ИИ в FMCG: лучшие кейсы и советы по запуску для российских компаний

По данным NVIDIA, 89% крупных игроков FMCG-рынка уже используют нейросети или готовятся к внедрению. При этом мировой рынок постепенно переходит к более сложным и прикладным сценариям: прогнозированию спроса, управлению запасами, компьютерному зрению и персонализации. 

Дарья Суппес, руководитель AI&ML департамента в диджитал-продакшене Далее, разобрала, какие практики мирового FMCG стоит учитывать российским компаниям и как выстроить работу с данными, комплаенсом, инфраструктурой на собственном ИИ-проекте. 

Для чего используют ИИ в FMCG: кейсы крупнейших компаний 

В FMCG большинство ИИ-решений можно разделить на 3 направления: маркетинг, продажи и логистика. В каждом из них ИИ либо снижает расходы, либо помогает быстрее работать с данными, клиентским опытом и операционными процессами.

1. Маркетинг: от генерации креативов до микросегментации покупателей 

Здесь основные задачи ИИ связаны с контентом, персонализацией и аналитикой. Речь идет уже не только об ИИ-ассистентах и генерации креативов, но и об изучении поведения покупателей и факторов, влияющих на заинтересованность в продуктах. 

Нейросети анализируют отзывы, соцсети, историю заказов и позволяют запускать более эффективные кампании под каждый сегмент ЦА. Параллельно они помогают маркетологам в работе с BI-дашбордами, медиапланированием, отчетами и распределением бюджета. 

Компания Kraft Heinz создала ИИ‑платформу TasteMaker на базе Google Cloud, которая объединяет бренд‑гайды, каталоги продуктов и фотоархивы в единую систему. Маркетологи и R&D‑команды используют ее для генерации визуалов и видео под конкретные аудитории без необходимости писать сложные промпты. В результате разработка маркетинговых материалов для нового продукта сократилась с восьми недель до восьми часов, время вывода на рынок ускорилось на 75%, а платформу уже используют 70% сотрудников в подразделениях разработки и маркетинга.

2. Продажи: прогноз спроса, динамические цены и контроль полки

В продажах ИИ чаще всего используют для прогнозирования спроса и динамического ценообразования. Нейросети строят прогнозы с учетом сезонности, промо, региона, погоды и макрофакторов. В зависимости от планируемого спроса, остатков и конкурентных предложений ИИ предлагает корректировки в стоимости.

Отдельный блок — компьютерное зрение, с помощью которого производители и ритейлеры контролируют выкладки и полки. Менеджеры узнают о наличии товаров в конкретных точках продаж и видят живые реакции покупателей.

Цепочка поставок мороженого Unilever включает 35 заводов и около 3 млн морозильных камер в 60 странах мира. Компания оснастила 100 000 таких камер ИИ, который в реальном времени отслеживает остатки продукции и помогает контролировать доступность товара. 

Данные позволили увеличить розничные заказы и продажи на 8% в Турции, на 12% в США и на 30% в Дании.


@Freepik (лицензия INV-C-2024-8250540)

3. Логистика: где цена ошибки измеряется потерянными продажами и замороженными деньгами

В логистике ИИ-решения помогают с оптимизацией и контролем. В это направление трансформации входят маршрутизация, управление запасами, мониторинг склада и прогноз рисков доставки.

Для FMCG это особенно чувствительно: избыток товара означает замороженные деньги, а дефицит — потерянные продажи. Поэтому логистические ИИ-решения часто дают понятный бизнес-эффект, но сильно зависят от качества данных, интеграций и скорости обмена информацией между системами.

IKEA внедрила ИИ‑платформу Locus для оптимизации логистики и доставки. Система на основе искусственного интеллекта автоматически группирует заказы, прогнозирует оптимальные маршруты с учетом более 180 параметров в реальном времени (временные окна, загрузка транспорта, плотность трафика) и отслеживает выполнение. Решение поможет компании сократить глобальные логистические расходы на €100 млн в год. Для IKEA это особенно важно на фоне роста онлайн-продаж: их доля увеличилась с 11% в 2019 году до 28% в 2025-м.

Все эти сценарии различаются по сложности, но у них есть общее: ИИ дает измеримый эффект только тогда, когда он становится частью конкретного бизнес-процесса — от формирования рекламной кампании до пополнения запасов на складах. Поэтому российским компаниям важно смотреть не только на то, какие технологии сейчас используют мировые лидеры, но и на условия, необходимые для их внедрения.

5 советов для российских FMCG-компаний при внедрении ИИ 

Кейсы мировых производителей показывают, что хорошее ИИ-решение приносит измеримый эффект в маркетинге, продажах и логистике. Но успех внедрения зависит не только от выбора модели. Качество данных, юридические ограничения, инфраструктура и готовность команды — всё это влияет на результат не меньше.

1. Проведите аудит данных до старта — их качество определяет успех проекта

Одна из самых частых проблем на старте — низкое качество и разрозненность данных. Для FMCG это особенно актуально: информация поступает из торговых сетей, интернет-магазинов, маркетплейсов, программ лояльности, ERP- и CRM-систем, а также платформ трейд-маркетинга. При этом источники могут использовать разные товарные справочники, форматы отчетности и периодичность обновления данных.

Поэтому до начала внедрения важно ответить на ключевые вопросы: где физически находятся нужные данные, в каком они состоянии, достаточно ли их и есть ли API для интеграции. 

Если ответы не очевидны, работа начинается с инвентаризации и подготовки данных: сбора в единый источник, выстраивания правил хранения, очистки и нормализации данных, оцифровка офлайн-материалов, модернизация интеграционного слоя.

Сбор этой основы и подготовка данных может занять до 50% от всего проекта, но именно качественная работа на этом этапе определяет качество решения, а также скорость всех дальнейших внедрений.


@Freepik (лицензия INV-C-2024-8250540)

2. Учитывайте требования безопасности и комплаенса на этапе проектирования

Если система работает с персональными данными, клиентской информацией, внутренними документами или коммерчески значимым контентом, юридические риски становятся частью архитектуры решения.

Для российского бизнеса важны несколько базовых нормативных блоков:

● Национальная стратегия развития искусственного интеллекта до 2030 года — задает общий вектор развития и подходы к использованию ИИ;

● 152-ФЗ «О персональных данных» — регулирует сбор, обработку и хранение персональных данных;

● 187-ФЗ «О безопасности критической информационной инфраструктуры» — актуален для компаний с соответствующими требованиями к защищенности систем;

● Федеральный закон о биометрических персональных данных, если решение использует распознавание лиц, голоса или другие биометрические сценарии;

● Нормы Гражданского кодекса РФ, связанные с авторством, интеллектуальной собственностью и правами на результаты работы.

Для компаний, использующих данные программ лояльности, историю покупок и клиентские профили для персонализации предложений, необходимо заранее определить требования к обработке персональных данных. Они влияют на архитектуру решения: место хранения данных, разграничение доступов, способы обезличивания, передачу информации внешним сервисам, сроки хранения и меры информационной безопасности.

Отдельно необходимо оценить правовые условия генерации контента с помощью ИИ. До использования текстов, изображений, видео и других материалов следует определить:

● имеются ли права на исходные данные и материалы;

● разрешает ли выбранный сервис коммерческое использование результата;

● получает ли сервис права на загружаемые данные и созданный контент;

● не содержит ли результат элементы материалов третьих лиц;

● какой вклад в создание и доработку результата внесли сотрудники компании;

● как регулируются права на результат в договорах с сотрудниками, подрядчиками и заказчиками.

3. Подбирайте модель под задачу

Еще одна распространенная ошибка — выбирать модель по принципу «самая мощная = самая подходящая». На практике выбор зависит от конкретной задачи, требований к качеству, чувствительности данных, стоимости эксплуатации и т. д.

Отдельно необходимо определить подходящий вариант размещения модели: внешний API, публичное или частное облако, изолированный контур либо собственная инфраструктура. Выбор архитектуры зависит от чувствительности данных, предполагаемой нагрузки, требований к информационной безопасности и возможностей внутренней технической команды.

Для российских компаний важно оценивать весь контур обработки данных: где они хранятся, какие сведения передаются поставщику модели, кто имеет к ним доступ, сохраняются ли запросы и возникает ли трансграничная передача. Именно поэтому в корпоративных сценариях часто рассматривают open-source модели с локальным размещением или российские решения. 



Например, для анализа отзывов на маркетплейсах важна точность в контексте вашей категории, а не общая языковая компетентность модели. Поэтому специализированное решение, дообученное под конкретную задачу, будет работать точнее, чем большая универсальная модель, и будет существенно дешевле в эксплуатации.

4. Закладывайте затраты на инфраструктуру заранее

При оценке ИИ-проекта важно учитывать не только разработку и стоимость использования модели. Существенную часть бюджета также составляет инфраструктура.

Стоимость облачного решения зависит от архитектуры и характера нагрузки: количества обращений к модели, объема обрабатываемых данных и токенов, используемых вычислительных ресурсов, требований к скорости ответа, доступности, резервированию и частоте переобучения. Облачная инфраструктура часто позволяет быстрее запустить пилот и избежать крупных первоначальных инвестиций.

On-premise-решение дает больше контроля над инфраструктурой и данными, но требует вложений в оборудование, вычислительные мощности, эксплуатацию и внутреннюю техническую команду.

Выбирать между облаком, собственным контуром и гибридной архитектурой необходимо до запуска пилота. Решение должно учитывать чувствительность данных, требования информационной безопасности, предполагаемую нагрузку, возможности масштабирования и совокупную стоимость владения.

---

Читайте также: Массовая упаковка карточек товаров для WB и Ozon: как работать с каталогом без ручной рутины

---

5. Вовлекайте сотрудников в проект с самого начала

Один из значимых рисков при внедрении ИИ — низкий уровень принятия решения сотрудниками. Причинами могут быть сомнения в качестве рекомендаций системы, непонимание ее логики, неудобство нового процесса или опасение, что автоматизация изменит привычные обязанности и требования к результату работы.

Отдельный риск — недостаточное участие внутренних экспертов. Команда разработки может отвечать за техническую реализацию, но именно специалисты предметной области понимают реальные процессы, исключения, ограничения и критерии качественного результата. Если их подключить слишком поздно, решение может формально соответствовать требованиям, но оказаться неудобным или неприменимым в работе.

Например, категорийный менеджер, не участвовавший в постановке задачи, скорее всего не будет доверять прогнозу модели и продолжит работать по своим таблицам. Торговый представитель, которому не объяснили логику системы контроля полки, найдет способ обойти проверку.

Вовлечение сотрудников не устраняет сопротивление автоматически, но снижает риск создания решения, которым команда не сможет или не захочет пользоваться.

Это позволяет:

● быстрее отсекать гипотезы, которые провалятся в работе;

● учесть критику и улучшить сценарий;

● сформировать доверие к системе и понимание ее назначения;

● заранее подготовить обучение и изменения в процессах.

Мировой опыт показывает, что наиболее заметный эффект ИИ в FMCG дает там, где есть большой объем данных, повторяющиеся операции и понятная цена ошибки: в прогнозировании спроса, управлении запасами, контроле полки, маркетинге и логистике.

Российским компаниям при этом необязательно повторять путь международных игроков один в один. Гораздо полезнее выбрать собственный процесс с измеримым эффектом, проверить качество данных, настроить инфраструктуру, заранее определить метрики и только после этого масштабировать решение.

Главный вопрос при внедрении ИИ сегодня — не «нужен ли он компании», а «какой процесс с его помощью мы можем сделать заметно эффективнее». Именно от ответа на него зависит, станет ли пилот рабочим инструментом бизнеса или останется экспериментом.

Дарья Суппес, 
руководитель AI&ML департамента в диджитал-продакшене Далее.

Для NEW RETAIL