Кейсов внедрения: 261. Как компании применяют искусственный интеллект, какие задачи решают и какие результаты публикуют.
Аудиобейджи передают записи общения сотрудников с покупателями на анализ ИИ. Руководители используют результаты для проверки корректности консультаций и улучшения сервиса.
Анализ коммуникаций тестируется в двух действующих супермаркетах. Изменение качества обслуживания в цифрах не раскрыто.
В чатах Авито появилась функция автоматической подготовки ответов.
Количественный эффект не раскрыт.
Нейроассистент консультирует покупателей по характеристикам и наличию товаров.
Количественный эффект не раскрыт.
Нейросеть автоматически формирует краткие выжимки из отзывов для пользователей Авито.
Количественный эффект не раскрыт.
Алгоритмы ИИ анализируют более 100 факторов, включая соответствие запроса и персональные предпочтения покупателя.
Релевантность выдачи объявлений выросла на 25%.
ИИ выявляет отклонения менеджеров продаж от скриптов и оценивает работу отдела заботы о клиентах.
Количественный эффект не раскрыт.
Машинное обучение используется при выборе лучших мест расположения магазинов.
Количественный эффект не раскрыт.
ИИ определяет, какое оборудование магазина необходимо проверить, чтобы предупредить поломку.
Количественный эффект не раскрыт.
В магазинах тестируется компьютерное зрение для контроля качества взаимодействия сотрудников с клиентами.
Результаты тестирования не раскрыты.
Компания использует гибридную роботизированную депалетизацию: роборука разбирает паллеты с уже знакомыми типами коробок, а систему обучают распознаванию новых SKU.
Количественный эффект пилота не раскрыт.
В HR применяются ИИ-инструменты для выбора кандидатов и OCR-распознавания документов.
Количественный эффект не раскрыт.
На распределительных центрах компьютерное зрение используется для автоматической инвентаризации товаров и проверки качества привозимых продуктов.
Количественный эффект не раскрыт.
ИИ рассчитывает, сколько сотрудников требуется вывести в магазин, а ML-модели оценивают потребность в персонале в течение дня и в часы пик.
Количественный эффект не раскрыт.
Построена и обучена модель ARIMA для прогнозирования продаж с учётом сезонности, поискового спроса, рыночных трендов, цен и маркетинговых факторов.
Прогноз продаж на 2024 год отклонялся примерно на ±100 единиц товара.
Тексты загружаются в CAT-систему, ИИ выполняет первичный перевод на английский и арабский, а переводчик делает финальную вычитку и корректировку.
Перевод ускоряет вывод товаров на витрину; первичный перевод занимает несколько секунд.
ML-модель обучена на отзывах, внедрена в рабочий процесс и дообучается по результатам проверки модераторов.
Автоматически модерируется 60% отзывов; отзыв после ИИ-модерации появляется примерно за 20 минут вместо нескольких дней ручной проверки.
Создан собственный сервис пакетной обработки фотографий: контент-менеджер загружает пул фото, после чего ИИ применяет заданные настройки к серии изображений.
Среднее время обработки сократилось с 4 дней до 1,5–2 часов; стоимость обработки одного фото снизилась в среднем на 85%.
Создан и применён бот на базе RAG и LLM, объединённый с CRM и интент-моделью. Он использует базу знаний, логи операторов и динамические данные CRM для ответов на вопросы о товарах и статусах заказов.
Бот предоставляет актуальную информацию, снижает вероятность галлюцинаций и повышает качество взаимодействия с клиентами; количественный эффект не раскрыт.
Компания внедрила систему прогнозирования спроса на весь ассортимент. Модель формирует оперативный и стратегический прогнозы и автоматизирует расчёты специалистов для планирования закупок.
По данным автора кейса, точность прогноза первой недели повысилась на 10%, четвёртой недели — на 8%, первого месяца — на 5–7%; отклонение снизилось до ±10%, а затраты времени специалистов на формирование аналитики — на 15–20%.
Компания внедрила CVM-платформу для централизованного управления омниканальными маркетинговыми коммуникациями, персонализированными предложениями, товарными рекомендациями и скидками.
Платформа используется для массовых персонализированных кампаний по базе более 10 млн клиентов.
Запущены грузоперевозки на беспилотных электрогрузовиках Evocargo N1 в технопарке в Киржаче.
Грузовики работают непрерывно и выполняют около 40 рейсов в сутки; заявлены снижение человеческого фактора и операционных рисков.
В приложение магазина встроили ИИ-ассистента «Мэджик». Он предлагает продукты по заданным критериям и варианты для завтрака, обеда или ужина.
Подбор товаров доступен в приложении. Влияние помощника на продажи и использование покупателями не раскрыто.
В начале 2026 года сеть испытала на кассах самообслуживания распознавание овощей, фруктов и кондитерских изделий. Покупателю не нужно вручную искать позицию в каталоге.
В пилоте время на позицию составило 9,1 секунды вместо 15,7 секунды при ручном поиске — на 42% быстрее. Точность распознавания достигла 91%.
Совместно с МФТИ разработан и испытан ИИ-модуль для прогнозирования спроса и оптимизации товарной матрицы.
Количественный эффект не раскрыт.
Компания внедряет решение, которое формирует персонализированные предложения по обезличенным цифровым профилям покупателей.
Количественный эффект не раскрыт.
Производитель и продавец мебели запустил автоматический конвейер контента. Система анализирует поисковые запросы, использует загруженные отраслевые материалы, создаёт статьи и автоматически проверяет язык и употребление ключевых слов.
По данным участника проекта, выпущено и проиндексировано 220 материалов, 146 из них вошли в первую десятку поисковой выдачи. Команда экономит более 60 часов в месяц на проверках и правках.
Ozon перешёл от ранжирования готовых вариантов градиентным бустингом к генерации поисковых подсказок.
Система формирует подсказки в продуктовом поиске при ограничении отклика 300 мс; количественный эффект перехода не раскрыт.
В 2025 году сеть начала переход на F&R-систему российского поставщика. ML-модели учитывают продажи, внешние факторы и покупательское поведение отдельных магазинов, а система оптимизирует заказы.
Переход на систему начат. Полное масштабирование запланировано на следующий год; отдельный эффект ML-прогнозирования не раскрыт.
ИИ-агент встроен в обработку отзывов и вопросов на маркетплейсах. Ответ строится по подготовленному документу конкретного товара; для разных ситуаций настроены сценарии и правила формулировок.
За три месяца обработано 82 030 отзывов и 1596 вопросов. По данным компании, высокий сезон прошёл без расширения команды и найма трёх сезонных операторов.
Компания расширила автоматизацию круглосуточной письменной поддержки, подключив AutoFAQ Xplain.
AutoFAQ обрабатывает 50 000 сообщений в месяц; 52% диалогов закрываются только ботом.