AI-агенты в динамическом ценообразовании: что умеют и где ломаются

Что изменилось в ценовых инструментах

Ещё пару лет назад «динамическое ценообразование» означало движок правил: скрипт раз в час опрашивал цены конкурентов и двигал вашу на копейку ниже. Такие системы работают до сих пор — на Amazon, в авиабилетах, у крупных ритейлеров. Новое поколение инструментов строится вокруг LLM-агентов: программа не просто применяет правило, а рассуждает над данными, вызывает внешние инструменты (парсер цен, базу остатков, калькулятор маржи) и объясняет, почему предложила именно эту цену.

Разница не косметическая. Движок правил делает то, что вы в него зашили. Агент способен связать факторы, которые вы явно не прописывали: сезон, остаток на складе, эластичность спроса по прошлым данным, тон отзывов, промо у конкурента. Ценой за эту гибкость становится непредсказуемость и риск ошибки на реальных деньгах.

Важная оговорка: саму цену считает не языковая модель. LLM плохо умножает и легко галлюцинирует числа. В рабочих схемах модель играет роль оркестратора — решает, какие данные собрать и какой инструмент вызвать, а расчёт маржи и итоговой цены выполняет обычный детерминированный код.

Как устроен ценовой агент

Типовой pricing-агент^* собирается из четырёх блоков:

• Сбор данных. Инструменты, которые агент вызывает: цены конкурентов, ваши остатки и себестоимость, история продаж, календарь акций.
• Рассуждение. LLM формулирует гипотезу: «спрос на этот SKU падает третью неделю, у двух из трёх конкурентов цена ниже, остаток великоват — есть смысл на промо».
• Расчёт. Детерминированная функция считает цену с учётом минимальной маржи, комиссии площадки и логистики. Здесь никакой модели быть не должно.
• Контроль. Ограничители: пол и потолок цены, запрет менять чаще N раз в сутки, обязательное подтверждение человеком при отклонении больше заданного процента.

Хороший ценовой агент — это не «ИИ ставит цены», а «ИИ готовит обоснованное предложение, которое проверяет жёсткий код и, при крупных изменениях, человек».

Что агенты делают лучше старых движков

Объяснимость

Правило-движок меняет цену, но не говорит зачем. Агент оставляет след рассуждения: какие данные посмотрел, к какому выводу пришёл. Для команды это ускоряет разбор «почему у нас вчера цена улетела вниз».

Работа с разнородными данными

Отзывы, описания товаров конкурентов, тексты акций — это текст, который правило-движок не переварит, а LLM разбирает штатно. Агент может заметить, что конкурент снизил цену, но ушёл в предзаказ на три недели, и не гнаться за этой ценой.

Быстрая настройка сценариев

Новую логику для правило-движка нужно программировать. Агенту часто достаточно описать политику словами: «на товары с истекающим сроком годности агрессивнее снижай, на дефицитные — держи или поднимай». Это удобно, но и опасно: расплывчатая инструкция даёт расплывчатое поведение.

Сравнение подходов

Расходы на LLM-часть считайте отдельно. Если агент пересчитывает тысячи SKU по несколько раз в день и на каждый уходит по несколько тысяч токенов, счёт за API становится ощутимой статьёй. Цены на токены у поставщиков (OpenAI, Anthropic, российские провайдеры) меняются часто — сверяйте актуальный прайс на их страницах, а не закладывайте цифру из чужой статьи.

Кому это пригодится и кому нет

Пригодится:

• Продавцу на маркетплейсе с сотнями SKU, где вручную следить за ценами невозможно, а разнородный контекст (акции площадки, отзывы, сезон) реально влияет на спрос.
• Команде, у которой уже есть чистые данные о себестоимости, остатках и продажах. Без них агент рассуждает в вакууме.
• Бизнесу, где важно понимать логику цены — для отчёта перед руководством или для быстрой отладки сбоев.

Скорее не пригодится:

• Магазину с десятком товаров и стабильными ценами: обычной таблицы и правила «держим +15% к закупке» хватит, а агент только добавит расходов.
• Нишам с жёстким регулированием цен (лекарства из перечня, алкоголь, табак), где минимальные и максимальные цены заданы государством — там гибкость агента бесполезна и рискованна.
• Тем, кто ждёт «поставил и забыл». Агент требует ограничителей, мониторинга и регулярной проверки логов, иначе первая же галлюцинация уронит цену в минус.

Главные грабли

Три типовые ошибки, на которых спотыкаются первые внедрения:

1. Расчёт цены доверили модели. LLM округляет, путает валюты, теряет ноль. Все арифметические операции — только в коде, модель лишь предлагает стратегию.
2. Нет пола и потолка. Без жёстких границ агент, «оптимизируя долю рынка», способен уйти ниже себестоимости. Ограничитель по минимальной марже обязателен на уровне кода, а не в промпте.
3. Ценовые войны с чужими агентами. Когда несколько продавцов гоняют автоснижение, цена может по спирали упасть в ноль за часы. Ставьте частотные лимиты и минимальный шаг изменения.

Отдельный юридический сюжет — согласованное ценообразование. Если ваш агент и агент конкурента фактически координируют цены, это может попасть под антимонопольное регулирование. Механика «алгоритмического сговора» ещё формируется в практике; консультируйтесь с юристом, если работаете в концентрированной нише.

^* Агент — программа на основе языковой модели, которая не просто отвечает текстом, а в цикле выбирает действия: вызывает внешние инструменты (парсер, базу, калькулятор), получает результат и решает, что делать дальше, пока не достигнет цели.