Как искусственный интеллект изменит рынок электронной коммерции

Рынок решений на базе искусственного интеллекта (ИИ) для онлайн-торговли в 2026 г. составит $9,7 млрд, а к 2033-му достигнет $47,87 млрд, прогнозирует консалтинговая компания Coherent Market Insights. Почти половина его – 48,4% – придется на технологии в области машинного обучения, обеспечивающие персонализированный клиентский опыт, считают аналитики.

По данным исследования Harvard Business Review, проведенного в 2024 г., наиболее частым сценарием использования ИИ в отрасли является создание чат-ботов для общения с клиентами. Такой вариант выбрали 40% участников опроса респондентов. Еще 36% компаний используют технологию для создания маркетингового контента, 32% с ее помощью пытаются предсказать поведение и запросы клиентов, а 31% компаний пытаются предсказать рыночные тренды. Наименее популярным сценарием является управление ассортиментом: его выбрало только 18% респондентов.

ИИ позволяет электронным площадкам нивелировать различия с офлайн-розницей. Так, в онлайн-магазине нельзя примерить товар, но многие компании позволяют это сделать с помощью технологии и камеры мобильного телефона. Например, виртуальную примерочную предложил производитель оправ и солнцезащитных очков Silhouette, косметический бренд Sephora сделал приложение, позволяющее подобрать оттенок помады или теней.

Одежный бренд Brunello Cucinelli создал версию онлайн-магазина, где нет ничего, кроме логотипа и строки для общения с чат-ботом. По словам представителя компании, за этим стоит «система, способная понимать намерения каждого пользователя и следовать им, предоставляя в режиме реального времени персонализированную информацию, динамичный, приятный и максимально увлекательный опыт».

Использование ИИ растет и среди покупателей. По данным специализирующейся на фулфилменте (логистические операции – от момента оформления заказа до получения его клиентом) компании Stord, в 2025 г. 51% онлайн-покупателей использовали генеративный ИИ в процессе шопинга, например, чтобы собрать мнения о товаре или найти самое выгодное предложение. Каждый пятый участник опроса (20%) отметил, что с большей вероятностью купит товар, если его порекомендует ИИ.

Следующим шагом может стать создание ИИ-агентов, способных совершать покупки от имени пользователя в соответствии с его предпочтениями. По данным Stord, 16% участников опроса готовы отдать «умным помощникам» свои платежные данные и позволить покупать товары самостоятельно, 21% хочет одобрять выбор ИИ перед сделкой. Еще 30% респондентов никогда не позволят ИИ получить доступ к данным их кредитной карты.

McKinsey ожидает, что к 2030 г. «агентская» электронная коммерция может достичь оборота в $3–5 трлн. «Компании потратили десятилетия на то, чтобы усовершенствовать путь клиента, отлаживали каждый клик и взаимодействие», – говорит старший партнер McKinsey Бекка Коггинс. Но в эпоху «агентской» коммерции потребители «больше не путешествуют в одиночку» – их цифровые доверенные лица теперь управляют экосистемой коммерции, принимая миллионы микрорешений ежедневно, продолжает он. «Чтобы преуспевать, бренды должны переосмыслить весь комплекс взаимодействия [с клиентами]», – отмечает Коггинс.

Каждому по способностям

Уже сейчас технологии на базе ИИ управляют ценообразованием брендов. В одном из вариантов компании по указанию ИИ снижают или повышают цену на товар для всех покупателей, пишут эксперты экономического факультета Мичиганского университета. В этом случае «умные помощники» должны найти идеальный баланс между числом проданных товаров и выручкой. На первый взгляд такая практика ничем не отличается от назначения цен сотрудником «вручную», говорят эксперты. Однако участие ИИ может привести к более глобальным последствиям и трактоваться как ценовой сговор, считают они.

Эксперты объясняют это так. Потребители редко замечают небольшое повышение цен, например чуть более высокую стоимость проезда в часы пик. Но в ходе миллионов транзакций эти микрорегулировки накапливаются. Если система каждого продавца продолжает реагировать на действия конкурентов, алгоритм в конце концов осознает: снижение цен навредит прибыльности каждого из игроков. Таким образом, вместо «ценовой войны», которая выгодна потребителям, рынок балансирует посередине, а цены остаются высокими. Эта закономерность проявляется при установлении цен на авиабилеты, в отелях или в онлайн-ритейле, где компании при ценообразовании ориентируются на конкурентов.

«Такое повышение цен не требует явного общения между людьми, поэтому регулирующим органам трудно квалифицировать это как сговор. Алгоритмы могут быть направлены на простую оптимизацию прибыли для компании, но результат выглядит как последствия сговора. В результате это приводит к постепенному росту инфляции, который сказывается на потребителях», – пишут авторы публикации.

Второй вариант – индивидуальное ценообразование, которое зависит от истории поведения каждого конкретного покупателя. Профессор Брандейской школы бизнеса и экономики Бенджамин Шиллер подсчитал, что, если бы онлайн-кинотеатр Netflix устанавливал стоимость подписки исходя из индивидуального профиля клиента, это бы позволило компании повысить выручку на 13%.

Персонализированное ценообразование по своей сути не является несправедливым – существуют скидки для студентов или пенсионеров, рассуждает Шиллер. «Но проблема заключается в масштабе и интенсивности. Вы можете подумать, что алгоритм нацелен на богатых, но с таким же успехом он может эксплуатировать бедных, у которых меньше времени или возможностей ходить по магазинам», – объясняет он.

Некоторые страны решают проблему кардинально. В декабре 2025 г. три государственных органа Китая – Национальная комиссия по развитию и реформам, Государственная администрация по регулированию рынка и Администрация киберпространства Китая – совместно опубликовали «Правила поведения в отношении ценообразования на интернет-платформах». Постановление направлено на борьбу с недобросовестной практикой ценообразования, злоупотреблением алгоритмами и ценовую дискриминацию, в том числе распространенный ее вариант, когда с постоянных клиентов взимается больше денег, чем с новых. Операторам платформы и продавцам также запрещено использовать данные и алгоритмы для установления различных цен на одни и те же продукты или услуги, основываясь на платежеспособности или потребительских привычках, – без ведома самого пользователя.

Три лица одного потребителя

За последние годы ландшафт работы с большими данными (Big Data) кардинально изменился, считает владелец интернет-компании LiveInternet Герман Клименко. Главными держателями наиболее ценной информации стали не классические поисковые системы, а крупнейшие онлайн-платформы и маркетплейсы. В отличие от поисковиков, фиксирующих лишь потребительские намерения, которые часто оказываются нерелевантным «шумом», электронные площадки обладают точными транзакционными данными. Маркетплейсы знают не просто то, чем пользователь интересуется, а то, за что и когда он реально платит, объясняет эксперт.

«Человек обычно выступает в нескольких социальных ролях: хороший муж, начальник и коллега, сознательный гражданин. Интернет-платформы, зная о нашем поведении во всех ролях, а также используя, к примеру, медицинские данные, могут с достаточной точностью предсказывать в том числе привычки и поведение ближайшего окружения», – говорит Клименко.

Основной вектор монетизации этих данных лежит на стыке ритейла, финтеха и рекламы, считает эксперт. Собственные банки маркетплейсов позволяют бесшовно связывать платежное поведение клиентов с историей их покупок. Это дает колоссальное конкурентное преимущество перед классическим банкингом, уверен Клименко. В России, по его словам, этот рынок консолидирован вокруг топ-игроков – «Сбера», «Яндекса», крупнейших маркетплейсов, телекомоператоров.

Главный вызов для них сегодня – регуляторный, считает Клименко. Границы использования персональных данных сужаются, однако цифровая экосистема уже построена. Данные электронной коммерции стали главным топливом таргетированной рекламы и персонализированных продаж и этот тренд будет только усиливаться, уверен он.

Топливо для торговли

«Современная электронная коммерция – это бизнес на данных», – говорит руководитель департамента обработки и генерации контента онлайн-ритейлера Ozon Ульяна Гринь. Огромные массивы информации о поведении пользователей (просмотры, клики, покупки, поисковые запросы, отказы, возвраты и даже время, проведенное на карточке товара) позволяют маркетплейсам не просто реагировать на спрос, а прогнозировать и формировать его, отмечает она.

В Ozon данные – это «топливо» для всех ключевых систем, рассказывает Гринь. Алгоритмы анализируют около 50 млн релевантных товаров для пользователей в секунду с учетом цены, рейтинга, скидок и истории покупок. Сегодня, по словам руководителя департамента онлайн-ритейлера, уже 9 из 10 пользователей ежедневно видят персональные рекомендации, около половины переходят по ним в карточки товаров. Благодаря усилению персонализации доля оборота от рекомендаций выросла на 60% за последний год – с 7 до 11% от всего оборота платформы, подсчитала компания.

Модели машинного обучения ежедневно обрабатывают около 20 млн карточек товаров, выявляя ошибки, нарушения и недопустимый контент. Одновременно с этим работает многоуровневый фрод-анализ – он отслеживает аномалии на всех этапах: от поведения покупателя до движения товара в логистике. Это позволяет предотвращать мошеннические заказы и накрутку отзывов, говорит Гринь. По ее словам, 90% обращений в службу поддержки решаются в течение пяти минут, более 80% – с первого раза. Этого удается достичь за счет ИИ-агентов, которые автоматически отвечают на типовые вопросы и помогают операторам находить нужную информацию по аналогичным обращениям, уточняет собеседник «Ведомости. Правил торговли».

Пользователь приходит на «Авито» не за одним типом покупки, а для решения разных задач – найти квартиру, выбрать автомобиль, продать вещь, заказать услугу или откликнуться на вакансию, рассказывает управляющий директор по ИИ компании Андрей Рыбинцев. «За счет этого мы видим цельный и широкий портрет пользователя, что помогает точнее понимать, как меняется спрос в разных сегментах, какие потребности формируются у аудитории и как разные пользовательские сценарии связаны между собой», – говорит он.

Для компании ценность данных заключается не в самом факте их накопления, а в возможности превращать поведенческие сигналы в продуктовые решения, полезные для пользователей и продавцов. На основе таких данных платформа точнее подбирает рекомендации, помогает пользователям быстрее находить релевантные предложения, а профессиональным продавцам – лучше понимать спрос, проверять гипотезы, настраивать продвижение и дорабатывать контент, считает Рыбинцев.

Для этого, по его мнению, нужны три условия: достаточный массив обезличенных данных о поведении пользователей, аналитические инструменты, которые превращают большие данные в понятные выводы, и доступ бизнеса к таким инструментам в удобном формате. Например, сейчас компания тестирует «Ави Pro» – ассистента для профессиональных продавцов. Он анализирует статистику объявлений, объясняет изменения в метриках и подсказывает, как повысить эффективность продаж. Рыбинцев называет это примером того, как данные становятся не абстрактной аналитикой, а прикладным инструментом для ежедневной работы.

На «Авито», по собственным данным, размещено более 240 млн объявлений, ежемесячная аудитория составляет 72 млн пользователей, а модели машинного обучения обрабатывают до 50 млрд событий в день – поисковых запросов, просмотров, кликов и других поведенческих сигналов. За счет анализа разных поведенческих сигналов компания может не только понимать, какие товары и услуги интересуют аудиторию, но и предлагать более связный сценарий внутри платформы. Например, пользователя, который выбирает семейный автомобиль, могут заинтересовать сопутствующие решения: страхование, проверка истории автомобиля, автокресло для ребенка или другие товары и сервисы, связанные с покупкой машины. Так данные помогают сделать пользовательский путь более цельным: человек быстрее находит не отдельное объявление, а решение своей задачи, резюмирует Рыбинцев. Сегодня, по его словам, около 40% сделок на «Авито» совершается после взаимодействия пользователя с рекомендациями.