От чат-ботов к системным ассистентам: почему ИИ в ритейле не работает на полную мощность

@Freepic
Рассказывает Федор Жилкин, CEO Mymeet.ai

Российский ритейл одним из первых начал массово внедрять ИИ-инструменты: алгоритмы прогнозируют спрос, персонализируют витрины, помогают в логистике. По данным исследования СберМаркетинга, в торговле 35,1% предприятий используют искусственный интеллект (ИИ), однако уровень его эффективности остается средним — 30,5%. То есть технологии уже присутствуют, но их влияние на пользовательский опыт остается ограниченным.

Почему? Потому что большинство внедрений решают локальные задачи, не формируя единую цифровую ткань сервиса. Пользователь продолжает сталкиваться с теми же барьерами: сломанные фильтры, неинформативные карточки, чат-боты, неспособные выйти за рамки сценария.

При этом ИИ способен приносить реальную операционную выгоду. X5 Group в 2023 году сэкономила около 5 млрд рублей благодаря внедрению ИИ в цепочки поставок. Ozon развивает поведенческую персонализацию, повышая релевантность рекомендаций. Wildberries автоматизирует создание карточек товаров, ускоряя масштабирование каталога. Даже Магнит развивает AI-лаборатории. Но все эти кейсы остаются фрагментарными. Отсутствует главная связующая логика — ассистент, сопровождающий клиента сквозь всю воронку, от мотивации до повторной покупки.

Почему ИИ в ритейле не превращается в инфраструктуру обслуживания

Формально ИИ присутствует почти в каждой крупной сети. Но на практике — это разрозненные решения, не объединенные в единую пользовательскую логику. Один из главных тормозящих факторов — отсутствие архитектурного подхода. Вместо проектирования цифрового пути с нуля, компании встраивают ИИ в существующие процессы. В итоге — множество локальных улучшений, но отсутствие синергии: чат-бот не связан с CRM, рекомендации не учитывают остатки на складе, логистика не получает данных о поведении клиента на сайте.

Картину усугубляет кадровый дефицит. Создание системного ассистента требует мультидисциплинарной команды: ML-инженеры, дата-сайентисты, дизайнеры поведения, продуктологи, исследователи пользовательского опыта. Такие команды есть лишь у нескольких игроков на рынке. Большинство ритейлеров, особенно региональных, ограничены готовыми коробочными решениями, которые не дают возможности адаптации под свои сценарии.

Однако даже при наличии ресурсов на первый план выходит управленческий барьер. Крупные игроки действительно используют продвинутую аналитику, системы прогнозирования и BI-платформы. Но ИИ в большинстве случаев остается на уровне инструментов поддержки, а не автономного принятия решений. 

Внедрение ИИ требует другой управленческой культуры — гипотез, итераций, доверия к данным и готовности делегировать часть решений алгоритму. И пока эта философия остается редкостью, даже самые современные технологии не смогут стать основой пользовательского опыта.

Как должна работать новая модель AI-ассистента

Текущие ИИ-решения в ритейле — это точки. Зрелый AI-ассистент — это маршрут. Он должен сопровождать клиента на всех этапах воронки: от формирования интереса до повторной покупки и постобслуживания. Это не просто помощник, а цифровой медиатор, который устраняет трение — объясняет, подбирает, сравнивает, подтверждает выбор, предвосхищает отказ.

Чтобы такой сценарий стал возможным, ИИ должен быть встроен в микромоменты — и не только отслеживать поведенческие отклонения (например, высокую скорость скролла, зависание на товаре или быстрый выход с карточки), но и понимать причины. Брошенные корзины — лишь симптом. Причина — недоверие, недостаток информации, когнитивная нагрузка. Ассистент должен вмешиваться именно в момент колебания — предлагая не скидку, а прояснение.

Кроме того, поведение пользователя в мобильной среде требует иной архитектуры. Интерфейс ограничен, а внимание — кратко. Здесь нельзя открыть еще одну вкладку или проконсультироваться с другом. Поэтому ключевым становится сценарий: когда ассистент встраивается в путь клиента не как модуль, а как компас, ведущий к решению без перегрузки.

Также необходимо учитывать сегментацию по уровню цифровой зрелости аудитории. 

По нашим наблюдениям, молодая аудитория (18–24) в целом демонстрирует высокую цифровую адаптивность и быстрее привыкает к персонализированным интерфейсам — автозаполнению, рекомендательным блокам и динамическим карточкам. 

Напротив, старшие группы (45+) зачастую демонстрируют настороженность к ИИ-элементам, особенно если логика рекомендаций не объясняется. Это требует от ритейлеров гибкого подхода: использовать не только товарную персонализацию, но и адаптацию языка, тона и формата представления — например, текст с аргументами и примерами вместо визуальных баннеров, или отзывы, отфильтрованные по возрасту респондента. 

Такая сегментированная риторика повышает вероятность доверия и снижает когнитивное напряжение при выборе. Поэтому персонализация должна быть не только продуктовой, но и риторической: кому — карточки с примерами, кому — аргументы, кому — отзывы с фильтрами по возрасту и опыту.

И наконец — объяснимость. Пользователям нужно объяснять логику, почему им рекомендуют те или иные товары. Комментарии вроде «мы рекомендуем это, потому что...» превращают механическую выдачу в осмысленный диалог. Это снижает тревожность и повышает доверие — особенно в сценариях высокой вовлеченности: техника, медицина, детские товары.

Таким образом, зрелый AI-ассистент — это не интерфейс и не алгоритм, а сценарный слой, обеспечивающий адаптацию, сопровождение и поддержку в нужный момент — без запроса и без лишних действий.


Designed by Freepic

Что уже делают лидеры и как к этому идти

Некоторые российские компании уже движутся в сторону системных решений. Например, Яндекс Маркет в 2025 году запустил AI-ассистента, основанного на собственной нейросети. Он не просто отвечает на запросы, а сопровождает клиента в диалоге: объясняет, сравнивает, подбирает. 

Так среди зарубежных ритейлеров примером эффективного внедрения ИИ в ритейле является Sephora. Компания уже давно использует ИИ для предиктивного подбора товаров. Но главное — это контекстуальность: утром, в дождливую погоду, пользователь получит предложение об увлажнении и согревающем аромате. Система учитывает не только предпочтения, но и окружающие условия. Это не просто маркетинг, это сопровождение.

Компания Nike продемонстрировала пример того, как ИИ может думать наперед в своем приложении SNKRS, делает ставку не на вовлечение, а на невидимую проактивность. Контент, релизы и предложения адаптируются к поведению пользователя. Если он застрял в прокрутке — система не предлагает скидку, а показывает вдохновляющее видео или историю, встраиваясь в момент, а не в категорию.

Эталоном исчезающего интерфейса можно считать Amazon Go. Здесь магазины работают без кассиров, сканирования и чеков. Камеры и сенсоры фиксируют поведение: какие продукты клиент берет, как долго их держит в руке, с чем сравнивает. Эти микродвижения становятся основой для построения аналитики и UX. Система не просто регистрирует действия — она предугадывает намерения и исключает ненужные шаги.

Но это пока исключения. Большинство игроков ограничиваются пилотами.

---

Читайте также: Новый клиентский опыт в офлайне: технологии для ритейла 2024-2027

---

Рекомендации: как ритейлерам в России эффективно интегрировать ИИ

Чтобы ИИ стал не модулем на витрине, а частью восприятия бренда, важно строить его вокруг поведения, а не вокруг интерфейса. Ниже — три принципа, которые особенно актуальны для ритейла в России.

1. Проектировать путь, а не канал

Во многих российских компаниях ИИ воспринимается как отдельная точка взаимодействия — «вот чат-бот», «вот поиск». Такой подход не срабатывает: пользователь не думает категориями каналов, он просто хочет быстро и спокойно решить свою задачу.

Что делать:

— Стройте карту поведения не в терминах интерфейсов, а в терминах фрустраций: где клиент бросает корзину, где возвращается к списку, где перечитывает описание.

— Интегрируйте ИИ в эти микропромежутки: пусть он не отвечает на запросы, а предупреждает тупики.

— Вместо универсального чат-бота протестируйте микроинтервенции: например, после нескольких неудачных попыток применения фильтров предложите помощь на основе других популярных сегментов или покажите товары, которые чаще покупают при таких же действиях.

2. Поведенческая аналитика — не отчет, а сценарий

В российских компаниях аналитика часто остается сугубо количественной: график брошенных корзин, отчет по кликам. Но смысл ИИ — работать не по цифрам, а по намерениям.

Что делать:

— Используйте тепловые карты, сессионные записи и логи, чтобы искать не ошибки пользователя, а ошибки сценария.

— Дайте ИИ возможность корректировать логику выдачи в реальном времени: особенно в мобильной версии, где переключение между экранами вызывает раздражение.

— Учитывайте особенности мобильного трафика: добавьте ИИ-логику в выдачу фильтров — например, если пользователь теряется между брендами, предлагайте сортировку по стилю или цене.

3. Встраивать доверие: объясняйте, а не угадывайте

Для российского пользователя доверие — особенно чувствительный фактор. ИИ может вызывать скепсис, особенно если он выглядит как черный ящик.

Что делать:

— Делайте поведение ИИ объяснимым: «Показываем вам это, потому что вы недавно искали X».

— Позвольте пользователю отказаться: скрыть подсказки, изменить интересы, уточнить приоритет.

— Добавьте опцию «объясни рекомендацию» — даже простая фраза «Этот товар популярен среди тех, кто покупает Y» воспринимается как уважение к выбору.

Чтобы перейти от фрагментов к целостности, компании должны пересобрать архитектуру сервиса: не добавлять ИИ к существующему пути, а строить путь заново — вокруг сценариев, в которых ассистент не мешает, а направляет.

Это потребует времени, инвестиций и смены управленческой оптики. Но без этого ИИ-ассистенты останутся иллюстрацией «возможностей» — вместо того чтобы стать основой реального сервиса.