ИИ в электронной коммерции перестал быть экспериментом: сегодня это способ удержать маржу, когда ассортимент растёт быстрее штата. Российские продавцы работают в условиях жёсткой конкуренции на маркетплейсах, требований к карточкам и высокой доли возвратов — именно там модели дают измеримый эффект. Ниже — четыре участка, где внедрение окупается быстрее всего.

Каталог: автоматическая разметка и генерация карточек

Главная боль каталога — не создание описаний, а поддержание порядка в атрибутах: десятки тысяч SKU, разные поставщики, дубли, «синие» и «голубые» в одной категории. LLM нормализует названия, извлекает характеристики из прайсов, сертификатов и фотографий упаковки, разносит товары по категориям и подсказывает, каких атрибутов не хватает для Ozon или Wildberries. OCR снимает данные со сканов накладных и сопроводительных документов, поэтому карточка собирается без ручного ввода.

Практический шаг: возьмите одну категорию на 2–3 тысячи SKU, прогоните через модель и измерьте долю карточек, принятых без правок. Обычно после настройки промптов и правил валидации она доходит до 70–85%, а остальное уходит на выборочную проверку контент-менеджером.

Поддержка: RAG вместо скриптовых ботов

Кнопочные боты раздражают покупателей, потому что не знают контекста. Связка «приватная LLM + RAG по базе знаний + доступ к заказам» отвечает на вопросы по доставке, оплате, гарантии и совместимости товаров, подтягивая статус из 1С или OMS. Модель разворачивается в контуре компании, что снимает вопросы по 152-ФЗ и передаче персональных данных третьим лицам.

Ключевые метрики здесь — доля диалогов, закрытых без оператора, и время первого ответа. Реалистичная цель для старта: 40–60% автономных решений по типовым сценариям, остальное — с готовым контекстом и предложенной формулировкой для оператора. Отдельно настраивается эскалация: жалоба, спор по оплате и претензия по браку уходят человеку сразу.

Возвраты: прогноз, причина, автоматизация

Возврат — это логистика, уценка и потерянный клиент, поэтому работать нужно на опережение. Модель оценивает риск возврата по товару, размерной сетке и истории покупателя, а на карточке появляется подсказка по размеру — для одежды и обуви это даёт заметное снижение доли отказов.

Второй контур — оформление. ИИ-агент принимает заявку, уточняет причину, запрашивает фото дефекта, распознаёт его через OCR и компьютерное зрение и формирует документы в 1С. Причины автоматически размечаются, и через месяц вы видите, что именно генерирует возвраты: конкретная партия, поставщик, ошибка в описании или битая упаковка.

Отзывы: тональность, ответы, сигналы в закупки

Отзывы — самый быстрый источник обратной связи, но вручную их не обработать. Модель определяет тональность, размечает темы (доставка, качество, соответствие описанию, работа поддержки) и готовит черновики ответов в tone of voice бренда. Ответы публикуются после модерации, что экономит часы работы и снижает риск репутационных ошибок.

Важнее другое: аналитика по темам превращается в управленческий сигнал. Всплеск упоминаний брака по артикулу — повод остановить партию и запросить у поставщика объяснения, а не отвечать извинениями каждому покупателю.

Единый контур вместо разрозненных сервисов

Эффект появляется, когда каталог, поддержка, возвраты и отзывы работают на одних данных. Для этого нужна интеграция с 1С, CRM, WMS и API маркетплейсов, единое хранилище эмбеддингов и логирование действий агентов. Начинать стоит с одного процесса, где потери максимальны, — и масштабировать на остальные после подтверждённых цифр.

Как мы можем помочь

АПС внедряет приватные LLM, RAG-системы, ИИ-агентов и OCR, связывая их с 1С, CRM и маркетплейсами. Мы начинаем с аудита процессов и пилота на одном участке за 4–6 недель, с замером метрик до и после. Обсудить проект