Покупатель пришел, но не выбрал: зачем интернет-магазину ИИ-подборщик, когда он нужен, а когда увеличивает расходы

Фото: Ingram Publishing / Фотобанк Лори

По данным исследования McKinsey State of Fashion 2025, 74% покупателей одежды уходили без покупки, поскольку не могли определиться. В последнее время помощь покупателю в сравнении десятков похожих товаров все чаще поручают ИИ-подборщику. Покупатель описывает задачу, отвечает на несколько вопросов и вместо всего каталога получает короткий список.

Но новый сервис нужен не каждому магазину. Максим Жуков, директор по развитию KISLOROD, поговорил с экспертами российского e-commerce о том, где ИИ-подборщик помогает продавать, а где добавляет магазину расходов.

За что теперь конкурируют интернет-магазины 

Для российских интернет-магазинов ИИ-подборщик – это способ вернуть на сайт сам выбор. Пока человек сравнивает товары внутри каталога, ритейлер еще может повлиять на решение. Если за советом он ушел в поисковик или на маркетплейс, обратно может вернуться уже к другому продавцу.

Но одной кнопки с ИИ мало. Сначала посмотрите, что покупатель сейчас делает сам: открывает десяток карточек, сверяет характеристики, проверяет совместимость, по одной позиции собирает большую закупку. Вот эту работу и можно передать подборщику. 

Такой эксперимент сейчас идет в METRO:

Мы не рассматриваем ИИ-подборщик как еще один чат на сайте. Его задача гораздо конкретнее – сократить путь от намерения купить до готовой корзины. Покупатель может попросить найти отдельный товар, передать список или описать всю закупку одной фразой. Сервис определит категории, найдет подходящие позиции в ассортименте METRO, учтет доступность в регионе. Выбранное можно добавить в корзину прямо из диалога.

Сейчас инструмент проходит A/B-тест. Помимо конверсии и выручки, мы изучаем сами запросы: что люди пытаются поручить ИИ, какие задачи повторяются, где алгоритм действительно экономит время. Здесь важно не отчитаться: "Мы запустили ИИ", а проверить, какую конкретную работу покупателя он способен взять на себя

Андрей Андреев, руководитель направления мерчандайзинга электронной торговли METRO

Есть еще вариант использовать ИИ-подборщик для рутинных покупок. Даже на привычную корзину нужно потратить время, чтобы найти знакомые товары и собрать заказ.

Принято считать, что в сценарии ИИ-подбора не попадают частотные товары с описанием в пару строк: ежедневные продукты, бакалея, расходники. Кажется, что там всё закрывают фильтры в пару строк кода и поиск наугад.

Но и здесь я вижу сценарий — разгрузить рутину покупателя. Моя супруга тратит часы в неделю на повседневные корзины в разных маркетплейсах. Хотя ей можно было бы автоматически, с учетом последних покупок, сроков годности, времени суток, погоды, типа дня и сезона, сразу предложить базовую корзину. Это сэкономило бы самое важное, что есть у человека, — время. Его можно потратить на себя, родных и близких

Александр Абрамов, советник по AI, бывший руководитель центра ИИ-компетенций "ВкусВилла"

Еще недавно ИИ-подборщик выглядел как модная функция, которой можно заняться потом. Теперь он подобрался к самой продаже: кто помогает покупателю определиться, тот с большей вероятностью получает заказ. Рынок к этому подтолкнули три перемены.

Маркетплейсы забирают выбор себе

В августе 2026 года Ozon начал тестировать ИИ-ассистента. Покупатель описывает задачу и бюджет, а сервис предлагает товары с учетом доставки, рейтинга и отзывов. Яндекс Маркет пошел дальше: его агент понимает фотографии и подбирает подарки. Приходить с готовым названием товара уже необязательно.

На российском рынке это уже гонка. Wildberries, Ozon и Яндекс Маркет забирают этап выбора внутрь своих площадок. Брендовому магазину подборщик нужен уже не для технологического отрыва, а чтобы не уступить чужой площадке покупателя на собственном трафике

Николай Ларионов, директор по цифровым продуктам в e-commerce, ex-CPO Hoff

Покупатели уже советуются с ИИ

Так делают 35% российских интернет-покупателей. Среди людей от 18 до 24 лет – почти каждый второй. В среднесрочной перспективе доля может вырасти до 74%.

Привести покупателя стало дороже

В первом квартале 2026 года клик в e-commerce подорожал на 19,1%, а целевое действие – на 39,8%. Человек приходит на сайт, но дольше сравнивает и не спешит с заказом. Покупать в такой ситуации еще больше переходов накладно. Сначала бы довести до корзины тех, кто уже пришел.

Больше продать, меньше вернуть 

Представим ситуацию: магазин тестирует ИИ-подборщик в одной категории. До запуска команда фиксирует показатели: сколько посетителей оплачивают заказ, какой чек, как часто товар возвращают и сколько вопросов о выборе получает поддержка. Их фиксируют до пилота, а затем сравнивают в тестовой и контрольной группах. 

Я бы начинал не с выбора ИИ-платформы, а с конкретной покупательской проблемы. Нужно найти сценарий, где человеку действительно трудно выбрать товар существующими средствами, и проверить гипотезу именно на нем.

Красивый диалог с ИИ – это не бизнес-результат. Нужно заранее определить метрики успеха: увеличилась ли конверсия, сократилось ли время выбора, вырос ли средний чек, стало ли меньше выходов из поиска. Я бы шел через небольшой пилот: одна категория, несколько понятных сценариев, контрольная группа. А только после измеримого результата масштабировал решение

Георгий Хотьян, начальник управления разработки внутренних продуктов "Детского мира"

Конверсия: что считать

Покупатель поговорил с помощником, открыл товар и все равно мог уйти. Главный результат — оплаченный заказ.

Проверить эффект поможет A/B-тест: одна часть посетителей пользуется обычным каталогом, другая — каталогом с подборщиком. Сравнивать нужно одинаковые категории, цены и период. А время до корзины и выходы из поиска покажут, действительно ли помощник упростил выбор или добавил еще один экран.

Средний чек: считать после выкупа

Средний чек может вырасти просто потому, что подборщик предложил более дорогую модель. Но интереснее другой сценарий, когда покупатель собирает не отдельный товар, а решение целиком.

Например, пользователь пишет ИИ-подборщику на сайте туристического интернет-магазина: "Едем втроем в Карелию в сентябре, снаряжения пока нет". Подборщик уточняет, поедут ли они на машине или понесут вещи в рюкзаках, на сколько дней и какой заложили бюджет. Потом раскладывает поездку на конкретные позиции и количество, например, палатка, три спальника, три коврика, фонари, защита от дождя. Из товаров в наличии можно собрать условно базовый и более комфортный варианты – целиком добавить в корзину или заменить отдельные позиции.

Возвраты: считать вместе с логистикой

После оплаты заказ еще может сделать обратный рейс на склад. Если куртка не подошла по размеру, магазин оплачивает возврат, принимает и проверяет товар, иногда переупаковывает или уценивает его.

Подборщик может заметить ошибку до оформления заказа. Конверсия в оплату от этого не обязательно вырастет, покупатель просто не возьмет неподходящий товар. Зато магазин не потратится на продажу, которая закончилась бы возвратом.

Итоги теста лучше подводить после окончания срока возврата и сравнивать долю выкупленных заказов и маржу с учетом логистики. Причины возвратов тоже нужно разделять: неверный размер или несовместимость относятся к качеству подбора, брак и опоздание доставки — уже нет.

Поддержка и каталог: что магазин узнает из вопросов 

Подборщик забирает у поддержки прежде всего справочные вопросы. Например: "Подойдет ли этот кронштейн к телевизору с креплением VESA 200 × 200?" Ответ уже лежит в характеристиках двух товаров. Алгоритм сверяет их без оператора. Сложный случай уходит человеку вместе с перепиской, и покупатель не повторяет марку телевизора, диагональ и тип стены с самого начала.

Десять тысяч чатов за месяц выглядят внушительно. Только непонятно, разгрузили они поддержку или, наоборот, привели к ней еще одну очередь. В финансовый расчет идут диалоги, которые завершились без оператора, и минуты, сэкономленные после перевода. Первые умножаются на стоимость одного обращения, вторые – на стоимость рабочего времени. С длиной диалога сложнее, потому что две реплики иногда переходят в заказ, а десять – заканчиваются тем, что клиент уходит думать. 

Если покупатели постоянно спрашивают об одной характеристике, ее не хватает в карточке или фильтре. Часто ищут несколько товаров вместе — можно собрать готовый комплект. Спрашивают то, чего нет в ассортименте, — стоит передать информацию закупке. 

Когда подборщик помогает, а когда добавляет лишний шаг

Делить товары на подходящие и неподходящие для ИИ неудобно. В одной категории человек может двадцатый раз заказывать знакомую позицию, а может впервые собирать комплект и плохо представлять, что в него входит. Подборщик нужен во втором случае. В первом быстрее сработают поиск, фильтр или повтор заказа.

Подборщик избыточен и даже вреден в FMCG и товарах повторной покупки – вода, бытовая химия, корм. Решение привычное, любой лишний экран между "хочу" и "в корзину" роняет конверсию. То же с дешевыми импульсными товарами: стоимость взаимодействия с подборщиком выше стоимости ошибки. И с категориями, где один доминирующий параметр – хорошо настроенный фасетный фильтр уже решает задачу, а диалог добавляет только кликов

Николай Ларионов, директор по цифровым продуктам в e-commerce, ex-CPO Hoff

Еще нужно учитывать, что покупатель может в любой момент изменить свой выбор. Например, на сайте "Спортмастера" работает "Спортивный помощник". Клиент описывает, что ему требуется, и получает подходящие товары. Из предложенных позиций он собирает заказ и выбирает самовывоз. Уже в магазине товар покупатель примеряет вещи и может изменить заказ.

Примерно 16% с самовывозом, оформленных через онлайн-инструменты, дополняют сотрудники розницы. Если учитывать смену размера и другие изменения, доля доходит до 35%. Клиент может приехать за размером M, заменить его на L и забрать товар в рамках того же заказа

Григор Мнацаканян, начальник отдела ОМНИ развития сети "Спортмастер"

Для покупателя польза ИИ-подборщика бывает разной. В сложном выборе технология сокращает число самостоятельных шагов. В простом – выигрывает тот интерфейс, который не мешает купить сразу.

Что подготовить до запуска подборщика

После решения о запуске разговор обычно сразу перескакивает к моделям и подрядчикам, но это не главное в технологии. Ни один поставщик не определит за интернет-магазин, на каких данных строить рекомендации и какой результат считать продажей. Составили базовый чек-лист, если вы решили внедрять ИИ-подборщик:

• Выбрать один сценарий. Формулировка "помогаем выбирать бытовую технику" для пилота слишком широкая. Гораздо понятнее другая задача: подобрать стиральную машину под размер ниши, состав семьи и заданный бюджет. Чем конкретнее сценарий, тем легче найти для него аудиторию и оценить результат.
• Собрать показатели до запуска. Сколько людей сейчас доходит от поиска до оплаты, сколько времени занимает выбор, какие запросы заканчиваются выходом с сайта. Для категорий с частыми возвратами добавляют выкуп и причины отказа от товара. Иначе после пилота команда увидит рост или падение, но не поймет, что именно изменилось.
• Разобрать товарные данные. Подборщик читает тот каталог, который есть у магазина. Если у коляски не указан размер в сложенном виде, он не ответит, войдет ли она в багажник. Если в карточках расходятся характеристики, покупатель получит такие же противоречивые советы – только в более убедительной форме.
• Связать диалог с покупкой. Рекомендация не должна заканчиваться перечнем названий. Подборщику передают актуальные цены и остатки, а выбранные позиции – в корзину. Иначе человек снова отправится в каталог и повторит весь путь вручную.
• Заранее договориться о результате. Для одного пилота главным показателем станет выкупленная конверсия, для другого – средний чек или доля возвратов из-за неверного выбора. Остальные цифры останутся в отчете, но решение о масштабировании принимают по одной основной метрике.
• Ограничить первый запуск. Одна категория, пара частых задач и контрольная группа дают достаточно материала для решения. Вместе с границами пилота команда фиксирует и условия выхода: при каком результате подборщик расширяют, а при каком отправляют на доработку.
• Назначить ответственных после старта. Кто-то разбирает диалоги, кто-то исправляет каталог, кто-то сопоставляет разговор с оплатой и возвратом. Запрос "подберите компактную коляску" легко превращается в задачу сразу для продукта, аналитики и контент-команды. Без владельца он так и останется строкой в логе.

Как посчитать экономику

У проекта две группы расходов. К запуску относятся интеграция, настройка сценария и подготовка каталога. После запуска магазин оплачивает лицензию или обращения к модели, работу команды и дальнейшую настройку рекомендаций.

В доходной части – дополнительная маржа с выкупленных заказов. К ней прибавляют экономию на возвратах и консультациях операторов.

Например, через выбранный сценарий проходят 20 000 посетителей в месяц. Подборщик поднял конверсию на 0,3 процентного пункта – магазин получил еще 60 заказов. В расчет берут не их полную стоимость, а маржу после выкупа, возвратов и доставки. Из полученной суммы вычитают ежемесячные расходы на сервис. Так становится видно, окупается ли сценарий сам по себе, без разговоров о перспективности ИИ вообще.

Готовый сервис или собственная разработка

Готовый модуль подходит для быстрой проверки гипотезы. Поставщик отвечает за технологическую часть, магазин подключает каталог, корзину и аналитику. Запуск обходится дешевле, зато правила подбора и интерфейс ограничены возможностями продукта.

Технологический слой в ИИ быстро меняется, поэтому создавать все компоненты с нуля не всегда рационально. Гораздо важнее владеть данными, ассортиментом, бизнес-логикой и пониманием покупателя.

В нашем случае готовый модуль интегрирован с реальным ассортиментом METRO. Он знает, что продается, что доступно конкретному покупателю и какие товары попадут в корзину

Андрей Андреев, руководитель направления мерчандайзинга электронной торговли METRO

Собственную систему есть смысл рассматривать при сложной логике ассортимента, нестандартных ограничениях или большом количестве внутренних сервисов. Вместе с гибкостью компания получает всю дальнейшую работу: развитие продукта, контроль качества ответов, обновления и поддержку.

Наиболее перспективным я вижу вариант с собственной локальной моделью.

Коробочные решения хороши для быстрого старта, но часто ограничены в кастомизации. Главное преимущество своего решения — двойная синергия (B2C + B2E). Стек и базу знаний, разработанные для онлайн-витрины, можно адаптировать и транслировать внутрь компании: для обучения продавцов-стилистов в рознице, клиентской поддержки и автоматизации рутинных внутренних процессов

Илья Кадацкий, руководитель интернет-магазина FINN FLARE

Между этими вариантами есть более практичный путь — гибридный. Модель и диалоговый модуль берут готовыми, а ассортимент, правила рекомендаций, интеграции и клиентский путь магазин настраивает под себя.

Наиболее реалистичной мне кажется гибридная модель: использовать готовые AI-технологии как фундамент, а собственными силами создавать ту часть решения, которая опирается на уникальные данные и экспертизу компании

Георгий Хотьян, начальник управления разработки внутренних продуктов "Детский мир"

Что может пойти не так после запуска

ИИ-подборщик даже после интеграции – отдельная статья расходов магазина. Бизнес платит за его работу, отвечает за переданные данные и принимает на себя последствия ошибочных рекомендаций. Здесь эксперты выделяют три риска.

1. Стоимость диалогов сложно предсказать. Внешние сервисы берут плату за объем запросов к модели. Заказ при этом необязателен. Человек может долго сравнивать товары и уйти, открыть чат из любопытства или решить, что перед ним обычный ИИ-собеседник, и спросить что-нибудь не о магазине – ту же погоду.

На пилоте подборщиком пользуются несколько сотен человек, и плата за запросы почти не влияет на бюджет. После запуска на всем сайте счет идет уже на тысячи диалогов. Заказом заканчивается только часть. И вот здесь цена одной реплики мало о чем говорит: магазину важнее знать, сколько он заплатил за один выкупленный заказ. 

2. Данные уходят за пределы магазина. Подборщик получает каталог, цены, остатки, историю диалогов и правила, по которым формируются рекомендации. Из этих данных видны популярные сценарии, пробелы в ассортименте и чувствительность клиентов к цене.

Если использовать внешний облачный сервис, часть информации будет в чужой инфраструктуре. Отсюда вопросы к поставщику: где останутся записи разговоров, кто сможет их прочитать и не попадут ли они потом в обучение модели. 

3. За ошибку модели отвечает ритейлер. Подборщик может предложить куртку, которой нет в нужном размере, перепутать характеристики техники или не заметить, что два товара несовместимы. Покупатель вряд ли станет разбираться, где возникла ошибка – в каталоге или обмене данными. Рекомендацию он получил от магазина.

Одна такая покупка – возврат и обращение в поддержку. Хуже, если клиент перестанет доверять остальным советам подборщика, а соответственно, и ритейлеру.

При работе с внешним API мы зависим от каждого запроса пользователя, а значит, не можем точно предсказать экономику на большом трафике. Одновременно клиентские паттерны, аналитика и коммерческая информация уходят во внешний облачный контур.

Поэтому для нас оптимальный путь – собственная локальная модель внутри компании. Так мы сохраняем данные у себя и лучше контролируем стоимость работы подборщика

Илья Кадацкий, Руководитель интернет-магазина FINN FLARE

Локальная модель закрывает вопросы с передачей данных и оплатой внешнего API. С ошибками сложнее. Если в каталоге устарели остатки или перепутаны характеристики, собственный контур не поможет: подборщик просто даст неверный ответ на своих серверах.

Главные выводы для руководителя

1. Ищите сложный выбор, а не подходящую категорию. Повторному заказу подборщик только помешает. Его место там, где покупатель сравнивает характеристики, проверяет совместимость или собирает комплект.

2. До запуска разберите каталог. Модель не восстановит пропущенные размеры, устаревшие остатки и противоречивые характеристики. Она лишь перескажет ошибку увереннее.

3. Начинайте с одного сценария. Одна категория, контрольная группа и заранее выбранный показатель дадут достаточно данных для решения. Запуск на всем сайте только увеличит расходы и усложнит анализ.

4. Считайте деньги после выкупа. Конверсия и размер корзины еще не равны результату. В расчет входят маржа, возвраты, обратная логистика, работа поддержки и стоимость самих диалогов.

5. Выбирайте формат разработки по масштабу. Для проверки подойдет готовый модуль. Гибрид оставит магазину данные и правила подбора. Собственная модель оправдана при большом трафике или жестких требованиях к хранению информации.