ИИ для электронной коммерции в промышленности

Чем сложнее каталог, тем дороже бизнесу обходится ручная работа. Пока менеджер подбирает товар, инженер сверяет параметры, а клиент ждёт ответа, компания теряет не только время, но и продажи. В промышленной электронной коммерции это особенно заметно, но на деле та же проблема возникает везде, где есть большой ассортимент, сложные характеристики и высокая цена ошибки.

Поэтому кейсы из этой статьи, созданные для крупных промышленных предприятий, будут полезны и более широкому кругу компаний: интернет-магазинам и маркетплейсам с большим каталогом, дистрибьюторам и оптовым поставщикам со сложным ассортиментом, а также бизнесу в сферах стройматериалов, электротехники, оборудования, автокомпонентов и медицинских изделий – везде, где важны точность подбора, совместимость, нормативы и скорость ответа клиенту.

Именно в промышленности сложно переоценить применение ИИ. И причин сразу несколько. Во-первых, – огромное количество процессов. Во-вторых – лабиринты сложных продаж. Во-третьих, здесь часто возникают длинные циклы сделки, где каждый запрос клиента – это ручной труд менеджера и инженера. Дополнительно ситуацию усложняет сложность каталогов: чертежи, технические характеристики, ГОСТы – ручной подбор аналогов занимает дни. На этом фоне особенно опасен и риск потерь: медленная обработка запросов и ошибки в документации ведут к срыву контрактов.

Для электронной коммерции набор проблем другой, но не менее острый. Главная из них – контентный коллапс: миллионы позиций товаров, в которых «тонут» пользователи. Из-за этого бизнес теряет эффективность на этапе выбора и покупки, а низкая конверсия становится прямым следствием того, что нерелевантные рекомендации убивают продажи. Дополнительное давление создаёт и высокая стоимость привлечения: клиент стал слишком дорогим, чтобы терять его после первой покупки. Удержание и допродажи здесь – вопрос выживания бизнеса.

В обоих случаях компании упираются в один и тот же предел: слишком много данных, слишком много ручной обработки, слишком высокая цена ошибки и слишком медленная скорость реакции. Именно поэтому ИИ в обоих сферах – скальпель хирурга, который отсекает лишнее время и затраты, кратно повышая точность и скорость. Он помогает там, где бизнесу нужно быстрее обрабатывать запросы, работать с большими массивами данных, снижать влияние ручного труда, уменьшать ошибки и не терять деньги на неэффективных процессах. Рассмотрим на конкретных примерах.

Кейс 1. ИИ-распознавание конструкторских чертежей

Это кейс о том, как мы сняли нагрузку с технических специалистов лидера промышленной индустрии на этапах ценообразования и контроля качества. Клиент – крупное промышленное предприятие с индивидуальным и мелкосерийным производством, работающее со сложными инженерными системами. Цель проекта – автоматизировать обработку конструкторских чертежей, чтобы ускорить подготовку коммерческих предложений и повысить качество проверки документации.

Для этого нужно было научить ИИ «читать» чертежи и извлекать параметры для расчёта стоимости операций, создать систему проверки согласованности чертежей между собой с выявлением коллизий в разных видах и разрезах, внедрить контроль соответствия стандартам ГОСТ и СанПиН, а также снизить зависимость от узких специалистов, оставив за человеком только финальную верификацию.

Мы разработали ИИ-решение на базе компьютерного зрения, которое работает в двух направлениях. Первое – ИИ-распознавание для ценообразования: система переводит графическое содержание чертежа в структурированные данные, которые автоматически подставляются в расчетные модули для определения стоимости операций – заготовки, сварки, сборки и других.

Второе направление – ИИ-контролер качества. Система сопоставляет чертежи между собой – разные комплекты и виды, автоматически находит несостыковки и коллизии, проверяет проектную документацию на соответствие требованиям ГОСТ и СанПиН, формирует прозрачный «Отчёт о несоответствиях», в котором видно, где именно на чертеже найдена ошибка и какое требование нарушено.

Это дало бизнесу сразу несколько эффектов.

• Во-первых, структурирование данных: превращение «картинки» чертежа в понятные данные для расчета себестоимости для системы управления ресурсами предприятия (ERP) и системы управления взаимоотношениями с клиентами (CRM).
• Во-вторых, автоматическая валидация: мгновенная проверка документов на соответствие нормативам.
• В-третьих, снижение рутины: технические специалисты занимаются только верификацией «спорных мест» из отчета, а не полным перебором документации вручную.
• И, наконец, прозрачность: полный аудит проверки, когда понятно, что, где и почему не сошлось. Итог – бизнес перестает тонуть в рутине и ускоренно проходит «дорогие» этапы сделки, снижая риски ошибок и потери клиентов.

Кейс 2. Семантический поиск по сложному каталогу

Следующий пример – кейс промышленного холдинга, который показывает, как ИИ помогает там, где ранее менеджеры тратили часы на подбор товаров по запросам клиентов. Каталог содержал десятки тысяч позиций со сложными техническими параметрами, что замедляло обработку заявок и снижало конверсию. В этих условиях бизнес-задача была понятной: сократить время подбора до секунд, повысить релевантность предложений и в итоге увеличить продажи.

Для этого мы реализовали ИИ-модуль семантического поиска. Разработали модель на основе обработки естественного языка, которая понимает не просто ключевые слова, а смысл запроса. Клиент или менеджер вводит запрос, например, «валки для прокатного стана с высокой износостойкостью», а ИИ анализирует семантику и сопоставляет её с характеристиками товаров. Модель учитывает синонимы, технические термины и контекст, даже если запрос сформулирован неточно. Сам модуль встроен в систему управления взаимоотношениями с клиентами (CRM) и сайт и работает в реальном времени.

В результате скорость подбора товаров сократилась до 2 секунд, хотя ранее процесс занимал от 30 минут до нескольких часов. Конверсия в продажу выросла на 3% – что для промышленного бизнеса весьма значимый результат.

Дополнительно мы получили и другие позитивные эффекты: снизилась нагрузка на менеджеров, у них освободилось время для сложных переговоров, вырос средний чек за счёт кросс-продаж, поскольку ИИ взял на себя задачи по апсейлу и подбору сопутствующих товаров, а также повысилась удовлетворённость клиентов благодаря быстрым и точным ответам.

Где проходит граница между автоматизацией и человеческим контролем

Эти кейсы хорошо показывают, что внедрение ИИ не заменяет человека, а по-другому распределяет роли в процессе.

На практике ИИ берет на себя всё, что связано с большим объёмом данных, повторяющимися действиями и необходимостью быстро находить закономерности, логично передавать системе.

При этом человек оставляет за собой принятие стратегических решений: цены и условия сделок, работу со сложными и нестандартными запросами, валидацию результатов работы искусственного интеллекта (особенно на первых порах), а также эмоциональный интеллект и построение отношений с клиентами.

Именно в таком разделении ролей и появляется практическая ценность ИИ для бизнеса: система берет на себя скорость, масштаб и первичную аналитику, а человек – финальную оценку, сложные решения и коммуникацию.

Какие сложности возникают при внедрении

Но даже при понятной сепарации ролей между «цифровым сотрудником» и человеком внедрение не работает «из коробки». На практике между идеей и стабильным результатом всегда есть этап глубокой настройки.

В нашем случае контекст был таким – большое количество категорий товаров. Чтобы поиск работал идеально на всех, потребовалась глубокая настройка и тестирование.

Одна из основных сложностей – валидация на всех категориях. Нужно было проверить точность поиска на всём ассортименте, включая пограничные случаи. Для этого создали эталонный датасет со всеми пограничными вариациями – категория + товар. Дальше систему тестировали, фиксировали ошибки и вносили корректировки.

Второй проблемой стала потеря контекста диалога. Система «сбивалась» и не всегда помнила историю общения – например, забывала, что вопрос был про оформление заказа. Эту задачу решили через архитектурные изменения: одного большого агента разбили на несколько узких подагентов, и каждый стал отвечать за свой участок.

Третья сложность – галлюцинации и некорректные запросы. ИИ иногда выдавал неверные данные или неправильно формировал ответ. Здесь потребовались множественные оптимизации промптов: пробовали разные схемы, переводили их на английский язык, а также настраивали параметры модели, включая температуру и другие значения.

Именно такие этапы и показывают, что успешное внедрение искусственного интеллекта – это не только выбор модели, но и системная работа с качеством. Только в этом случае автоматизация действительно начинает работать как инструмент бизнеса, а не как источник новых ошибок.