AI-агенты пришли в e-commerce: чем они меняют рекомендации

Крупные площадки перестраивают привычные «вам может понравиться» под разговорный формат. Amazon в 2024 году открыл ассистента Rufus в мобильном приложении в США, Shopify встроил в свою платформу Sidekick для продавцов, а российские Ozon и Wildberries тестируют голосовые и текстовые помощники в поиске. Общий сдвиг один: рекомендации перестают быть статичной лентой карточек и становятся агентом¹, который спрашивает, уточняет и собирает подборку под конкретный запрос.

Что именно поменялось

Классические рекомендательные системы работают на коллаборативной фильтрации: система смотрит, что покупали люди с похожим поведением, и подставляет похожие товары. Это хорошо угадывает повторные покупки и плохо справляется с формулировкой вроде «нужен подарок папе-рыболову до 5000 рублей, он уже всё имеет».

Агент на большой языковой модели решает вторую задачу иначе. Он разбирает запрос на смысл, задаёт уточняющие вопросы (пресная или морская рыбалка, зима или лето), обращается к каталогу через поиск и возвращает не список из ста позиций, а три-четыре с объяснением, почему именно они.

Разница не в том, что рекомендации стали точнее. Она в том, что покупатель теперь может спорить с витриной и получать ответ.

Технически под капотом чаще всего связка из языковой модели и RAG²: модель не «помнит» каталог, а подтягивает актуальные карточки, цены и остатки в момент ответа. Это важно, потому что цена и наличие в e-commerce меняются ежечасно, а обучать модель заново под каждое изменение невозможно.

Как это выглядит на практике

Три сценария, которые уже работают или близки к запуску:

• Консультант в карточке товара. Rufus от Amazon отвечает на вопросы вроде «подойдёт ли этот рюкзак для ручной клади», опираясь на характеристики и отзывы. Ответ не всегда точен и площадка сама помечает его как экспериментальный.
• Сбор корзины по задаче. «Собери набор для первого похода на двоих» — агент предлагает палатку, спальники, горелку и объясняет совместимость. Пока это скорее демо, чем стабильная функция.
• Помощник продавца. Shopify Sidekick пишет описания товаров, анализирует продажи и настраивает скидки по текстовой команде продавца, а не через меню.

Сравнение подходов

Три способа показать покупателю товар и чем они различаются на сегодня:

Главный компромисс виден в двух последних строках. Агент удобнее в диалоге, но способен уверенно сообщить характеристику, которой у товара нет. Площадки борются с этим через RAG и пометки «проверьте в описании», но полностью проблема не решена.

Кому это пригодится, а кому нет

Пригодится

• Покупателям со сложным или нечётким запросом: подарок, первый набор в новом хобби, подбор по совместимости деталей.
• Тем, кто не знает терминологию. Не обязательно знать, что искать «термопасту», можно описать проблему «компьютер греется».
• Продавцам с большим ассортиментом, которым тяжело вручную писать описания и настраивать акции.

Скорее не пригодится

• При повторной покупке известного товара. Диалог тут лишний, быстрее найти карточку напрямую.
• Когда важна абсолютная точность характеристики — например, совместимость дорогой техники. Здесь надёжнее официальная спецификация, а не ответ модели.
• При покупках, где цена ошибки высока: лекарства, автозапчасти по VIN. Ответ агента стоит перепроверять у первоисточника.

Что это значит для рынка

Для продавца на маркетплейсе сдвиг к агентам означает новую точку борьбы за видимость. Если раньше карточка ранжировалась по ключевым словам и ставке продвижения, то агент отбирает товары по смыслу запроса и качеству описания. Плохо заполненная карточка без характеристик рискует просто не попасть в подборку, которую собирает модель.

Для площадки это ещё и вопрос затрат: каждый диалог с языковой моделью стоит дороже показа готовой ленты. Поэтому агенты пока запускаются точечно, в отдельных регионах и категориях, а не заменяют весь интерфейс сразу.

¹ Агент — программа на основе языковой модели, которая не просто отвечает одной репликой, а выполняет цепочку действий: уточняет запрос, обращается к внешним данным или инструментам и возвращает результат.

² RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает актуальные данные из внешнего источника (каталог, база отзывов) и отвечает уже с опорой на них, а не только на то, чему обучалась.