Языковые модели для розничных компаний
Контакт-центр, товарный контент, умный поиск, персонализация и ассистент для персонала в зале. Работает на российских технологиях, персональные данные хранятся в России по закону 152-ФЗ.
Зачем внедрять решения на базе LLM?
У розничной компании две тревоги. Первая - это отстать. Маркетплейсы и крупные сети уже отвечают на типовые обращения без оператора, готовят карточки товаров сразу помногу и ищут по смыслу запроса. Догонять хочется, но своей команды под такие проекты обычно нет. Вторая - это оказаться первопроходцем на новой технологии.
Между этими тревогами есть рабочий путь. Двигаться по задаче, которую уже прошли крупные сети. Начать можно с самого окупаемого. Чаще всего это чат-бот на типовые обращения или автоматизация карточек товаров.
Чат-бот закрывает типовые обращения в пик распродаж, а оператор разбирает сложные случаи вместо потока «где мой заказ»
В пики нагрузки (распродажи на Черную пятницу или Новый год) поток клиентских обращений растет в 3-5 раз. Типовые темы, например выяснить статус заказа, оформить возврат, сменить адрес доставки, задать вопрос по акциям, дают 60-70% потока. Вопрос «где моя посылка» - это до 50-70% всех обращений, самая высокая доля среди всех отраслей.
Начинаем с чат-бота на типовые темы, а голосового агента подключаем в пиковые периоды. Обязательна прямая связь с системой отслеживания отправлений в реальном времени. Без нее ассистент не назовет клиенту актуальный статус заказа.
Hoff с Just AI (2023) закрывает без оператора 78% диалогов при удовлетворенности клиентов более 97%. X5 переводит до 50% голосовых обращений в автоматический режим. Fix Price (2023) доводит до оператора только 1,3% обращений.
Начинаем с чат-бота. Измеряем долю обращений без оператора (цель от 30%), среднее время обработки одного обращения и покрытие контроля качества, которое поднимаем до 100% звонков.
От 3 000 обращений в месяц.
Смотрите также в разделе Автономные агенты: услугу «ИИ-агент клиентского сервиса, который сам выполняет действие».
Карточка товара выходит в день загрузки вместо двух недель, а ответы на отзывы готовятся за минуты
Компания с каталогом от 20 до 500 тысяч товаров не справляется с объемом контента. Копирайтеры не успевают, новые товары ждут карточек неделями, на тысячи отзывов отвечают шаблонно. Одно описание у копирайтера стоит около 300 рублей. На каталоге в 100 тысяч товаров это десятки миллионов рублей только на первичный контент.
Единый конвейер для трех задач. Описания карточек из характеристик в учетной системе. Теги и описания к изображениям. Ответы на отзывы с учетом тональности и голоса бренда. Числовые характеристики берем строго из учетной системы, а результат проверяет редактор.
Лемана Про с Yandex Cloud (2024) снизила стоимость карточки на 95%, а срок выпуска сократила с двух недель до дня загрузки. Яндекс Маркет готовит 10 тысяч описаний в сутки. Napoleon IT для Lapochka (2023) сократила время ответа на отзыв с двух часов до семи минут, а нагрузку на операторов на 40%.
Пилот идет от 6 до 8 недель и начинается с описаний карточек, полный конвейер от 12 до 14 недель. Измеряем стоимость описания, срок выпуска карточки, долю описаний без правок редактора и время ответа на отзыв.
Каталог от 3-5 тысяч товаров, структурированные характеристики в учетной системе и редактор.
Смотрите также в разделе Автономные агенты: услугу «ИИ-агент закупок и поиска поставщиков».
Запрос «куртка без синтетики» находит товар вместо пустой страницы
Поиском пользуются 30-40% покупателей, а 10-20% запросов возвращают пустую страницу. Это прямые потери. Обычный поиск сопоставляет слова, а не смысл. Запросы «что подарить ребенку 5 лет» или «куртка без синтетики» не находят ничего, и покупатель уходит к конкурентам.
Поверх существующего поиска добавляем смысловой слой из трех частей. Смысловой поиск понимает намерение, синонимы и опечатки. Поиск по фотографии работает на компьютерном зрении, а не на языковой модели. Рекомендации идут с понятным объяснением. Рост всей выручки не обещаем, эффект считаем на поисковых сессиях.
Wildberries (2025) с помощью смыслового поиска и рекомендаций добавила 2-3% к обороту. Lamoda (2024) повысила конверсию и снизила долю пустых выдач, но цифры не раскрыла.
Пилот идет от 8 до 12 недель и начинается со смыслового поиска на 3-5 категориях. Измеряем долю запросов без результата (снижение от 30%) и долю поисковых сессий с покупкой (рост от 5%).
Каталог от 5-10 тысяч товаров. Для поиска по фото нужны категории, где важен внешний вид. Для рекомендаций нужна история покупок за 3-6 месяцев.
Письмо с предложением под клиента вместо общей рассылки, а также разбор всех отзывов по темам и ответственным сотрудникам
У задачи два заказчика. Директор по маркетингу спрашивает, почему рассылки не приносят продаж. Категорийный директор спрашивает, почему растет отток. Присутствие на маркетплейсах дает бесплатный источник данных, потому что отзывы открыты публично.
Две задачи на общей инфраструктуре. Первая задача это персонализация. Под сегмент и событие готовим индивидуальный текст письма. Вторая задача это аналитика отзывов. Модель читает поток отзывов, раскладывает их по темам и ответственным сотрудникам и собирает сводку. Там, где достаточно классического машинного обучения (например прогноз оттока), языковую модель не подключаем.
«Магнит» (2025) обрабатывает 150 тысяч отзывов в день с точностью около 90%. «Остров Мечты» с Mindbox (2025) подняла выручку с клиента на 27%. Hoff (2018) получает 8,5% оборота с писем.
Два пилота по 8-14 недель. У персонализации измеряем рост конверсии рассылки (от 5%). У аналитики измеряем долю критичных сигналов, дошедших до ответственного за сутки (от 80%).
От 50 тысяч активных клиентов или от 5 тысяч отзывов в месяц, данные о поведении клиентов и ответственный сотрудник.
Продавец находит ответ покупателю через приложение на своем смартфоне
Продавцы тратят время на вопросы покупателей по акциям, наличию товара и возвратам, а кассиры на типовые вопросы смены. Старт быстрый и не требует новых устройств, потому что ассистент работает через приложение на личном смартфоне.
Голосовой или мобильный ассистент поверх документов компании. Сотрудник спрашивает и получает ответ со ссылкой на источник. Ассистент отвечает только из проверенных регламентов, а не придумывает сам.
Сеть «Подружка» с Napoleon IT (2026) развернула ассистента на 600 магазинов и 3 000 сотрудников и ускорила поиск ответов на 95%. М.Видео закрывает помощником 43% вопросов автоматически. Пятерочка ускорила обучение в 4 раза.
Пилот идет от 8 до 14 недель, один сценарий, группа 20-50 сотрудников. Измеряем долю ответов с корректной ссылкой (от 70%) и долю группы, которая продолжает пользоваться ассистентом через 4 недели.
От 30-50 полевых сотрудников и регламенты, готовые к оцифровке.
Применений языковых моделей в российском бизнесе для розничных компаний
Полный каталог юзкейсов для розничных компаний с описанием проблемы, устройства решения, ожидаемого результата и примеров внедрений в России — по запросу.