# Антифрод в закупках на 1С: как ИИ находит откаты и завышенные цены поставщиков

Статья

[Валентин](/#team-gallery) · Управляющий партнёр, куратор проектов · 17 июня 2026

**Коротко:** Откаты и завышенные цены в закупках можно найти по данным 1С. Для этого статистически сравнивают цены с историей и рынком, считают долю поставщиков у каждого закупщика, проверяют связи по ЕГРЮЛ и ищут фиктивные тендеры. У производителя металлоконструкций так нашли 17 эпизодов завышения цен на ~3,8 млн за 2 года, а в категории металл закупочная себестоимость снизилась на 8,2%.

Компания производит металлоконструкции для промышленных объектов: ангары, каркасы, мостовые конструкции. Работает на 1С. Закупки сырья и оборудования составляют 280 млн в год. В отделе закупок семь человек, у каждого своя категория: металл, метизы, лакокраска, расходники, сварочное оборудование, логистика и спецодежда.

Руководство пришло к нам с осторожной формулировкой: «У нас есть подозрения, что не все закупщики работают честно. Но прямых доказательств нет — а разговоры на эмоциях ни к чему не приводят. Нужны данные».

## Какие проблемы были в закупках

### Цены у одних поставщиков годами выше рынка

Финдиректор заметил, что у закупщика по металлу один и тот же поставщик выигрывает 8 тендеров из 10. При этом тонна проката у этого поставщика стабильно стоила на 4–7% дороже, чем у конкурентов на том же рынке. Поговорить с закупщиком напрямую было не с чем: «мне кажется» аргументом не считается.

### Конкурсы «для галочки»

По регламенту крупная закупка должна проходить через тендер с тремя поставщиками, и формально так и было. На деле закупщик отправлял запрос «своим»: двум техническим участникам с заведомо высокими ценами и одному настоящему. Победитель был известен заранее.

### Завышенные счёт-фактуры

Закупщик договаривался с менеджером поставщика, и в счёт-фактуру вписывали, например, 118 рублей за метр вместо 110. Разницу забирали себе. Без сравнительной аналитики по рынку и по истории закупок такое не видно. В одном случае разница по одной номенклатуре за год превысила 1,2 млн.

### Родственники и связанные компании

В категории спецодежды у одного закупщика выигрывал поставщик, среди учредителей которого был родственник этого закупщика. Заподозрить это мог только тот, кто знал, а специально никто не проверял, поэтому схема спокойно работала 5 лет.

## Что сделали

К 1С подключили аналитический ИИ-модуль для закупок. Он объединяет три метода:

- статистический анализ цен: отклонения от исторического среднего и от рынка;
- графовый анализ связей между поставщиками, закупщиками и учредителями;
- детектор паттернов: концентрация, повторяемость, характерная периодичность.

Модуль развернули на сервере клиента, и данные о закупках не покидают компанию.

### Аномалии по ценам

Модель обработала 4 года закупочной истории, около 28 тысяч документов. Для каждой номенклатурной позиции она построила нормальный диапазон цен с учётом времени года, объёма и валютного курса. Закупки, вышедшие за коридор на 3 и более стандартных отклонения, попали в список подозрительных. Финдиректор получил сводку: «12 операций со средним завышением 8,4%, по трём поставщикам».

### Концентрация у одного поставщика

Модель считает, какую долю закупок конкретного закупщика забирает один поставщик. Если доля аномально высока (например, 80% и выше) и держится годами, операции отправляют на проверку. У закупщика по металлу нашлись два «любимых» поставщика, на которых приходился 91% его закупок, хотя выбирать он мог из 14.

### Графовый анализ связей

По ИНН и реквизитам поставщиков подняли данные из ЕГРЮЛ: учредителей, директоров и юридические адреса. Их сопоставили с данными закупщиков из 1С и отдела кадров. Нашлись два эпизода: в первом учредитель поставщика и закупщик зарегистрированы по одному адресу, во втором фамилия учредителя совпадает с фамилией закупщика.

### Фиктивные тендеры

В истории тендеров искали характерный набор признаков: одни и те же «технические участники», устойчивое соотношение цен (победитель всегда дешевле двух других на 1–3%) и отсутствие реальной конкуренции. Под этот паттерн попали 17 тендеров.

### Дашборд для финдиректора

В 1С появился отчёт «Закупочная гигиена». Это еженедельная сводка, где видны новые аномалии, тренды и операции, которые стоит проверить в первую очередь. Финдиректор просматривает её и вызывает конкретного закупщика, и разговор идёт уже на фактах.

## Результат

- Найдено **17 эпизодов завышения цен** за последние 2 года на общую сумму около 3,8 млн.
- У двух закупщиков **родственные связи** с поставщиками подтвердились документально, обоих сотрудников заменили.
- После замены закупщиков и расширения пула поставщиков закупочная себестоимость в категории металл снизилась на **8,2%**.
- Тендеры стали реальной процедурой: средняя экономия по новым тендерам составляет **5–11%** к стартовой цене.
- Текущие закупки отслеживаются **в режиме реального времени**, и финдиректор узнаёт о подозрительной операции в течение дня.
- При найме нового закупщика его связи теперь автоматически проверяются **по 1С и ЕГРЮЛ**.
- Проект окупился за **2 месяца**, причём без учёта выявленных злоупотреблений: хватило расширения пула поставщиков и честных тендеров.

## Частые вопросы

Как ИИ определяет завышенную цену в закупке?

Модель строит по каждой номенклатурной позиции нормальный диапазон цен с учётом времени года, объёма и валютного курса. Закупки, которые выходят за этот коридор на 3 и более стандартных отклонения, попадают в список подозрительных.

Как выявить связь закупщика с поставщиком?

По ИНН и реквизитам поставщиков из ЕГРЮЛ поднимают учредителей, директоров и юридические адреса и сопоставляют их с данными закупщиков из 1С и отдела кадров. В кейсе так нашли совпадение адреса регистрации учредителя и закупщика и совпадение их фамилий.

Отправляются ли данные о закупках во внешние сервисы?

Нет. ИИ-модуль развернули на сервере клиента, и данные о закупках остаются внутри компании.

![Валентин](/static/img/team/valentin-v3.jpg) **Валентин**
Управляющий партнёр, куратор проектов

В 1С с 2004 года, в «Бест Бизнес Софт» — с 2009 года. Внедрял и сопровождал 1С:ERP, Комплексную автоматизацию, Управление торговлей и ЗУП в производстве, строительстве, дистрибуции и рознице. Окончил МГУ им. М. В. Ломоносова.

## Читайте также

Управленческий учёт

### [Как выбрать 1С для управленческого учёта](/blog/1s-dlya-upravlencheskogo-ucheta.md)

Сопровождение

### [Как выбрать 1С:ИТС и подключить 1С-Отчётность](/blog/1s-its-i-elektronnaya-otchetnost.md)

Розница

### [Как подключить торговое оборудование к 1С:Рознице](/blog/1s-roznitsa-i-torgovoe-oborudovanie.md)

## Сомневаетесь в честности закупок, но не знаете как проверить? Поможем поставить ИИ-антифрод в вашей 1С

Опишите задачу — ответим и предложим решение.

[Оставить заявку](/kontakty.html?source_page=%2Fblog%2Ftg-ai-08-antifrod.html&source_block=%D0%97%D0%B0%D1%8F%D0%B2%D0%BA%D0%B0+%D0%B2+%D0%BA%D0%BE%D0%BD%D1%86%D0%B5+%D1%81%D1%82%D0%B0%D1%82%D1%8C%D0%B8#lead-form)

[Исходная страница](https://best-bs.ru/blog/tg-ai-08-antifrod.html)
