Рекомендации на миллиарды: как искусственный интеллект повышает эффективность интернет-магазина в eCommerce

Российский рынок искусственного интеллекта стремительно растет: по данным исследования, в 2024 году он достиг $1, 45 млрд и уже в 2025-м может вырасти до $2, 1 млрд. Главным драйвером выступает e-commerce — на него приходится 15% рынка.

Именно онлайн-ритейл первым внедряет ИИ в рекомендательные системы, управление запасами и ценообразование, превращая технологии в конкурентное преимущество. Рассказываем, как технологии меняют рынок и как бизнес может эффективно использовать ИИ для роста прибыли.

На мировом фоне Россия пока выглядит скромно: ее доля рынка не превышает 1% при общем объеме рынка нейросетей в $196 млрд. Но именно темпы развития делают страну заметным игроком. При среднемировом росте на 25–30% в год, отечественные показатели выглядят вдвое сильнее.

За ускорением стоят два фактора: масштабные госпрограммы поддержки (15, 7 млрд рублей на проект «Искусственный интеллект» и Национальную стратегию развития до 2026 года) и цифровая трансформация бизнеса, которая ускорилась после пандемии.

Главным полигоном для внедрения технологий стал e-commerce. Здесь ИИ применяется в рекомендательных системах, управлении запасами и динамическом ценообразовании и занимает 15% рынка. Для сравнения: производство занимает 12% ($252 млн), государственный сектор — 10% ($210 млн), здравоохранение — 8% ($168 млн).

Искусственный интеллект в онлайн-ритейле перестал быть модным словом и стал инструментом, напрямую влияющим на продажи и эффективность. Крупные российские маркетплейсы и интернет-магазины активно тестируют и внедряют решения, которые показывают реальные результаты.

ИИ анализирует поведение клиентов: историю покупок, просмотры, содержимое корзины. На основе данных формируются индивидуальные подборки товаров.

Современные ИИ-ассистенты начинают выступать не только как инструмент рекомендаций, но и как полноценные помощники по подбору товаров в чате. В Яндексе языковую модель Алиса AI научили понимать запросы покупателей в свободной форме и подбирать подходящие товары прямо в диалоге: достаточно описать, что нужно — например, найти перчатки для зимних прогулок или подарок ребенку — и ИИ предложит карточки с вариантами, характеристиками, ценами и альтернативами, которые можно уточнить или сравнить в чате. Такое решение формирует персонализированные предложения на основе данных о товарах из маркетплейсов и ритейлеров и помогает пользователю быстрее найти нужный товар без перехода на многочисленные сайты продавцов.

Формирование карточек товара традиционно занимает много времени и требует ресурсов. ИИ решает эту задачу автоматически. Например, Яндекс Маркет применяет ИИ-чат для поиска и сравнения товаров, упрощая работу с ассортиментом.

Также программы создают описания товаров, рекламные объявления, изображения., например, СберМаркет использует ChatGPT для генерации карточек товаров, а Ozon разработал AI-редактор изображений для улучшения визуального контента.

А маркетплейсы внедряют ИИ-инструменты для работы с визуальным контентом. Wildberries открыл для всех продавцов из России доступ к ИИ-фоторедактору: инструмент автоматически улучшает изображения товаров, выравнивает фон, повышает качество и помогает привести карточки к единому визуальному стандарту без привлечения дизайнеров. Это упрощает массовую обработку контента и снижает барьер для запуска и масштабирования ассортимента.

Из недостатков такого подхода можно выделить риск шаблонных и «безликих» текстов и необходимость проверки фактов и юридических нюансов, например, соответствие требованиям Роспотребнадзора. Поэтому тексты и изображения нужно обязательно редактировать и проверять фото на наличие чужих авторских элементов, а сгенерированные материалы отдавать на проверку специалисту.

ИИ становится инструментом клиентского сервиса. Чат-боты ведут диалог в свободной форме и помогают быстро находить нужное. Например, чат-бот Зоя от компании «Золотое Яблоко» берет на себя типовые обращения клиентов, разгружая службу поддержки и ускоряя ответы по стандартным вопросам.

Похожий подход тестирует и Avito: платформа внедряет ИИ-ассистентов как для покупателей, так и для профессиональных продавцов. Ассистенты помогают быстрее ориентироваться в объявлениях, отвечать на вопросы, уточнять детали сделок и сопровождать пользователей на разных этапах взаимодействия. Для бизнеса это означает снижение нагрузки на поддержку и более предсказуемый клиентский опыт при большом объеме обращений.

Нейросеть автоматически меняет цены на товары в зависимости от спроса, действий конкурентов и состояния складов.

Например, в Авито алгоритмы подстраивают стоимость объявлений под рынок, помогая продавцам быстрее находить покупателей.

Искусственный интеллект отслеживает аномалии: подозрительные транзакции, накрутки отзывов, фальшивые заявки. Например, в Т-Банке нейросети предотвращают до 90% мошеннических операций, а также автоматически отклоняют заявки злоумышленников на кредиты.

ИИ прогнозирует спрос, управляет складскими запасами, оптимизирует маршруты доставки. Wildberries уже тестирует роборуки для сортировки товаров на складах.
А Ozon внедряет роботов-сортировщиков и развивает роботизированные системы доставки.

С помощью технологий клиенты могут «примерить» одежду на себе или мебель в интерьере через камеру смартфона.

Пока применимо не во всех категориях — в основном подходит для одежды, косметики и мебели.

ИИ для интернет-магазинов выступает в роли специалиста по репутации: обрабатывает пользовательские отзывы, выявляет повторяющиеся тезисы, формирует агрегированное мнение.

Например, в 2024 году Авито разработала и обучила собственную LLM для анализа отзывов о мастерах. Алгоритм автоматически формирует итоговый отзыв с разделами «Преимущества» и «Недостатки».

Чтобы обеспечить быструю реакцию на запросы клиентов и снизить нагрузку на кол-центр, ИИ используют как саппорт. Например, Яндекс Лавка внедрила голосовое взаимодействие с ИИ-помощником в мобильное приложение. Пользователи могут задавать вопросы вслух и получать персонализированные ответы прямо в чате — от подбора продуктов до идей для покупок и подарков.

ИИ в онлайн-ритейле — это про деньги и конкурентные преимущества. Чтобы внедрение действительно работало, бизнесу стоит учитывать несколько правил.

Иногда компании внедряют ИИ для интернет-магазина ради самого ИИ. Появляются чат-боты, которые раздражают клиентов и не решают их проблем, или запускаются рекомендательные системы, которые выдают нерелевантные товары и только снижают конверсию. В итоге — потраченные бюджеты и репутационные издержки.

Главный принцип — ИИ всегда должен быть привязан к бизнес-задаче и измеримым метрикам. Если задачи нет, внедрение почти гарантированно окажется бесполезным.

Посмотрите, где у бизнеса действительно есть проблемы:

Это и есть зоны, где ИИ может принести измеримую пользу.

Не все боли предприятия одинаково важны. Для кого-то важнее сократить издержки на складскую логистику, для кого-то — удержать клиента и увеличить LTV. Определите, что даст максимальный эффект в деньгах или экономии ресурсов.

Задача формулируется не как внедрение инструмента, а как бизнес-цель — снижение нагрузки на поддержку и ускорение обработки запросов. Исходя из этого подбирается решение: чат-бот, ИИ-поиск или интеллектуальная база знаний.

Например, Wildberries внедрил персонализацию не потому, что это модно. Ключевой вызов компании — удерживать пользователей внутри приложения. Алгоритмы рекомендаций помогли показывать клиентам релевантные товары, увеличили глубину просмотра и в итоге выросла выручка.

Представим, что компания решает разработать свою нейросеть и тратит миллионы рублей, не имея команды, данных и опыта. В итоге проект либо не запускается, либо работает хуже готовых сервисов. Примеров на рынке достаточно: десятки стартапов с амбициями сделать свой ChatGPT уже закрылись.

Например, Авито внедряет ИИ-помощник для создания объявлений, но опирается на уже существующие языковые модели, а не пишет все с нуля. Сбер и Kaspersky идут по пути создания собственных моделей — это оправдано, потому что у них есть бюджет и уникальные данные по кибербезопасности и финансам.

Но большинству компаний не нужно изобретать велосипед. Гораздо эффективнее быстро внедрить готовое решение, замерить эффект и только потом решать, стоит ли инвестировать в разработку собственной технологии.

ИИ лучше проверять точечно. Маленький пилот с четкими метриками даст больше пользы, чем масштабный проект, результаты которого невозможно оценить
Если компания внедряет ИИ сразу и везде — в персонализацию, цены, чат-боты, логиcтику, в итоге:

Так пилот превращается в хаос и заканчивается разочарованием. Это происходит из-за желания быстро догнать конкурентов, отсутствия A/B-тестов и погони за единичным результатом.

Это может быть:

• отдельная категория товаров;
• один регион или склад;
• ограниченный сценарий, например, чат-бот только для вопросов о доставке.

До запуска определите:

• какую цифру хотите изменить (конверсия, средний чек, скорость обработки заказов, NPS),
• на сколько (%) должен измениться показатель, чтобы проект считался успешным.

3. Проводите A/B-тестирование.
Запустите ИИ на части выборки, а другую оставьте «контрольной». Это позволит оценить реальный эффект без иллюзий.

4. Масштабируйте постепенно.
Если пилот показал рост метрик — расширяйте охват. Если нет — корректируйте модель или закрывайте проект, пока он не сжег весь бюджет.

Например, Lamoda внедрила динамическое ценообразование сначала на отдельных категориях товаров с низким спросом. Это позволило быстро распродать залежавшийся сток и проверить модель без риска для основной выручки.

Бизнес внедряет ИИ, но забывает о том, что алгоритмы учатся на данных. Если данные «грязные» — ИИ будет ошибаться. В результате:

Например, если в CRM у одного клиента три разных карточки с ошибками в имени, система будет считать его тремя разными людьми. Это критично, потому что ИИ — это алгоритм плюс данные. Если данные неточные, алгоритм становится «слепым». В e-commerce, где решений за секунды принимаются тысячи, ошибки множатся моментально.

Например, Яндекс Маркет стандартизировал каталоги товаров, это позволило запустить ИИ-чат для поиска. Без чистых и унифицированных данных чат выдавал бы хаотичные результаты. Хорошие данные — это топливо для ИИ. Чем чище и структурированнее база, тем точнее алгоритмы и тем выше отдача от технологий.

Если компания запускает ИИ без проверки юридических и этических последствий, в результате:

Такие ошибки могут привести не только к штрафам, но и к репутационным потерям, которые дороже любых инвестиций в ИИ.

Например, маркетплейс AliExpress применяет ИИ для перевода описаний товаров, но добавляет ручную модерацию, чтобы исключить ошибки и юридически рискованные формулировки. А Wildberries ограничивает возможности динамического ценообразования, чтобы цены не менялись хаотично и не вызывали претензий у покупателей.

ИИ не работает «сам по себе». Нужен человек (или команда), которая понимает бизнес-задачи, умеет работать с данными и может корректировать алгоритмы. Экономия на специалистах приводит к тому, что даже дорогой ИИ превращается в бесполезную игрушку. Компания думает, что достаточно купить готовый сервис, но метрики не растут и никто не понимает, почему ИИ ошибается.

На самом деле нейросети — инструмент, который нужно постоянно настраивать. Алгоритмы меняются, бизнес-задачи тоже. Если внутри компании нет ответственных, внедрение теряет смысл.

Например, Ozon не просто внедрил роботов на складах, а построил внутри подразделение, которое отвечает за логику их работы и интеграцию в процессы.

ИИ нельзя оценивать «на глаз». У каждого проекта должны быть четкие показатели успеха и прозрачная экономика. Многие компании внедряют ИИ «для имиджа» или потому что «так делают конкуренты». Деньги тратятся, а понять, работает ли решение, невозможно.

ИИ — это инвестиция. Как любая инвестиция, она должна приносить измеримую отдачу. Если результат нельзя посчитать, бизнес не понимает: стоит ли масштабировать проект или его лучше закрыть.

До того как запустить ИИ, определите, какие метрики он должен изменить и на сколько процентов: рост среднего чека, сокращение возвратов, снижение затрат на кол-центр, ускорение доставки.

Используйте A/B-тесты: часть аудитории работает по-старому, часть — с ИИ. Сравнение покажет реальный эффект.

ROI = (выгода – затраты) / затраты. Включайте:

Если эффект есть — масштабируйте. Если нет — закрывайте проект или меняйте подход, пока затраты не стали критичными. Например, Ozon внедряет роботов на складах только после того, как пилот показывает конкретное сокращение времени обработки заказов.

ИИ перестал быть тестовой технологией для e-commerce — он уже встроен в повседневные процессы: от рекомендаций до логистики. Рынок меняется неравномерно: кто-то внедряет технологии точечно, а кто-то строит на них всю стратегию. Именно вторые получают конкурентное преимущество — не за счет модных слов, а за счет реальных денег, скорости и доверия клиентов.

Для предпринимателей главный вызов сегодня — встроить искусственный интеллект его в бизнес-модель так, чтобы он работал на результат. Те, кто научатся быстро тестировать и масштабировать решения, будут определять правила игры на рынке. Остальные — бороться за внимание пользователей.