Об итогах развития ИИ в российских ритейлерах за первое полугодие 2026 года

По итогам первого полугодия 2026 года аналитический центр STAQ зафиксировал: доля инструментов искусственного интеллекта в цифровых экосистемах российских ритейлеров достигла 26%. Розница уступает только финансовому сектору, где показатель доходит до 30%. Если год назад ИИ в ритейле ассоциировался прежде всего с витриной: рекомендательными системами, персонализацией предложений, динамическим ценообразованием, то теперь картина изменилась радикально. Около 60% прироста за полугодие обеспечили операционные сценарии, которые покупатель вообще не видит. Это не про то, как продать больше, а про то, как потратить меньше и не потерять в качестве.

Причин три, и они лежат не в технологической плоскости, а в экономической. Первая - деньги. Замедление роста оборота отрасли и дорогие кредитные ресурсы заставили сети пересмотреть приоритеты ИТ-бюджетов: вместо задач по наращиванию выручки на первый план вышли сокращение операционных затрат. ИИ перестал быть «инновационной игрушкой» и превратился в статью расходов, которую оценивают по той же логике, что и закупку холодильного оборудования. Вторая причина - кадры. Розница конкурирует за линейный персонал с доставкой, складской логистикой и производством, и автоматизировать рутинные операции оказалось дешевле, чем удерживать под них штат. Третья - накопленные данные. У крупных сетей уже выстроен цифровой учёт заявок, оборудования, смен и подрядчиков; разрозненные системы связаны в единый контур, и у моделей наконец появилась база, на которой их можно обучать и проверять. Без этой инфраструктурной зрелости никакой операционный ИИ не заработал бы в принципе.

Топ-3 задач, которые российские ритейлеры закрывают с помощью ИИ, выглядят предельно приземлённо. Первая - классификация и маршрутизация сервисных заявок. Торговая сеть получает единую точку входа вместо разрозненных обращений по телефону, почте и мессенджерам; система по тексту обращения определяет, идёт ли речь об отказе холодильной витрины, сбое кассового узла или протечке, и назначает исполнителя с нужной компетенцией без участия диспетчера. В проектах STAQ доля заявок, закрываемых без человека, превышала 20%, а корректность автоматической маршрутизации достигала 90%. Вторая задача - прогнозирование отказов торгового и инженерного оборудования. Модель отслеживает не сам факт поломки, а предшествующие ей признаки: отклонение температурного режима, изменение частоты включений компрессора, повторяющиеся кратковременные сбои. В наиболее результативных проектах переход к обслуживанию по прогнозу сокращал число аварийных отказов до 25%. Третья - 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.

Пожалуй, самый важный сдвиг, который фиксируют аналитики, касается не технологий, а критериев оценки. Там, где ИИ встроен в сквозной процесс с измеримой метрикой - срок закрытия заявки, доля повторных выездов, простой оборудования - заказчики видят эффект в операционных показателях, и его несложно подтвердить. Там, где ИИ внедряли как отдельную технологию без привязки к операционной метрике, ожидания оказывались выше результата: точность модели улучшалась, а бизнес-показатель не менялся. Разочарование в таких случаях вызвано не искусственным интеллектом как таковым, а тем, что эффект изначально не был определён. Это принципиальный урок для всего рынка: зрелость ИИ-внедрений измеряется не качеством алгоритмов, а тем, встроены ли они в реальный управленческий контур.

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 экономику масштабирования - сеть может расширяться без пропорционального роста дежурных и диспетчерских служб. Выросла и ценность эксплуатационных данных: учёт оборудования, история ремонтов и корректно оформленные заявки превратились из отчётной дисциплины в актив, определяющий, какие сценарии вообще доступны компании. Изменились и требования к поставщикам: ритейлеры всё чаще запрашивают не отдельную ИИ-функцию, а её встроенность в процесс - кто получит задачу, как будет проверен результат и по какой метрике оценивается эффект.

«Прогноз STAQ на вторую половину 2026 года звучит сдержанно и трезво: ожидается не столько появление новых пилотов, сколько доведение до промышленной эксплуатации уже начатых проектов. Это логичный этап. Рынок прошёл стадию экспериментов, когда ИИ внедрялся ради самого факта внедрения, и вступает в фазу, где ценность технологии проверяется операционными метриками, а не презентационными слайдами. 26% — это не финишная черта, а точка, в которой операционный ИИ в российском ритейле перестал быть исключением и стал нормой для крупных сетей. Дальнейший рост будет зависеть не от появления более мощных моделей, а от способности компаний перестроить процессы так, чтобы ИИ работал внутри них, а не рядом с ними. Именно этот организационный, а не технологический вызов определит, как будет выглядеть цифра в следующем полугодии», - комментирует эксперт Ставропольского филиала Президентской академии Александр Калашников.