Аналитический центр проекта STAQ, который занимается цифровизацией бизнес-процессов, подсчитал, какую долю в цифровых экосистемах российских ритейлеров занимают инструменты ИИ. По итогам I полугодия 2026 года она составила 26%. Для сравнения: в финансовом секторе аналогичный показатель достигает 30%. Розничная торговля остается второй по насыщенности ИИ отраслью на российском рынке.
Рост применения ИИ в рознице за полугодие составил 22% к аналогичному периоду 2025 года. В финансовом секторе прирост выше — 28%. Но важнее не абсолютные цифры, а то, из чего складывается рост. Если раньше ИИ в рознице ассоциировался прежде всего с работой на стороне покупателя — персонализацией, рекомендациями, ценообразованием, — то теперь порядка 60% прироста пришлось на операционные сценарии: управление заявками, обслуживание оборудования торговых объектов и поддержку персонала.
| Отрасль | Доля ИИ-инструментов | Рост год к году |
|---|---|---|
| Финансовый сектор | 30% | +28% |
| Розничная торговля | 26% | +22% |
У этого сдвига три причины, по оценке аналитиков STAQ. 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. 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.
STAQ определил топ-3 задачи, для которых российские ритейлеры используют ИИ чаще всего. Первая — 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.
Отдельный вывод STAQ касается того, как заказчики оценивают эффект. Там, где ИИ встроен в сквозной процесс с измеримой метрикой — срок закрытия заявки, доля повторных выездов, простой оборудования, — 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. Если раньше внедрение упиралось в качество данных о покупателе, то теперь — в качество данных об оборудовании, заявках и сменах. У крупных сетей такие данные уже накоплены, у небольших — нет, и это создает разрыв между лидерами и остальным рынком. Пока неизвестно, сохранится ли доля операционных сценариев в приросте на том же уровне во втором полугодии: STAQ дает оценку только за прошедший период, а динамика зависит от стоимости денег и ситуации с кадрами в отрасли.
