Большую часть прироста обеспечили не витринные сценарии, а операционный контур: обработка сервисных заявок, обслуживание торгового оборудования и поддержка линейных руководителей

Аналитический центр проекта STAQ, предназначенного для цифровизации бизнес-процессов, оценил масштаб использования инструментов искусственного интеллекта в сфере ритейла в России по итогам 1 полугодия 2026 года. Доля инструментов искусственного интеллекта в цифровых экосистемах российских ритейлеров в данном периоде составила 26%. Для сравнения, в финансовом секторе, доля ИИ-инструментов достигает 30%. Розничная торговля остается на втором месте по насыщенности ИИ на российском рынке: применение ИИ в рознице за полугодие выросло на 22% по сравнению с аналогичным периодом прошлого года, уступив только финансовому сектору (+28%).

Изменилась и структура этого роста. Если раньше ИИ в рознице ассоциировался прежде всего с работой на стороне покупателя — персонализацией, рекомендациями, ценообразованием, — то, по оценке аналитиков STAQ, порядка 60% прироста первого полугодия 2026 года пришлось на операционные сценарии: управление заявками, обслуживание оборудования торговых объектов и поддержку персонала.

По оценке аналитиков STAQ, у этого сдвига три причины. Первая — экономика самой розницы: на фоне замедления роста оборота отрасли и дорогих денег ИТ-бюджеты сетей развернулись с задач роста выручки на сокращение операционных затрат, и ИИ начали оценивать по тем же правилам, что и любую другую статью расходов. Вторая — кадры: розница конкурирует за линейный персонал с доставкой, складской логистикой и производством, и автоматизировать рутину стало дешевле, чем удерживать под нее штат. Третья — накопленные данные: у большинства крупных сетей уже выстроен цифровой учет заявок, оборудования, смен и подрядчиков, а разрозненные системы связаны в единый цифровой контур, поэтому у моделей появилась база, на которой их можно обучать и проверять.

Аналитики STAQ определили топ-3 ключевых задач, для которых ИИ используется российскими ритейлерами чаще всего. Первая задача — классификация и маршрутизация сервисных заявок. Торговая сеть получает единую точку входа вместо обращений по телефону, почте и в мессенджерах, а система по тексту обращения определяет, идет ли речь об отказе холодильной витрины, сбое кассового узла или протечке, и назначает исполнителя с нужной компетенцией без участия диспетчера. В проектах STAQ для торговых сетей, где классификатор обучен на накопленной истории обращений, доля заявок, закрываемых без участия человека, превышала 20%, а корректность автоматической маршрутизации достигала 90%.

Вторая задача — прогнозирование отказов торгового и инженерного оборудования. Холодильные установки, кассовые узлы, вентиляция: отказ означает не только ремонт, но также списания товара и потери продаж. Модель отслеживает не сам факт поломки, а предшествующие ей признаки — отклонение температурного режима, изменение частоты включений компрессора, повторяющиеся кратковременные сбои. Далее работает принцип автоматической реакции на события: при выявлении отклонения система сама формирует задачу, назначает ответственного и контролирует срок выполнения. В отдельных проектах STAQ переход к обслуживанию по прогнозу сокращал число аварийных отказов оборудования торговых объектов — в наиболее результативных случаях сокращение достигало 25%.

Третья задача — поддержка диспетчеров и директоров магазинов. ИИ подсказывает приоритет, предупреждает о риске нарушения SLA и подсвечивает объекты, где одна и та же неисправность повторяется несколько раз за квартал, — такие случаи обычно указывают не на поломку, а на системную причину. Применяется тот же принцип контролируемого ИИ, который STAQ использует в промышленности: система анализирует данные и формирует рекомендации, но значимые решения остаются за человеком. В распределенной рознице это принципиально, поскольку цена автоматической ошибки на сотнях объектов слишком высока.

Там, где ИИ встроен в сквозной процесс с измеримой метрикой — срок закрытия заявки, доля повторных выездов, простой оборудования, — заказчики оценивают эффект положительно: результат виден в операционных показателях, и его несложно подтвердить. Там, где ИИ внедряли как отдельную технологию без привязки к операционной метрике, ожидания оказались выше результата: точность модели улучшилась, а бизнес-показатель не изменился. В таких проектах постановку задачи нередко пересматривают уже после пилота. Разочарование здесь вызвано не ИИ, а тем, что эффект изначально не был определен.

За полтора года ИИ в рознице сменил место в архитектуре: из витринных сценариев он переместился в бэк-офис и торговый зал, где отвечает за непрерывность работы объектов. Это изменило и экономику масштабирования — сеть может расширяться без пропорционального роста дежурных и диспетчерских служб. Второе следствие — выросла ценность эксплуатационных данных. Учет оборудования, история ремонтов и корректно оформленные заявки превратились из отчетной дисциплины в актив, определяющий, какие сценарии вообще доступны компании. Помимо этого, изменились требования к поставщикам: ритейлеры все чаще запрашивают не отдельную ИИ-функцию, а ее встроенность в процесс — кто получит задачу, как будет проверен результат и по какой метрике оценивается эффект.

«Доля ИИ в цифровых экосистемах ритейла растет второй год подряд, но содержание этого роста изменилось. Раньше речь шла преимущественно о работе с покупателем, сейчас — об управлении сетью объектов: заявках, оборудовании, персонале и подрядчиках. Мы видим, что устойчивый результат появляется там, где ИИ работает внутри сквозного процесса и его эффект измеряется операционной метрикой, а не точностью модели. Во втором полугодии 2026 года мы ожидаем не столько появления новых пилотов, сколько доведения до промышленной эксплуатации уже начатых», — отметил Евгений Гусев, генеральный директор STAQ.

Источник: