ИИ-трафик на сайты ритейлеров и маркетплейсов стабильно растёт. Нейросеть быстро сокращает широкий ассортимент до двух-трёх рекомендаций. Однако она может не заметить действующую скидку, поэтому итоговую цену пока лучше проверять вручную непосредственно на торговой площадке.
Покупатели уходят из поисковиков к умным помощникам
Путь покупателя к интернет-магазину становится короче. Вместо самостоятельного просмотра поисковой выдачи пользователи всё чаще полагаются на рекомендации нейросетей, а крупные платформы уже добавили этот сценарий в свои продукты. ChatGPT рекомендует товары, у Яндекс Маркета появился ИИ-ассистент для сравнения предложений, а Google запустил ИИ-поиск с карточками и советами.
Но умный помощник пока не всегда может провести покупателя до оплаты. На вопрос «через тебя купить можно?» «Алиса» ответила отрицательно, прямо обозначив ограничение системы: «Нет, я не могу оформить покупку — у меня нет такой функции». Выбор начинается внутри диалога, а завершать заказ пользователю приходится уже за пределами чата.
Изменения хорошо заметны по самому сценарию поиска. Покупатель видит не «100500 страниц» ссылок, а несколько коротких рекомендаций, поэтому значение традиционной поисковой выдачи постепенно снижается. Примерно через пять лет, когда подрастёт поколение, привыкшее к нейросетям, ручной просмотр множества страниц в Яндексе или Google может казаться непривычно долгим способом выбора.
Как рекомендательная нейросеть собирает корзину
Пользователь описывает нужные характеристики товара. Затем нейросеть ищет подходящие предложения, сравнивает цены и оставляет в выдаче два-три варианта. Ранее «Яндекс» сообщал, что «Алиса» умеет находить более низкую цену и оформлять покупку через чат в один клик.
На практике процесс оформления выглядит немного иначе. В чате с «Алисой» возле некоторых товаров появляется кнопка с фиолетовой корзиной. Нажав на неё, пользователь может перейти к покупке выбранной позиции, однако сама оплата проходит уже вне диалога.
Рекомендации всё ещё нуждаются в ручной проверке. В одном случае нейросеть назвала самым выгодным предложение на «Яндекс Маркете» за 3470 рублей, хотя такой же товар на Ozon стоил около 3100 рублей. В другом случае «Алиса» предложила вариант Wildberries примерно за 30 800 рублей, но во время проверки более низкая цена была на Ozon.
Сама нейросеть связала эти расхождения с временными акциями и скидками отдельных продавцов. Поэтому готовую корзину пока правильнее воспринимать как компактную подборку товаров для дальнейшего сравнения. Она помогает быстро сузить ассортимент, но не определяет окончательно самое дешёвое предложение на конкретной торговой площадке.
Персонализированная выдача против ручной настройки фильтров
При работе с каталогом покупателю приходится отмечать десятки параметров, а затем последовательно менять сортировку. Персонализированная выдача передаёт эту работу нейросети. Пользователь описывает свои пожелания обычным текстом, после чего система сопоставляет их с характеристиками товаров и сразу исключает неподходящие позиции.
Разница особенно хорошо видна в категориях, где выбор зависит от большого числа свойств. Это техника, косметика, спортивные товары и одежда, всего четыре крупных сегмента. При ручной фильтрации нужно подстраиваться под структуру каталога, тогда как текстовый запрос позволяет изложить требования привычными словами.
В течение ближайших одного—двух лет такие инструменты станут привычной частью покупательского опыта. Фильтры, вероятно, не исчезнут полностью, однако перестанут оставаться единственным способом сузить ассортимент. Главный сценарий изменится уже на первом этапе выбора: нейросеть будет превращать свободное описание пожеланий пользователя в персонализированную выдачу.
Ошибки алгоритма ранжирования при поиске скидок
Рекомендательные алгоритмы сталкиваются с техническими ограничениями, когда обрабатывают динамические данные. Поисковые индексы нейросетей обновляются с определенной задержкой, а маркетплейсы во время распродаж могут менять стоимость товаров несколько раз в день. Базовые характеристики и отзывы система обычно считывает корректно, но кратковременные промокоды и локальные акции иногда остаются вне её поля зрения.
Причина кроется в механике сбора информации. Цены и скидки меняются быстрее, чем нейросеть обновляет данные и перестраивает алгоритм ранжирования, поэтому предложение может потерять актуальность уже после включения в рекомендацию. Производителям и селлерам теперь приходится учитывать не только позиции товаров в поиске маркетплейсов, но и частоту обновления сведений, которые поступают в нейросеть.
Оптимизация витрины под нейросети
В 2025 году продавцам приходится учитывать ещё один канал рекомендаций. Теперь ИИ самостоятельно подбирает товары и формирует собственную подборку для пользователя. Селлер, который заранее адаптирует контент, карточки и стратегию продвижения под такие алгоритмы, получает конкурентное преимущество при показе своего ассортимента.
Какая карточка товара попадет в рекомендацию
Чтобы включить продукт в финальную подборку, системам нужны подробное текстовое описание, точные технические характеристики и высокие оценки реальных покупателей. Поэтому карточке товара необходимы данные, которые нейросеть сможет сопоставить с запросом. Одних рекламных формулировок и изображения для этого недостаточно.
При этом точный метод отбора товаров не раскрыт. Не указано и то, какие именно данные о покупателе учитывает нейросеть, поэтому даже полностью заполненная карточка не гарантирует попадания в рекомендацию. Продавцам предстоит следить не только за местом в поисковой выдаче, но и за тем, насколько однозначно алгоритм распознаёт свойства каждого товара в ассортименте.