ИИ в ритейле применяют для прогноза продаж, анализа товарных остатков и распознавания товаров. У этих задач разные требования: небольшой магазин может начать с разбора отчётов, а компьютерное зрение на выходе потребует оборудования и связи с кассовой системой.
Практический вопрос для владельца — какой процесс сейчас создаёт измеримую потерю: отсутствие ходовых товаров, избыточный запас, долгая подготовка аналитики или очередь. Ниже — реальные внедрения IKEA, Walmart и Sam’s Club и способы проверить аналогичные сценарии в своём бизнесе.
Редакционная схема пополнения запасов с участием ИИ.
Какие задачи розничной торговли подходят для ИИ
| Процесс | Необходимые данные | Действие сотрудника | Бизнес-показатель |
|---|---|---|---|
| Прогноз спроса | Продажи по товару и точке, остатки, акции | Утверждает заказ поставщику | Дефицит, списания, оборачиваемость |
| Анализ отклонений | Продажи, цены, поставки, возвраты | Проверяет причины и корректирует действия | Время анализа, доля подтверждённых объяснений |
| Проверка покупок | Изображение корзины, каталог, оплата | Обрабатывает исключения | Скорость выхода, ложные проверки |
| Помощь сотрудникам | Актуальные инструкции и каталог | Выполняет подтверждённую процедуру | Время поиска ответа, ошибки выполнения |
Прогноз спроса обычно строят специализированной моделью на числовых данных. Генеративная нейросеть полезна как интерфейс к аналитике, но сама по себе не заменяет учёт остатков и расчёт заказа.
Кейс IKEA: прогноз спроса с учётом внешних факторов
В декабре 2023 года Ingka Group описала внедрение demand sensing — краткосрочного прогнозирования спроса с использованием ИИ. В работе учитывались разные сигналы: акции, цены, локальная погода, события рынка и данные о покупательском спросе.
Первый пилот прошёл в Норвегии в 2020 году. В качестве результата для Португалии компания сообщила об улучшении точности прогноза на 5%. Публикация не раскрывает достаточно методики, чтобы переводить эту цифру в пять процентных пунктов или в соответствующий прирост выручки. Источник: Ingka Group о demand sensing.
Практический вывод. Начинать стоит с прогноза по определённой группе товаров и нескольким сопоставимым магазинам. Система должна учитывать дни отсутствия товара: нулевые продажи при пустой полке не равны нулевому спросу. Сначала сравнивают прогноз с простым ориентиром, например продажами аналогичных дней, а затем проверяют, изменились ли реальные заказы и наличие.
Кейс Walmart: закупщик задаёт вопросы корпоративным данным
В марте 2025 года Walmart представила Wally — генеративного помощника для товарных команд. Он работает с данными компании, помогает анализировать продажи, разбирать отклонения и выполнять расчёты. Для понимания корпоративных показателей Walmart создала специальный семантический слой — описание того, как устроены данные и связи между ними.
В июльском материале 2025 года компания также описывает Wally как инструмент аналитики продаж, запасов и спроса. Это подтверждает рабочее применение за пределами первоначальной презентации. При этом в использованных публикациях нет надёжно раскрытого процента экономии времени именно этого инструмента. Мартовская публикация Walmart, описание применения в июле 2025 года.
Практический вывод. В небольшом бизнесе аналогичный пилот можно ограничить вопросами «где снизились продажи?» и «по каким товарам растёт запас?». Ответ должен сопровождаться периодом, фильтрами и исходными числами. Предположение о причине падения продаж остаётся гипотезой до проверки поставок, цен, акций и других факторов.
Кейс Sam’s Club: машинное зрение сверяет корзину с оплатой
В апреле 2024 года Sam’s Club сообщила об использовании ИИ-проверки на выходе более чем в 120 магазинах. Камеры фиксируют товары, а система сопоставляет их с данными об оплате. Покупатель предварительно оплачивает покупки на кассе или через Scan & Go.
По данным компании, в точках с технологией посетители выходили на 23% быстрее. Это корпоративный результат на дату публикации, а не независимый эксперимент и не подтверждение текущего количества установок. Важно и само устройство процесса: проверка после оплаты не равна магазину, где покупатель вообще ничего не сканирует. Источник: пресс-релиз Sam’s Club от 30 апреля 2024 года.
Практический вывод. Такой сценарий разумно оценивать там, где ручная проверка действительно создаёт очередь. Для небольшого магазина более доступным первым проектом может быть прогноз заказа. Прежде чем устанавливать камеры, нужно оценить стоимость оборудования, качество распознавания закрытых товаров и дополнительную работу по спорным ситуациям.
Опыт X5: какие процессы уже назвала компания
В официальном сообщении о партнёрстве с Московским инновационным кластером X5 описывает применение ИИ для прогнозирования спроса, цепочек поставок и персонализации клиентских сервисов. Это полезное подтверждение применимости операционных сценариев на практике. Однако перечисление процессов не даёт основания приписывать всей сети конкретный процент снижения списаний. Источник: сообщение X5 о технологических проектах и партнёрстве.
Как внедрить ИИ в магазине: первый пилот
Выберите проблему с понятным денежным следствием. Для продуктовой розницы это может быть списание короткого срока годности; для непродовольственной — запас, который долго не продаётся. Сам план ниже — редакционная рекомендация.
- Соберите историю. Продажи по дням, остатки, поступления, закупочные цены, акции и возвраты. Глубина истории должна покрывать значимые для задачи циклы, а сезонным товарам нужен соответствующий сезон.
- Уточните качество данных. Найдите дубли товаров, пропуски учёта и периоды отсутствия на полке.
- Проверьте прогноз на прошлом. Не давайте модели информацию, которой на дату прогноза ещё не было. Сравните с простым действующим методом.
- Запустите рекомендации без автозаказа. Закупщик отмечает, что принял, что изменил и почему.
- Оцените бизнес-результат. Смотрите вместе на наличие, списания и стоимость запаса. Сокращение дефицита за счёт чрезмерной закупки может ухудшить экономику.
Если ассортимент невелик, сначала стоит проверить, не решается ли проблема минимальными остатками и обычными правилами учёта. ИИ имеет смысл, когда учитываемые закономерности и масштаб оправдывают дополнительную сложность.
Как оценивать окупаемость ИИ в ритейле
Для запасов считайте разницу в валовой прибыли и потерях, а не просто прирост оборота. Для аналитического помощника — время от вопроса до проверенного решения, включая исправления. Для компьютерного зрения — стоимость одной проверки и количество случаев, когда сотрудника вызвали ошибочно.
Рабочая формула: дополнительная валовая прибыль + сокращение списаний + ценность высвобождённого времени − подписка, интеграция и сопровождение.
Сравнение «до и после» без поправки на акции, смену цен и сезонность может приписать модели чужой результат. По возможности используйте сопоставимые магазины или товарные группы, а также одинаковые периоды измерения.
Частые вопросы об ИИ для магазина
Можно ли начать без программиста?
Да, если задача ограничена подготовкой сводки или проверкой выгрузки в готовом инструменте. Подключение к учётной системе, автоматическое изменение цен и заказы требуют отдельной настройки и проверки доступа.
Какой сценарий выбрать небольшому магазину?
Тот, где уже есть данные и повторяющаяся потеря. Часто полезнее проверить заказ для одной категории или ускорить ежедневный отчёт, чем запускать персональные рекомендации без достаточной истории покупок.
Как не перепутать красивый ответ с правильным расчётом?
Попросить инструмент показывать таблицу-основание, период, фильтры и способ вычисления показателя. Ответ без проверяемых исходных данных нельзя использовать для закупки только из-за уверенной формулировки.
Источники и границы исследования
Проверено 25 октября 2026 года. Основные источники — публикации самих ритейлеров. Описанные цифры являются их заявлениями за указанные периоды; коммерческие условия и доступность решений в конкретной стране здесь не оценивались.
- IKEA / Ingka: demand sensing, 22 декабря 2023.
- Walmart: Wally, 18 марта 2025.
- Walmart: использование внутренних ИИ-инструментов, 24 июля 2025.
- Sam’s Club: проверка на выходе, 30 апреля 2024.
- X5: процессы применения ИИ в сообщении о партнёрстве с МИК.
Для продавцов на внешних площадках подготовлен отдельный материал: нейросети для маркетплейсов. Все категории — в оглавлении исследования.
Больше задач и инструментов
В каталоге «Купи ИИ» можно познакомиться с инструментами для текстов, поиска, изображений, видео и кода.
Выбрать нейросеть под задачу