Большинство неудачных AI-проектов в интернет-магазинах проваливаются не из-за технологий. Модель работает, интеграция написана, подрядчик сдал работу — а через полгода функцию тихо выключают. Причины повторяются из проекта в проект, и почти все они закладываются на этапе постановки задачи, а не разработки.
Ниже — девять сценариев, которые мы регулярно видим в e-commerce, и что вместо них.
1. Внедрение началось с инструмента, а не с проблемы
Самый распространённый сценарий: компания решает «внедрить AI», выбирает платформу, и уже после этого ищет, куда её приложить. Результат — функция, которую никто не просил, с метриками, которые никого не интересуют.
Как правильно: начать с перечня решений, которые принимаются часто и дорого стоят при ошибке — закупка, ценообразование, обработка обращений, — и посмотреть, какие из них упираются в нехватку времени или данных. Это и есть кандидаты.
2. Данные не готовы, но узнали об этом поздно
Проект стартует, и на третьей неделе выясняется, что история остатков не сохраняется, карточки товаров заполнены по-разному, а заказы из разных каналов не сводятся между собой. Сроки срываются, бюджет уходит на приведение данных в порядок — работу, которую никто не планировал.
Как правильно: аудит данных до подписания, а не после. Вопрос простой — есть ли у нас данные за нужный период, в нужной детализации, без пропусков.
3. Чат-бот поставили вместо поддержки, а не в дополнение
Бот, который не умеет передать диалог человеку, портит клиентский опыт быстрее, чем экономит деньги. Особенно в e-commerce, где большинство обращений касаются конкретного заказа: статуса, возврата, ошибки в доставке.
Как правильно: бот закрывает типовые и повторяющиеся вопросы, имеет явную кнопку перехода на оператора и не пытается удержать клиента в диалоге. Метрика успеха — не «процент закрытых ботом», а удовлетворённость после контакта.
4. Генерируемый контент ушёл в продакшн без редактуры
Описание товара, сгенерированное по характеристикам, часто выглядит приемлемо и содержит одну фактическую ошибку — не тот материал, не та комплектация, не та совместимость. На сотне карточек это гарантированные возвраты и жалобы.
Как правильно: генерация как черновик, обязательная проверка фактов человеком и отдельное внимание к категориям с высокой ценой ошибки — техника, детские товары, всё, что имеет сертификацию.
5. Персонализация без контрольной группы
Систему рекомендаций включили для всех сразу, конверсия за месяц выросла на несколько процентов, проект признали успешным. Через сезон выяснилось, что рост дал сезон, а не рекомендации.
Как правильно: часть трафика всегда остаётся без новой логики. Без этого вы не сможете отличить эффект от фона — и не сможете защитить бюджет следующего года.
6. Никто не владеет результатом
Подрядчик сдал систему, внутри компании нет человека, отвечающего за её работу. Через три месяца качество рекомендаций падает, никто этого не замечает, ещё через три — функцию выключают «потому что не работает».
Как правильно: у каждой AI-функции должен быть владелец со стороны бизнеса, регулярный пересмотр метрик и бюджет на поддержку. AI-система — это не сайт, который сделали один раз: она деградирует без присмотра.
7. Модель не переобучают
Ассортимент изменился, появились новые категории, поведение покупателей сместилось — а модель работает на данных двухлетней давности. Формально система жива, фактически её прогнозы всё хуже.
Как правильно: заложить регулярный пересмотр качества в процесс с самого начала и иметь заранее определённый порог, ниже которого модель переобучают.
8. Автоматизировали то, что стоило упростить
Классическая ловушка: сложный ручной процесс обрастает AI-надстройкой вместо того, чтобы быть пересмотренным. В результате компания платит за автоматизацию шагов, которых вообще не должно существовать.
Как правильно: перед автоматизацией посмотреть, можно ли убрать сам этап. Самая дешёвая оптимизация — та, после которой работы становится меньше, а не быстрее.
9. Нет расчёта окупаемости
Проект оценивают словами «стало удобнее». Когда приходит время сокращать расходы, функцию без цифр выключают первой — независимо от того, насколько она была полезна.
Как правильно: до старта зафиксировать, в чём измеряется результат — сэкономленные часы, снижение доли возвратов, рост повторных покупок, — и снять базовые показатели до внедрения. После внедрения снять их ещё раз.
Что из этого следует
Общий знаменатель всех девяти пунктов — это не технологии, а процесс: нечёткая постановка задачи, отсутствие владельца и отсутствие измерения. Проект, в котором эти три вещи закрыты, обычно работает даже на простых решениях. Проект, в котором они не закрыты, не спасает никакая модель.
Более широкий список типичных ловушек — в материале типичные ошибки при внедрении AI. Порядок действий с нуля — как бизнесу внедрить AI, а описание самой услуги — внедрение AI.
Если речь о магазине, который ещё строится, большинство этих вопросов дешевле закрыть на этапе разработки: создание интернет-магазина. Для тех, кто работает с площадками, — раздел маркетинг на маркетплейсах.
Обсудить конкретный проект можно через контакты Top Team.
