Данные уже есть в системах, но для решения их приходится собирать вручную
Чтобы принять решение о поставках, сотрудник собирает сведения из разных систем, ищет причины отклонений и готовит отчёт. Даже когда данные уже есть в учётной системе, на их поиск и разбор уходит время.
Briggs & Stratton расширяет работу с Google Cloud и внедряет Gemini Enterprise в управление поставками по всему миру. Цель — дать сотрудникам возможность быстрее находить и разбирать рабочие данные.
В объявлении названы три задачи снабжения: контроль изменений объёмов, разбор сообщений об отклонениях и управление страховыми запасами — резервом на случай перебоев с поставками или изменения спроса.
Gemini отвечает на вопросы о данных SAP и помогает с задачами снабжения
По данным Briggs & Stratton и Google Cloud, компания подключает инструменты Gemini Enterprise, BigQuery и Google Workspace к рабочим данным, в том числе из учётной системы SAP. На этой основе создают ИИ-агентов — программы для отдельных повторяющихся задач. Сотрудник может задать вопрос о данных SAP обычным языком.
Компания подчёркивает, что контроль остаётся у людей. Сотрудникам также дали инструменты low-code: они позволяют настраивать небольших ИИ-помощников с минимальным написанием кода.
Опубликовано число агентов и перечень задач; расчёта окупаемости нет
По данным Briggs & Stratton, сотрудники создали и внедрили не менее 25 агентов, используя инструменты с минимальным программированием, Google Workspace и выгрузки рабочих данных.
Контроль изменений объёмов, разбор сообщений об отклонениях и управление резервными запасами.
Google Cloud описывает выполнение этих задач с большим объёмом данных за секунды. В публикации не указаны прежняя длительность работы и точная величина ускорения.
Помощнику нужны данные компании и конкретный вопрос сотрудника
Сотрудник обращается к данным SAP обычным языком
Помощник связан с системами компании и использует данные SAP для ответа на вопрос сотрудника.
Каждый агент решает повторяющуюся задачу
В объявлении названы контроль объёмов, разбор отклонений и резервные запасы. Для похожего проекта стоит выбрать одну задачу, определить нужные данные и назначить сотрудника, который проверяет результат и принимает решение.
Команды создают агентов под свою работу
Компания сообщает о не менее чем 25 агентах, созданных с минимальным программированием. Сотрудники используют эти инструменты для небольших рабочих задач. При этом источник не раскрывает подробные правила создания и контроля таких помощников.
Люди сохраняют контроль
Briggs & Stratton прямо указывает, что агенты должны помогать сотрудникам, а решения остаются под контролем людей.
Подключить → дать данные → задать задачу → спросить → проверить → принять решение
Похожую схему можно рассмотреть и для другого отдела: выбрать повторяющуюся задачу и дать помощнику доступ к нужным данным. Сотрудник задаёт вопрос обычным языком, проверяет ответ и отвечает за важные решения.
Прочитать текущие данные → найти отклонение → объяснить возможные причины → передать сотруднику для решения.
Показать изменение → найти связанные данные → объяснить влияние на работу → помочь выбрать следующий шаг.
Сравнить данные поставщика и компании → найти нерешённые вопросы → предложить следующий шаг → передать спорные случаи сотруднику.
Получить данные для планирования → собрать ограничения → найти противоречия → передать планировщику для проверки.
Подключить агента к разрешённым данным → отвечать на повторяющиеся вопросы → передавать нестандартные случаи ответственному сотруднику.
Сотрудники могут выбирать задачи, а правила доступа и проверки задают заранее
Для отдельной рабочей задачи сотрудник может создать небольшого ИИ-помощника. Чтобы использовать его в компании, нужны правила доступа к данным, проверки и ответственности.
В Briggs & Stratton сотрудники создают агентов для знакомых повторяющихся задач. Компания предоставляет инструменты и рабочие данные, по которым эти программы готовят результат.
Перед похожим запуском нужно определить, кто может создавать агентов, какие данные им доступны и кто отвечает за работу. Публичное объявление не позволяет оценить, как эти правила устроены в Briggs & Stratton. Из описания можно взять принцип: сотрудники выбирают знакомые задачи и создают помощников на основе разрешённых данных учётных систем.
Что выяснить перед созданием внутреннего агента
В какой системе хранятся актуальные данные для этой задачи?
Какой повторяющийся вопрос или небольшой этап работы стоит взять первым?
Какие данные агенту разрешено видеть и использовать?
Какие действия ИИ только готовит, а сотрудник проверяет и одобряет?
Подбор задач и автоматизация с ИИ
Сотрудники снова и снова ищут в одной системе ответ на один и тот же вопрос?
Расскажите о повторяющейся задаче и системах, где хранятся нужные данные. Вместе определим, что может подготовить ИИ и что проверит сотрудник. Затем выберем первый этап автоматизации и способ оценить его результат.
Это независимый разбор команды M2B2 по публичному объявлению о внедрении. Команда M2B2 не участвовала в проекте Briggs & Stratton. Описание решения, число созданных агентов и заявления об их работе взяты из публикаций Briggs & Stratton от 10 сентября 2026 года и Google Cloud от 11 сентября 2026 года. Независимо проверенные данные об окупаемости, снижении затрат и производительности вместе с объявлением не опубликованы.