ИИ в интернет‑магазине: что реально работает в 2026, что переоценено и с чего начать

39% российских компаний уже используют ИИ‑агентов в работе — данные СберАналитики за январь 2026 года. Еще 42% подключили чат‑ботов и голосовых ассистентов. Покупатели задают вопросы Алисе и ChatGPT, те дают ответы с рекомендациями и ведут на карточку товара. Канал новый, трафик теплый: пользователь приходит с уже сформированным запросом.

При этом разрыв между тем, что продают вендоры, и тем, что реально работает для магазина с командой в 5–20 человек — огромный. Разбираем без хайпа.

Что реально работает: 7 сценариев

1. ИИ‑чат‑бот для поддержки

Под капотом у рабочего ИИ‑бота три обязательных компонента. Первый — подключение языковой модели через API (OpenAI, YandexGPT, GigaChat). Второй — база знаний: каталог, условия работы, политика возвратов, ответы на типовые вопросы. Именно из нее бот достает ответы, а не придумывает их. Третий — сервер для круглосуточной работы, иначе бот падает ночью, когда он нужен больше всего. Аренда VPS под такую задачу стоит 1 000–3 000 рублей в месяц.

Без этой инфраструктуры получается бот‑автоответчик, который отвечает «я не понял вопроса» и переводит на оператора. По данным НАФИ за 2025 год, треть россиян оценивает опыт общения с ботами негативно — большинство из них столкнулись именно с такими поделками.

Метрики:

• количество обращений, закрытых без участия менеджера
• прогретость входящих лидов — клиент, получивший ответ от бота, приходит к менеджеру с готовым решением, не с вопросами
• отработанные возражения до первого контакта с менеджером

2. Персонализированные рекомендации

Блоки «с этим покупают», «похожие товары», «вы смотрели» работают на основе поведенческих алгоритмов: система анализирует историю покупок похожих пользователей и подставляет релевантные товары. Это не новая технология — ритейл использует ее лет пятнадцать, но с ИИ точность рекомендаций выросла.

Российские кейсы дают конкретные цифры. По данным Retail Rocket, персонализированные рекомендации увеличивают средний чек на 10–23% в зависимости от ниши и настройки. Разброс большой: зависит от ассортимента, трафика и качества данных.

Важный момент: алгоритму нужна история. Если у вас 50 заказов в месяц, рекомендательная система не обучится нормально — будет рекомендовать хиты продаж всем подряд. Порог, при котором система начинает давать ощутимый эффект, — от 300–500 заказов в месяц.

Метрики:

• A/B‑тест до и после подключения рекомендаций
• возвращаемость покупателей
• средний чек в сравнении с группой без рекомендаций
• LTV по когортам

3. Умный поиск по каталогу

Стандартный поиск ищет точное словесное совпадение. Умный — понимает запрос: исправляет опечатки, распознает неверную раскладку, ищет по синонимам и характеристикам. Покупатель набирает «кросовки найк синие для зала» — и получает релевантные позиции, а не страницу с ошибкой.

Для магазинов на любой платформе есть готовые SaaS‑решения. Они работают с 1С‑Битрикс, OpenCart, WordPress, CS‑Cart и фактически с любой CMS — подключение через YML‑файл и JavaScript‑код занимает около 15 минут без программиста.

Метрики:

• конверсия из поиска в заказ
• доля запросов с нулевым результатом до и после

4. Автоматизация наполнения карточек

Для магазина с каталогом от 500 позиций это один из самых быстро окупаемых сценариев. Написать качественное описание карточки вручную — 15–30 минут на позицию. С нейросетью: написать промпт, скормить характеристики, получить черновик и довести его до ума — 5–7 минут.

Экономика: 100 карточек копирайтером по московским ставкам — 50–80 тыс. рублей и две недели работы. С ИИ и редактором — 10–15 тыс. рублей и 3–4 дня. Источник экономии не в том, что нейросеть пишет лучше копирайтера, а в том, что черновик уже готов.

Многие платформы уже встраивают ИИ‑генерацию прямо в интерфейс управления каталогом — маркетплейсы и современные CMS делают это стандартом. Владельцы магазинов на Аспро:Премьер используют это для массового заполнения карточек без выгрузки и промежуточных шагов, прямо в системе.

Главное правило: финальный контроль человека обязателен. Нейросеть уверенно ошибается в технических характеристиках, придумывает артикулы, путает модели. Один неверный параметр в карточке — возврат, претензия, репутационный ущерб.

Метрики:

• трудозатраты на единицу товара до и после
• скорость вывода новых позиций в каталог

5. ИИ для работы с изображениями

Студийная съемка одного товара в нескольких ракурсах — 500–1 500 рублей за позицию. Для каталога в 2 000 позиций это 1–3 миллиона рублей. ИИ‑обработка закрывает значительную часть задач: удаление фона, приведение к единому стилю, апскейлинг низкокачественных фото от поставщика.

Для генерации визуала с нуля — Midjourney и аналоги. Практичнее всего подключиться к агрегатору, который дает доступ к десяткам моделей из одного интерфейса. Syntx.ai объединяет 80+ инструментов — Midjourney, Flux, Kling, Sora и другие — с оплатой в рублях, тарифы от 890 рублей в месяц. У каждой модели своя специализация: одна лучше справляется с предметной съемкой, другая точнее с людьми, третья с брендовыми сценами. Имеет смысл протестировать несколько на одной задаче и выбрать под свой каталог.

Метрики: стоимость производства одной единицы визуального контента до и после

6. Попадание в ответы нейросетей (GEO)

Алиса, ChatGPT, Gemini генерируют ответы на вопросы о покупках, опираясь на данные с сайтов. Какой товар выбрать, где дешевле, есть ли доставка в регион — на такие запросы ИИ дает конкретные рекомендации с источниками. Магазины, чьи карточки попадают в эти ответы, получают трафик с высокой конверсией: покупатель приходит с уже готовым намерением.

Попасть в нейровыдачу помогают три вещи. Структурированные данные: Schema.org‑разметка с заполненными полями цены, наличия, рейтинга — нейросеть читает их напрямую. Точность информации: расхождение между ценой на странице и ценой в разметке сигнализирует о ненадежности источника. FAQ‑блоки в карточках и категориях: именно такой формат нейросети предпочитают как источник для ответов.

GEO — не разовая работа. Данные устаревают, карточки обновляются, алгоритмы меняются — это постоянный процесс, похожий на SEO по трудозатратам. И без SEO‑базы GEO‑оптимизация работает хуже: нейросети и поисковые боты читают одни и те же сигналы качества. Магазин с техническим долгом не станет источником нейровыдачи, даже если разметку поставили идеально.

Метрики:

• переходы из ИИ‑источников
• прогретость лидов из этого канала
• доля запросов, по которым сайт попадает в нейровыдачу

7. ИИ‑контент для блога и категорий

Статьи, описания категорий, FAQ‑страницы влияют и на SEO, и на GEO. С нейросетью производство контента ускоряется в 2–3 раза: вы задаете структуру, тему, ключевые тезисы, получаете черновик и доводите его до публикации.

Работает при одном условии: есть человек, который проверяет факты и правит текст под голос бренда. Без редактуры публиковать ИИ‑контент нельзя — нейросеть уверенно придумывает исследования, цифры и экспертов.

Метрики:

• объем производимого контента в месяц
• трудозатраты на публикацию одной единицы

Что переоценено: 4 сценария

Полная автоматизация маркетинга

Платформы обещают: настроил один раз — ИИ сам ведет клиентов по воронке, сам делает рассылки, сам оптимизирует бюджет. На практике ИИ работает с данными, которые вы ему даете. Нет сегментации, нет истории взаимодействий, нет четких сценариев — получаете автоматизированный шум вместо лидов. Инструмент усиливает то, что уже есть. Маркетинговой логики ИИ не создаст.

ИИ‑контент без редактора

Особенно опасно для карточек товаров. Нейросеть путает артикулы, придумывает характеристики, которых нет, уверенно пишет «водонепроницаемый» для модели без такой защиты. Один неверный параметр — возврат и претензия. Генерация без проверки — это не экономия, а перекладывание расходов с производства контента на обработку жалоб.

Предиктивная аналитика спроса

ИИ якобы предскажет, что продавать в следующем сезоне, какой ассортимент завезти и где будут провалы. Для этого нужна история продаж минимум за 2–3 года с нормальной структурой данных. У большинства МСБ ее нет — данные в разных системах, с пропусками, без сегментации. Мусор на входе — мусор на выходе.

Чат‑бот как галочка

С чего начать без разработчика

Четыре шага по нарастающей сложности.

Шаг 1. Карточки через ИИ. Нулевой порог входа. Возьмите 20 позиций со слабыми описаниями, напишите промпт с инструкцией и прогоните через ChatGPT или DeepSeek. Оцените результат, отредактируйте, сравните конверсию через месяц.

Шаг 2. Умный поиск. Готовые SaaS‑решения подключаются через YML‑файл без программиста. Большинство сервисов дают 14–30 дней бесплатно — достаточно, чтобы проверить на своем трафике.

Шаг 3. Базовый чат‑бот. Начните со сценария из 10–15 вопросов: статус заказа, условия доставки, возврат, размерная сетка, контакты. Конструкторы типа Salebot позволяют собрать такой сценарий без кода. Когда поймете, какие вопросы задают чаще всего, расширяйте.

Шаг 4. GEO‑аудит. Проверьте Schema.org‑разметку через бесплатный Rich Results Test от Google. Исправьте критические ошибки: расхождение цен, незаполненные обязательные поля. Это займет день и создаст базу для попадания в нейровыдачу.

Вывод

ИИ не заменяет бизнес‑логику и контроль качества. Три инструмента с четко отмеренным результатом лучше, чем семь внедренных для отчетности. Начните с того, где у вас узкое место прямо сейчас: медленное наполнение каталога, перегруженная поддержка или слабая конверсия из поиска. Выберите инструмент под эту задачу, поставьте метрику до внедрения и сравните через 30 дней. Это даст понимание, куда двигаться дальше.