Дайджест глобальных технологических трендов СберПро (издания Сбера для бизнеса) за 2026 год фиксирует сдвиг в том, как бизнес пользуется генеративным ИИ. По дайджесту, генеративный ИИ больше не ограничивается ответами на вопросы сотрудников и начинает сам выполнять рутинные операции и предупреждать ответственных о рисках. На практике этот сдвиг воплощают ИИ-агенты. Так называют ПО, которое само отслеживает данные в рабочих системах и либо выполняет операцию (пишет клиенту, ставит задачу, меняет заказ), либо готовит подсказку человеку (находит проблему, предлагает следующий шаг). Внутри такого ПО может работать LLM (большая языковая модель), классические ML-модели (модели машинного обучения) или их связка.
Для розничной торговли за этим сдвигом стоит приземленная управленческая проблема, которую мы регулярно видим в проектах. Компания платит за рекламный трафик и заявки, а потом теряет часть сделок уже внутри воронки продаж, потому что менеджеры перегружены, часть заявок остается без ответа, а у части сделок не назначен следующий шаг. Потерянная заявка в рознице, как правило, обходится дороже, чем в сервисном бизнесе. За заявкой обычно стоит товар, который уже закуплен, привезен и лежит на складе, и если продажа не состоялась, этот товар может уйти в скидку или в списание. Поэтому ИИ-агентов в рознице имеет смысл ставить на стыки маркетинга, продаж, закупок и склада, где продажи теряются, а запасы замораживаются.
Стыки, где розница теряет продажи и замораживает запасы
В розничной компании среднего размера маркетинг, продажи и закупки работают каждый на свой показатель (маркетинг на заявки, продажи на выручку, закупки на обеспеченность товаром) и редко видят экономику всей цепочки от заявки до полки. Маркетинг приводит трафик, отдел продаж часто не успевает обработать все заявки, закупки нередко страхуются и заказывают товар с запасом, а руководство получает отчеты по каждому отделу, из которых полная картина потерь обычно не складывается.
Потери возникают на следующих стыках:
- Маркетинг и продажи. Заявка пришла, но на нее не ответили или не зафиксировали следующий шаг в CRM (системе управления работой с клиентами).
- Продажи и закупки. Фактический спрос из CRM, промоакции и сезонность часто попадают в планирование закупок не полностью.
- Закупки, склад и полка. По одним товарным позициям (SKU) полка пустеет, по другим копится избыточный запас, который позже может уйти в списание.
Ежедневной проверки, которая находила бы эти потери и запускала действия (звонок клиенту, перенос товара, изменение заказа), в таких компаниях обычно нет. А вернуть деньги проще всего, пока потеря свежая.
Что делает ИИ-агент в CRM и что мешает его запустить
В компаниях, которые внедрили ежедневную проверку воронки продаж, она обычно устроена следующим образом. ИИ-агент каждый день проходит по CRM, находит необработанные заявки, сделки без следующего шага и просроченные задачи менеджеров. Руководитель отдела продаж остается на своем месте, а ИИ-агент забирает у него ту часть контроля, которую при большом потоке заявок вручную удерживать обычно не выходит.
СберПро описывает, как тот же сдвиг выглядит в банках. Банки, пишет СберПро, переходят к агентным платформам, то есть к системам из нескольких ИИ-агентов, которые сами выполняют рутинные операции, разбирают переписку и проверяют риски по сделкам. В рознице, по нашему опыту, пользу приносят узкие ИИ-агенты, встроенные в существующие CRM и учетные системы, с измеримым показателем эффекта (доля обработанных заявок, точность прогноза, доля списаний) и понятными правилами доступа к данным.
Есть у этого сдвига и барьер. Тот же дайджест СберПро фиксирует парадокс генеративного ИИ, а тормозами его внедрения называет прежде всего открытые вопросы безопасности данных и медленные управленческие решения. Парадокс в том, что шума вокруг этой технологии много, а пользу в деньгах видят немногие компании. Если данные о продажах и клиентах размазаны по Excel, CRM и учетной системе, а доступ сотрудников к публичным ИИ-сервисам не согласует служба информационной безопасности, то сначала нужно свести данные в одно место и договориться, что можно отдавать таким сервисам, а что нет, и только потом подключать ИИ-агентов.
Какие ИИ-агенты и ассистенты окупаются в рознице
По нашему опыту, в рознице окупаются следующие узкие ИИ-агенты и ассистенты:
- ИИ-агент контроля воронки продаж, описанный выше. Работает на LLM поверх CRM, возвращает в работу заявки, которые иначе потерялись бы, и делает воронку продаж прозрачной для руководителя отдела продаж.
- ИИ-агент прогноза спроса. Работает на классических ML-моделях, опирается на продажи по товарным позициям, промоакции и сезонность, чтобы прогнозировать спрос и подсказывать закупщику объемы заказа. Такой ИИ-агент уменьшает и дефицит, и избыток товара, а снижение избытка освобождает замороженный в запасах капитал.
- ИИ-агент управления остатками и списаниями. Работает на ML-прогнозах и заданных бизнесом правилах (порогах по остаткам и срокам годности) поверх данных о запасах и логистике, чтобы заранее предупредить категорийного менеджера о риске списаний и предложить ему действия. Это перераспределение товара между точками, локальная промоакция или скидка.
- Клиентский или внутренний ИИ-ассистент. Первые три следят за данными, а этот ИИ-ассистент отвечает на вопросы клиентов или сотрудников. Работает на LLM с поиском по корпоративным данным (RAG) внутри периметра компании, поэтому подходит для случаев, когда чувствительную информацию нельзя отдавать в публичные ИИ-сервисы.
Попытка решить все четыре задачи (контроль воронки продаж, прогноз спроса, управление остатками, ответы на вопросы) одной универсальной ИИ-моделью обычно застревает на стадии пилота.
Пять проектов БизнесМатики для розницы с измеренным результатом
В следующих проектах БизнесМатики для розницы и FMCG (товаров повседневного спроса) узкие системы с одной задачей уже давали измеренный результат:
- В проекте для федеральной продуктовой сети ML-прогноз спроса по категориям с коротким сроком годности поднял точность с 55-60% до 85%, а списания скоропортящейся продукции снизил на 17%. Пилот шел в 50 торговых точках и распределительном центре, затем эту систему прогнозирования тиражировали на всю сеть.
- В DIY-сети (товары для дома и ремонта) из 50 магазинов автоматизация ценообразования на ML-алгоритмах на ассортименте из 15 000 товарных позиций подняла валовую маржу на 9%, а выручку на 2,5%.
- В рознице одежды и обуви рекомендательная ML-система интернет-магазина дала рост выручки на 30% за три месяца за счет подбора товаров под историю покупок конкретного покупателя.
- В другой DIY-сети (51 магазин) ИИ-ассистент клиентской поддержки на LLM с RAG работает круглосуточно, а среднее время ожидания ответа на линии упало с 4 минут до 40 секунд.
- В проекте для региональной розничной сети обработка обратной связи на NLP (технологии анализа текста) сократила время реакции на негативный отзыв до 15 минут и подняла индекс лояльности клиентов (NPS) на 7 процентных пунктов, тогда как раньше сводка жалоб доходила до офиса раз в неделю.
Эти проекты объединяет то, что каждая система привязана к конкретному показателю бизнеса, будь то выручка, маржа, списания, скорость реакции или качество сервиса, и встроена в рабочие процессы, а сам показатель замерен до внедрения и после него.
Почему ИИ-проекты в рознице застревают
Первая причина - это беспорядок в данных и процессах. Если CRM заполняется хаотично и процессы не описаны, ИИ-агент, скорее всего, лишь ускорит хаос. Мы в проектах для розницы и FMCG часто видим компании с набором несвязанных пилотов, где рекомендательная система живет отдельно, чат-бот отдельно, прототип прогноза спроса отдельно, данные не сведены воедино, а у процессов нет владельцев, и до рабочего использования такие пилоты обычно не доходят.
Вторая причина - это безопасность данных, о которой шла речь выше. Компания не хочет выносить коммерчески чувствительную информацию в публичные ИИ-сервисы, а собственной инфраструктуры для работы с корпоративными данными (свое хранилище, LLM в периметре компании или у доверенного провайдера, правила доступа) у нее нет. В этом случае внедрение может остановиться уже на этапе согласований. Поэтому вопросы доступа, хранения данных и роли службы информационной безопасности мы включаем в обязательную часть проекта внедрения.
Зачем перед внедрением ИИ нужен аудит готовности бизнеса
Начинать внедрение стоит с аудита готовности бизнеса к ИИ, а конкретные технологии (LLM, ML-модели, платформу для ИИ-агентов) выбирать после него. В методике БизнесМатики такой аудит занимает одну-две недели и оценивает готовность по следующим направлениям:
- Стратегия. Какие задачи бизнес хочет решить и как поймет, что получилось.
- Данные. Что и где хранится, какого это качества и что нужно доработать.
- Технологии. Какие системы уже есть и куда встраивать ИИ-агентов.
- Люди. Кто станет владельцем каждого внедрения со стороны бизнеса.
- Процессы. Как рекомендации ИИ встроятся в ежедневную работу отделов.
- Правила управления данными. Кто и к каким данным имеет доступ и какие данные разрешено передавать за пределы компании.
На выходе компания получает следующий набор материалов:
- Профиль готовности по этим шести направлениям.
- Карту потерь по цепочке от маркетинга через продажи и закупки до склада, с оценкой каждой потери в деньгах.
- Короткий список из двух-трех ИИ-агентов с оценкой окупаемости и требованиями к данным.
Такой порядок помогает не тратить деньги на пилоты, которые некуда встраивать, и снимает у руководства часть опасений по поводу бюджета и утечки данных. Сначала считаем потери и окупаемость, а уже потом обсуждаем ML-модели и тираж удачных систем на всю сеть.
Коротко о том, где ИИ-агенты быстрее всего окупаются
Быстрее всего, по нашему опыту, вложения в ИИ окупаются в конкретных точках потерь розницы. Это забытые заявки, неверные закупки, избыточные остатки и запоздалая реакция на спрос и жалобы. Узкому ИИ-агенту в такой точке обычно хватает данных одной-двух рабочих систем, поэтому внедрение идет быстрее, чем у платформы на весь бизнес, а чем короче внедрение, тем раньше начинается экономия. Если компания видит такие потери у себя, разумный первый шаг - это бесплатный аудит готовности к ИИ. Такой аудит покажет, какие 2-3 ИИ-агента дадут наибольший эффект именно в процессах этой компании, и это полезнее, чем запускать еще один пилот ради самого факта внедрения.
