ИИ в ритейле и FMCG: какие сценарии уже приносят результат

21 мая 2026 года в Москве прошла третья ежегодная конференция «Партнерство в данных» для крупнейших игроков FMCG-ритейла и их поставщиков. В мероприятии приняли участие представители ведущих торговых сетей: «Магнит», «Ашан Ритейл Россия», «Группа Лента», «Дикси», METRO C&C, а также поставщики и партнеры из Perfetti Van Melle, PepsiCo Россия, Mon'delēz Rus, Кофейного дома «ХОРСЪ», «Кимберли-Кларк», «МАЙ-БРЕНДС», «Нэфис Косметикс», Лаб Индастриз, ГК «КОРУС Консалтинг», «Спутник», OPEN Group и других компаний.

Одной из ключевых тем стало практическое применение искусственного интеллекта — какие сценарии уже приносят реальный бизнес-результат, а где технологии пока остаются зоной экспериментов. С докладом «Три стратегии: как ритейл и FMCG выбирают свой путь в мире ИИ» выступил Константин Смирнов, управляющий партнер ГК «КОРУС Консалтинг».

Искусственный интеллект давно перестал быть темой только для технологических компаний. В ритейле и FMCG он уже применяется в прогнозировании спроса, управлении запасами, анализе полки, промо и ценообразовании.

Но важно разделять работающие решения и экспериментальные направления. Не каждый инструмент, в котором есть слово «искусственный интеллект», автоматически дает бизнесу результат. В одних задачах технологии уже показывают понятный эффект, в других компании пока только пробуют подходы и оценивают, есть ли от них реальная польза.

По словам Константина Смирнова, наиболее зрелые сценарии сегодня связаны не с генеративным ИИ, а с машинным обучением, компьютерным зрением и математическими моделями.

Самый зрелый сценарий, по оценке эксперта, это прогноз спроса и управление запасами. Машинное обучение помогает повышать точность прогноза, управлять уровнем сервиса, снижать риск отсутствия товара на полке и избегать избыточных остатков.

Второе направление, которое уже доказало практическую пользу, это аналитика полки. Компьютерное зрение позволяет контролировать выкладку, проверять наличие товара, отслеживать соблюдение планограмм и быстрее находить отклонения.

Для мерчандайзинга это один из самых прикладных сценариев. Полка перестает быть только зоной визуального контроля. Она становится источником данных, на основе которых можно оперативно принимать решения.

Еще одно зрелое направление, промо-оптимизация. Здесь машинное обучение помогает работать с большими массивами данных, прогнозировать результат промо и точнее оценивать его эффективность.

Четвертый сценарий, динамическое ценообразование. По словам Константина Смирнова, модели машинного обучения и математические модели позволяют оптимизировать цену вокруг ключевых ценовых индикаторов и за счет этого влиять на чек.

Зона экспериментов сегодня в основном связана с генеративным искусственным интеллектом.

Компании уже используют нейросети для текстов, описаний товаров, изображений, идей для коммуникаций и других креативных задач. Но пока не всегда понятно, как именно эти сценарии отражаются на продажах, маржинальности или эффективности процессов.

К экспериментальным направлениям эксперт также относит применение ИИ в инновациях и разработке продуктов. Такие примеры есть, в том числе на зарубежных рынках, но в российской практике они пока не выглядят массовыми и хорошо просчитанными.

Отдельная зона неопределенности, сложные цепочки процессов, включая цепочки поставок. Компании тестируют такие решения, но эффект пока не всегда очевиден и требует проверки на конкретных бизнес-задачах.

Еще один важный вопрос для бизнеса: что рискованнее, не внедрять ИИ совсем или допустить его неформальное использование сотрудниками.

По мнению Константина Смирнова, полный отказ от внедрения опаснее. Запретить людям пользоваться новыми инструментами практически невозможно. Если компания не формирует правила, появляется «теневой ИИ». Сотрудники все равно используют нейросети, но делают это без регламентов, контроля и понимания рисков.

На первый план выходит не только технология, но и внутренняя политика компании. Нужно определить, какие инструменты одобрены, какие данные можно использовать, какие запрещено передавать во внешние сервисы и где проходит граница допустимого применения.

Для ритейлеров и поставщиков FMCG первый шаг должен быть не в выборе модного сервиса, а в постановке конкретной задачи.

Компания должна понять, что именно она хочет улучшить: точность прогноза, доступность товара на полке, эффективность промо, управление запасами, скорость аналитики или качество переговоров с сетью.

Дальше нужен пилот с понятными метриками. Желательно сравнивать результат с другой категорией, регионом или сопоставимой группой, где изменения не запускались. Так бизнес сможет увидеть, действительно ли инструмент работает.

Параллельно нужно разрабатывать внутренний регламент по использованию искусственного интеллекта. По словам Константина Смирнова, эта задача находится на стыке HR и IT. Сотрудникам нужно объяснить, что разрешено, что запрещено и какие данные нельзя передавать ни при каких условиях.

Для мерчандайзинга наиболее перспективны сценарии, где ИИ помогает быстрее видеть реальную ситуацию на полке.

Это контроль выкладки, наличие товара, соблюдение планограмм, корректность промо, динамика продаж и связь между полевыми данными и данными ритейлера.

Если раньше значительная часть контроля строилась на ручной проверке, то теперь данные можно собирать и анализировать быстрее. Это не отменяет работу полевых команд, но меняет ее фокус. Меньше времени уходит на фиксацию очевидных проблем, больше на приоритизацию задач и работу с отклонениями.

Для поставщика это возможность точнее аргументировать решения в переговорах с сетью. Для ритейлера, способ лучше управлять категорией и доступностью товара. Для мерчандайзинговых команд, инструмент контроля, который помогает не просто собирать отчеты, а видеть, где именно теряются продажи.

Лучше всего сегодня работают задачи, связанные с прогнозом спроса, управлением запасами, аналитикой полки, промо-оптимизацией и динамическим ценообразованием. Здесь есть данные, понятные метрики и возможность оценить результат.

Генеративный ИИ пока чаще остается зоной экспериментов. Он полезен для текстов, изображений, идей и отдельных креативных задач, но бизнес-эффект во многих случаях еще нужно доказывать.

Главный вывод для компаний простой: не стоит внедрять ИИ ради самого факта внедрения. Начинать нужно с конкретной задачи, понятного пилота, измеримых показателей и внутренних правил. Тогда технология становится не источником хаоса, а рабочим инструментом для роста эффективности.

Источник: merchandising.ru

Пропустили конференцию? Напишите нам на friends@myretail.ru, и мы поделимся ключевыми материалами и презентациями спикеров.

Теперь ваш любимый канал про аналитику в ритейле — и в MAX. Присоединяйтесь, чтобы быть в курсе всех событий для поставщиков и ритейлеров FMCG!