Будущее e‑commerce: покупателя поведут AI‑агенты, а выиграют архитекторы данных

Персонализация уже стала привычным инструментом e‑commerce. Теперь преимущество получают компании, в которых данные о товарах, клиентах, заказах и сервисе связаны в единую систему и обновляются в реальном времени. Если сведений не хватает или они противоречат друг другу, AI‑агент не станет разбираться в логике продавца и выберет более надежное предложение. В новой модели выигрывает не тот, кто громче говорит с покупателем, а тот, чьи данные позволяют быстро и безошибочно принять решение. Разберу, почему данные становятся не бэк‑офисной темой, а новой коммерческой инфраструктурой ритейла.

Персонализация больше не передний край. На рынок выходят AI‑агенты

Новый сценарий уже входит в покупательскую практику. По данным «Ашманов и партнеры», почти половина онлайн‑покупателей обращаются к нейросетям перед покупкой. Среди пользователей AI‑сервисов 69% стали чаще искать с их помощью товары, чем год назад. Другое исследование, проведенное «Яндексом» и «РБК Исследования рынков», показало, что AI при выборе и покупке товаров используют 35% интернет‑покупателей. В среднесрочной перспективе показатель может вырасти до 74%.

Нейропоиск, ассистент и полноценный агент выполняют разные задачи. Нейропоиск собирает информацию, ассистент помогает выбрать, агент планирует действия, подключается к системам, помнит контекст, исправляет ошибки и доводит сценарий до результата. Исследование «Яков и Партнёры» показало, что из 18 международных продуктов с агентным позиционированием этим критериям соответствовали только семь. Для ритейлера вывод прямой: карточке нужны структурированные характеристики, актуальные цена и остатки, понятные условия доставки и возврата, связи с совместимыми товарами. Если сведений не хватает, предложение выпадает из сравнения еще до визита покупателя на сайт.

Данные становятся новой инфраструктурой бизнеса

Остаток на сайте для покупателя означает, что товар можно купить, цена фиксирует условия сделки, статус заказа сообщает, когда ждать доставку. Ошибка в любом из этих полей нарушает обещание ритейлера. Для AI‑агента полнота данных становится еще и допуском товара к сравнению. Если система не проверяет характеристики, наличие или доставку, предложение проигрывает еще до оценки цены и качества.

Представим, что покупатель ищет стиральную машину для небольшой ванной и хочет получить ее в выходные. Агенту нужно сопоставить размеры, загрузку, наличие, стоимость доставки и правила возврата. У одного продавца эти сведения связаны и обновляются одновременно, у другого размеры указаны только в инструкции, остаток на сайте расходится с данными склада, интервал доставки становится известен после оформления. Второй вариант может стоить дешевле, но проверить возможность покупки сложнее. В финальный выбор с большей вероятностью попадет предложение, которое не требует догадок и ручных уточнений.

Масштаб маркетплейсов показывает, во что превращаются связанные данные на практике. В рейтинге, опубликованном Data Insight в 2025 году по итогам 2024 года, онлайн‑продажи Wildberries оценивались в 4,04 трлн рублей, Ozon — в 3,57 трлн рублей. За этими объемами стоит не только широкий ассортимент. Обе площадки связали поиск, карточки, остатки, отзывы, доставку и возврат в единый сценарий, где каждый следующий шаг опирается на данные предыдущего. Покупателю проще оценить предложение и завершить заказ, цифровому посреднику проще проверить условия и сравнить продавцов. Поэтому классическому ритейлеру приходится конкурировать с маркетплейсами уже не на уровне витрины, а на уровне всей системы исполнения заказа.

Ритейлеру нужно проверять не полноту отдельных баз, а возможность провести конкретный заказ от запроса до получения или возврата без ручной сборки данных. Для проверки выберите несколько популярных клиентских сценариев и пройдите каждый из них через сайт, склад, магазин, доставку и поддержку. Все места, где информация расходится или требует уточнения у сотрудника, нужно фиксировать как коммерческий риск. Эти разрывы снижают видимость товара в рекомендациях и ограничивают задачи, которые бизнес способен передать AI‑агенту.

Плохие данные обходятся дороже плохого маркетинга

Представим промо на популярную категорию. Трафик растет, стоимость привлечения укладывается в план, число заказов радует команду. После запуска выясняется, что часть остатков существовала только на сайте, сроки доставки приходится переносить, совместимые аксессуары сотрудники подбирают вручную. В рекламной аналитике кампания выполнила KPI. В P&L к стоимости привлечения прибавились поддержка, компенсации, возвраты и потерянные продажи.

AI‑агенты добавляют к этой экономике еще один слой. Когда цифровому посреднику станет доступна история отмен, задержек и расхождений, надежность исполнения будет влиять на следующий выбор продавца. Тогда ошибка в данных увеличивает не только стоимость текущего заказа, но и цену будущего спроса: компании снова приходится платить за внимание клиента, которого она уже однажды привела. Пока заказов немного, сотрудники закрывают такие разрывы вручную. С ростом бизнеса этот труд превращается в скрытый налог на масштабирование.

Российский рынок уже показывает, что AI становится частью коммерческой модели

Российский покупатель становится расчетливее. В июльском докладе 2026 года Банк России отметил переход к бюджетным товарам, включая позиции, бывшие в употреблении. Люди дольше сравнивают предложения и внимательнее изучают условия. Для AI здесь появляется конкретная коммерческая задача: сократить путь от запроса до подходящего товара.

Этот путь уже проходит внутри одного диалога. Агент «Найти дешевле» в «Алисе AI» сравнивает предложения интернет‑магазинов и маркетплейсов с учетом региона пользователя. Yandex Commerce Protocol позволяет перейти к оформлению и оплате заказа из чата. Так AI становится отдельным каналом продаж. Бизнес тоже готовится к нему: по данным «ТендерПро», за год число коммерческих тендеров на разработку AI‑ассистентов выросло на 34,2%, а на ритейл пришлось 20,2% таких торгов. Однако появление нового канала продаж еще не означает, что бизнес готов полноценно в нем работать.

Российская специфика состоит в том, что полноценного агента пока нельзя просто купить. «Яков и Партнёры» не нашли готовых агентов среди 12 публично доступных отечественных продуктов. Рынок развивается через платформы, на которых компании собирают решения под закрытые данные, внутренние системы и требования безопасности. Системы уровня L4, включая «Афанасия Иванова» в Т⁠-⁠Банке и «Маркуса» в Сбере, созданы внутри корпораций и внешним заказчикам не предлагаются. Поэтому главный вопрос для ритейлера связан не с выбором готового продукта, а с готовностью собственных процессов к работе с агентом.

AI‑агент быстро показывает, насколько процессы готовы к автоматизации и где они зависят от ручной работы сотрудников. Первая проверка начинается с одного сценария, например подбор товара, оформление заказа и доставка. До запуска измерьте продолжительность всего пути, долю завершенных покупок и маржу. После внедрения сравните показатели и определите этапы, на которых заказ по‑прежнему требует звонков, переписок и ручных согласований. Если быстрее стал только диалог с клиентом, проект еще не повлиял на коммерческий результат.

Какие вопросы стоит задать бизнесу уже сегодня

Знаем ли мы, с кем разговаривает агент? Проверьте, собраны ли заказы, возвраты, обращения, бонусы и предпочтения одного человека в едином профиле. В несвязанных базах постоянный покупатель становится незнакомцем для системы. В результате агент повторно предложит возвращенный товар, не учтет жалобу или неверно рассчитает бонусы. Для проверки восстановите историю нескольких клиентов только по данным из систем, без помощи сотрудников.

Сможет ли система подобрать решение без консультанта? Откройте карточки популярных позиций и проверьте характеристики, комплектацию, гарантию, аналоги, аксессуары, совместимость и ограничения. Затем поставьте конкретную задачу, например собрать комплект для ремонта или подобрать технику под размеры помещения. Неполное описание не только снижает качество ответа, но и исключает подходящий товар из сравнения.

Может ли агент выполнить то, что пообещал? Система должна проверить остаток, рассчитать доставку, предложить замену, изменить способ получения, начать возврат или передать обращение в сервис вместе со всем контекстом. Пройдите один такой сценарий в тестовом режиме и посчитайте время, число ручных действий и итоговую маржу. Отдельно отметьте этапы, где потребовались Excel, переписка или согласование. Они покажут, какие интеграции нужны до запуска агента.

Получит ли клиент один ответ во всех каналах? Сравните правила доставки, гарантии и возврата на сайте, в службе поддержки и во внутренних регламентах. Противоречие, которое оператор исправляет в личном разговоре, через AI масштабируется сразу на множество диалогов. Для каждого блока знаний нужны ответственный, срок обновления и порядок действий при ошибке. Агент также должен понимать, когда остановить операцию и передать ее сотруднику.

Перед запуском бизнесу нужно определить, какие данные использует агент, кто отвечает за их точность и какие действия ему разрешены. Эти ответы задают границы автоматизации и критерии пилота. Если AI только консультирует и ждет ручной сборки контекста для следующего шага, компания создает ассистента. Агентная коммерция начинается с безопасного выполнения задачи целиком и проверки результата.

Заключение

Путь к покупке все чаще начинается с диалога с AI‑агентом, который помогает выбрать товар, проверяет условия и может провести заказ через коммерческие системы. В этой модели данные становятся языком бизнеса, поэтому их точность определяет, насколько хорошо алгоритм поймет предложение и сможет ли довести клиента до результата. Роль архитекторов данных выходит на управленческий уровень: им предстоит связать информацию о клиенте, товаре, остатках, доставке, сервисе, возвратах и марже в единый процесс. Маркетинг продолжит привлекать внимание, затем преимущество получит продавец, способный подтвердить каждое обещание актуальными данными и выполнить его без сбоев.