в поисковые инструменты.

LLM — это инструмент анализа, а не инструмент прогноза: она работает с языковыми закономерностями, тогда как точное предсказание спроса требует классического машинного обучения (ML) — моделей, которые обучаются на вашей фактической числовой истории и оптимизируются под конкретные метрики качества.

Когда LLM объективно хуже классического ML

Gemini формулирует это предельно честно:

«Если у вас есть чистая таблица продаж за 3 года и нужен прогноз на завтра с точностью 1% — используйте классический ML. Я буду дорогой и менее точной надстройкой».

И это полностью совпадает с тем, что мы видим в продакшене:

• классические ML‑модели дают стабильный, воспроизводимый, объяснимый прогноз;
• LLM — это инструмент анализа, но не инструмент точного предсказания.

Что это значит для бизнеса

LLM – отличный помощник, но не замена ML‑моделям в операционном прогнозировании спроса.

Где LLM полезны:

• анализ исторических аномалий;
• объяснение поведения модели;
• генерация гипотез;
• работа с текстовыми факторами (новости, описания, отзывы);
• сценарный анализ после наступления события.

Где LLM бесполезны или вредны:

• прогноз на завтра с точностью до процента;
• автоматизация заказов;
• управление запасами;
• высокочувствительные KPI (out-of-stock, списания, оборачиваемость).

То, что действительно работает в реальном бизнесе:

• дисциплина данных;
• корректная постановка задачи;
• проверенные ML‑модели, обученные на вашей истории;
• регулярная валидация и мониторинг качества.

Заключение

LLM — инструмент для анализа, а не для точного прогноза спроса. Они усиливают ML‑процессы, но не заменяют их.

Если вам нужен прогноз, на который можно опираться в закупках, логистике и управлении запасами, выбирайте классические ML‑модели, а LLM используйте как интеллектуальную надстройку для объяснений и анализа.

Дополнительно

Машинное обучение в прогнозировании спроса: разбираемся в подходе

Почему точный прогноз спроса не гарантирует корректный автозаказ для розничной сети

Использование ИИ для генерации персонализированных коммерческих предложений