Персональные предложения вместо массовых скидок
X5 Retail Group, управляющая Пятёрочкой и Перекрёстком, обрабатывает данные десятков миллионов покупателей через свою платформу персонализации. Система анализирует историю покупок и формирует индивидуальные предложения в мобильном приложении. Проникновение программы лояльности в продажи достигло 78%. Что это дает в цифрах? У активных участников программы средний чек вырастает в 2–2,3 раза. X5 оценивает экономический эффект от применения ИИ в 5 миллиардов рублей за 2023 год. Внутренним Copilot на базе больших языковых моделей пользуются до тысячи сотрудников ежемесячно.
Компания начала вкладываться в роботизацию. Перекрёсток заключил соглашение с Яндекс Роботикс о внедрении 109 роботов на распределительном центре в Санкт-Петербурге. Инвестиции превысили 300 миллионов рублей, и система управления складами Nexus WMS уже работает на 17 распределительных центрах.
Wildberries и Ozon пошли по пути рекомендательных систем. Блоки «С этим товаром покупают» и «Персональная подборка» знакомы каждому пользователю маркетплейсов. Алгоритмы анализируют историю просмотров и покупок для формирования индивидуальных предложений. Какой процент продаж они генерируют? Ни одна компания не раскрывает эти данные публично. Но обе платформы развивают направление.
В июне 2025 года Wildberries начала тестировать чат-бота на основе ИИ для помощи с выбором товаров. Ozon внедрил машинное обучение для прогнозирования спроса. После запуска ML-моделей точность прогнозов выросла на 15%, затраты на хранение сократились на 12%.
Мне кажется, здесь важно понять сдвиг в мышлении. Раньше ретейлеры работали с сегментами: «женщины 25–35 лет» или «покупатели с доходом выше среднего». Теперь системы переходят к индивидуализации. Не «таким, как вы», а «именно для вас».
Как предсказать, сколько молока купят завтра
Магнит разрабатывает собственную систему прогнозирования спроса F&R с командой из более чем 200 специалистов. В июне 2025 года система запущена на распределительном центре в Кирове, к которому подключены более 600 магазинов.
Горизонт прогнозирования составляет 90 дней. Система использует технологии машинного обучения для ответа на простой вопрос: какое количество конкретного товара продадут в отдельно взятом магазине? Для скоропортящихся продуктов это как никогда важно. Молоко, фрукты, готовая еда требуют точных прогнозов на уровне каждой торговой точки.
До конца 2025 года система будет настроена на более чем 4000 товарных позиций. Полное масштабирование запланировано на 2027 год. Ожидаемый экономический эффект компания оценивает в десятки миллиардов рублей за несколько лет.
Почему это работает? Списания съедают прибыль продовольственного ретейла. Когда система предсказывает спрос точнее, магазин заказывает нужное количество товара. Меньше выбрасывается, меньше случаев пустых полок.
Lamoda решает похожую задачу, но с другой стороны. Модный ретейлер работает с возвратами после примерки. В июне 2024 года компания внедрила ML-модель для предсказания брака среди возвращенных товаров. Система обучена на 20 миллионах строк данных с более чем 60 признаками.
Модель классифицирует возвраты на три категории: «Всё в порядке», «Нужна быстрая проверка», «Точно есть проблемы». Скорость обработки возвратов выросла вдвое. По словам управляющего директора по продукту Татьяны Умряевой, система экономит огромное количество человеческого ресурса. На конец 2025 года Lamoda планирует запустить виртуальную примерочную для снижения количества возвратов.
Камеры, которые видят больше продавцов
ВкусВилл применяет компьютерное зрение на нескольких уровнях. В феврале 2022 года компания открыла магазин без касс на технологии Neurus. Система анализирует заполненность прилавков, очереди, контролирует дресс-код сотрудников и выявляет мошенничество.
В августе 2024 года ВкусВилл внедрил чат-бота в Телеграм с технологиями компьютерного зрения для распознавания испорченных фруктов и овощей. Система работает в более чем 60 дарксторах. Точность определения класса свежести составляет 84%, скорость ответа на запрос менее двух секунд.
Компания использует тепловые карты взглядов покупателей для оптимизации выкладки товаров. Система отслеживает, на что смотрят люди, что берут в руки, сколько времени рассматривают продукт. Эти данные помогают выстраивать полки эффективнее.
Кассы самообслуживания стали отдельным полем для применения ИИ. Каждый четвертый российский ретейлер использует компьютерное зрение для предотвращения краж. Продвинутые системы распознают, когда покупатель кладет на весы бананы, а пробивает огурцы.
NapoleonIT выпустил решение Core+, которое выявляет на 35% больше случаев мошенничества. Совместный проект Видар и ПетрГУ показал снижение потерь на 80%. X5 Group сообщает о снижении потерь на 20% после внедрения компьютерного зрения. NtechLab за 2021 год выявил 263 тысячи краж на сумму более 350 миллионов рублей.
Роботы на складах: что делает Amazon
Amazon остается ориентиром для всей отрасли. Компания развернула более миллиона роботов на своих складах. 75% всех доставок теперь обеспечиваются роботизированными системами.
Флот включает несколько типов машин. Hercules поднимает до 567 килограммов, Proteus работает полностью автономно, Sparrow распознает 65% ассортимента, Vulcan, представленный в мае 2025 года, оснащен технологией «осязания», Titan перемещает грузы до 1134 килограммов.
Система DeepFleet управляет движением роботов как интеллектуальная система контроля трафика. Модель обучена на миллиардах часов данных. Новейший центр в Луизиане занимает более трех миллионов квадратных футов и использует в 10 раз больше роботов, чем стандартные склады. Занятость пространства достигает 98% против 78% в традиционных моделях.
Amazon планирует автоматизировать до 75% операций к концу десятилетия. Это означает потенциальную замену более 600 тысяч рабочих мест.
Что мешает внедрять ИИ
Видятся несколько барьеров, которые тормозят развитие ИИ в российском ретейле.
Первый связан с данными. Информации о клиенте становится много, но она фрагментирована. Разные системы собирают разные данные, которые сложно объединить в единую картину. Это называют «цифровой туман».
Второй барьер касается рисков. Ошибки в алгоритмах, сбои или взломы могут приводить к остановке работы предприятий или к утечке конфиденциальных данных. Для компаний с миллионами транзакций в день это серьезная угроза.
Третий барьер связан с инвестициями. Как я писал раньше, традиционные ретейлеры выделяют на ИИ до 2% бюджета на цифровизацию. E-commerce компании тратят 3–5%. Разница кажется небольшой, но она определяет возможности.
Куда движется рынок
По прогнозам внедрение генеративного ИИ к 2030 году может принести российскому ретейлу до 160 миллиардов рублей дополнительной операционной прибыли ежегодно. Gartner ожидает, что 70% крупных организаций будут использовать прогнозирование спроса на базе ИИ к 2030 году.
Успешные истории объединяет фокус на данных, которые у ретейлера уже есть. Компании не пытаются собрать что-то новое с нуля. Они берут накопленную информацию о покупках, логистике, поведении клиентов и учатся извлекать из нее пользу.
Тренд на 2025–2027 годы понятен: переход от точечных решений к созданию «цифрового двойника» всей цепочки — от поставщика до покупателя. Когда система видит весь путь товара и может оптимизировать каждый этап.
Еще одно наблюдение. Технологии становятся доступнее благодаря облачным сервисам. То, что раньше требовало собственной инфраструктуры и команды из сотни разработчиков, теперь можно запустить на готовой платформе. Средний бизнес получает доступ к инструментам, которые пять лет назад были только у гигантов.
Российские ретейлеры научились работать с базовым машинным обучением. Все опрошенные компании используют ML для прогнозирования продаж и оценки рекламных кампаний. Водораздел проходит дальше: генеративный ИИ и агентные системы разделяют лидеров и тех, кто догоняет. По данным исследований, 67% e-commerce компаний применяют генеративный ИИ. Среди традиционных ретейлеров показатель ниже 10%.
Разрыв будет расти. Те, кто сейчас экспериментирует, через три года окажутся позади тех, кто уже внедряет системы в промышленном масштабе. Время консервативных подходов заканчивается.
