ИИ в ретейле уже не «пилот ради пилота», а источник измеримого эффекта — от роста выручки до экономии на операциях. По оценке Kept, точное планирование и снижение расходов дают до 1–2% от общей выручки. В этом материале — как ИИ в ретейле работает в России и Азии, где ограничения и какие проекты уже дают результат.
ИИ в ретейле: свежие цифры
ИИ в ретейле: эффект и риски
Розница зависит от сезонности, погоды и локальных событий. ИИ в ретейле переводит многое из «хаоса» в управляемые процессы: улучшает прогноз спроса, оптимизирует закупки и логистику, повышает качество товара и точность ценообразования, помогает персонализировать предложения.
Одновременно повышаются требования к безопасности: риски утечек, непрозрачные алгоритмы, технические сбои. Чтобы снизить риски и получить предсказуемый результат, до запуска пилота важно определить бизнес-метрики (OOS, конверсия, трудозатраты), провести аудит данных и зафиксировать правила ИБ.
Закупки и запасы
«Вкусвилл». ML-модели учитывают историю продаж, сезонность, погоду и локальные события — это даёт точный прогноз спроса по магазинам и дарксторам на несколько дней и позволяет корректнее заказывать у поставщиков. Рекомендации контролируют менеджеры и правят при необходимости.
Китай, Yonghui Superstores. Предиктивная аналитика отслеживает движение товаров и выбирает лучших поставщиков.
Израиль. Алгоритмы управления запасами свежих овощей и фруктов помогают избегать дефицита и брака.
Производство и логистика
Производство. Внедрение видеоаналитики и сенсоров сокращает потери и повышает производительность. В Unilever уже 100 000 брендовых морозильных шкафов оснащены камерой и ИИ: система контролирует остатки в реальном времени и «подсказывает» пополнение. В ряде стран это давало рост заказов и продаж до +30%; к концу 2025 года целевой парк — 350 000 шкафов.
Логистика. «Яндекс Маркет» роботизирует суперсклад Софьино-2: помимо мобильных роботов в 2024 году компания начала тесты манипулятора «Роборука» со встроенной самообучающейся нейросетью — сборка палет ускоряется примерно вдвое, снижается доля монотонных операций. Ранее Яндекс показывал робота Dilectus, который поднимает до 35 кг и перевозит до 9 коробок за раз.
Южнокорейская сеть магазинов «у дома» CU автоматизирует учёт товаров с помощью компьютерного зрения: камеры проверяют наличие и сроки годности, система уведомляет персонал — это снижает OOS и ускоряет инвентаризацию.
Динамические цены и электронные ценники: миф или реальность
ИИ в ретейле: маркетинг и клиентский сервис
«Вкусвилл». Бот «пИИрожок» (GPT-4 + YandexGPT) подбирает блюда и может напоминать о приёме пищи. Параллельно компания запустила игру в Telegram про «чистый состав» — часть пользователей возвращалась повторно и делилась игрой; средний чек вырос на 1178 руб.
FairPrice (Сингапур). В 2025 году ритейлер развёртывает «агентные» сценарии вместе с Google Cloud: умные тележки подсказывают рецепты и наличие ингредиентов; внутри компании работают ИИ-агенты для контента и знаний — пример внедрения генеративного ИИ «у полки».
Magnit (Россия). Контроль выкладки с распознаванием изображений повышает доступность товаров «на полке» до 95%, а соответствие планограмме — свыше 75%.
Инклюзивность. BGF Retail (сеть CU, Корея) внедрила ИИ-озвучивание информации о товарах и навигации для покупателей с нарушениями зрения — шаг к доступной рознице.
Этапы внедрения ИИ в ретейле
- Цели и данные: метрики (OOS, конверсия, трудозатраты), аудит качества данных, политика ИБ.
- Пилот 4–8 недель: 1–2 гипотезы, контрольная группа, сравнение «до/после».
- Масштабирование: интеграции с ERP/WMS/POS, обучение персонала, мониторинг дрейфа моделей.
- Эксплуатация: MLOps, A/B-тесты, регулярный пересмотр моделей и ROI.
Поддерживающие процессы
X5 Group. «Калькулятор ресурсной потребности» с ML-моделью помогает планировать смены под спрос каждой точки и стыкуется с бюджетированием (заявлено о запуске в сентябре 2024).
Дизайн и упаковка (Япония). Компании OtafukuSauce и ItoEn сокращают время и бюджет на упаковку и рекламу за счёт ИИ-генерации вариантов.
Заключение
Практика показывает: ИИ в ретейле уже приносит деньги и повышает устойчивость операций — от прогнозирования спроса до роботизации складов и умных фризеров. Рецепт успеха прост: чёткие метрики, чистые данные, аккуратный пилот, затем масштабирование и MLOps. Так ритейл получает управляемый рост, а не «моду на нейросети».
