Елена Балашова: «ИИ — не автопилот, а штурман»

Сейчас ретейл активно говорит об ИИ, но многие проекты упираются не в алгоритмы, а в качество данных. Какие проблемы с данными чаще всего мешают ИИ работать в ретейле?

Главный барьер здесь не алгоритмы, а «шум» в данных. Информация живет в 1С, Excel, кассовых системах, ERP, и повсюду используются разные форматы, встречаются дубли и пропуски. Качество данных часто называют одним из главных барьеров для внедрения ИИ в ретейле. Когда информация размазана по системам, даже сильная модель выдает неточный результат. В наших проектах с крупным ретейлом и промышленными компаниями мы видим повторяющуюся картину — менеджеры тратят до двух часов в день на ручную сборку отчетов. ИИ здесь бессилен, пока данные не приведены к единому знаменателю.

Можно ли запускать ИИ постепенно, не дожидаясь идеального состояния данных, или без единого контура данных такие проекты неизбежно превращаются в дорогой эксперимент?

Ждать «идеала» дороже, чем стартовать с «достаточно хорошо». По данным аналитиков Forbes, ссылающихся на исследования Gartner, до 85% ИИ-проектов не достигает цели из-за проблем с данными или завышенных требований к инфраструктуре. По нашей практике, пилот на правильной архитектуре занимает 3–4 недели: подключаем 1С или CRM, выбираем 3–5 критичных KPI, настраиваем витрину данных. Клиент сразу видит первые инсайты и принимает решение на основе фактов, а не обещаний. Мы работаем и с ретейлом, и с производственными компаниями, и с логистикой — подход единый.

Ретейл часто живет на сложном наследии, иногда «зоопарке», включая ERP, кассовые системы, WMS, CRM, самописные решения, Excel. Как внедрять ИИ в такой среде, чтобы не разрушить то, что уже работает?

Правило простое: не ломать, а наращивать поверх. ИИ-слой интегрируется через API, не заменяя ядро. Это уменьшает риски и сохраняет бизнес-процессы. По нашим данным, такой подход позволяет снизить избыточный сток на 15–25% и повысить маржинальность на 5–10%. Главное — начинать с интеграции, а не с рефакторинга. Система должна «подружиться» с тем, что уже есть, а не требовать полной перестройки. Это работает и в ретейле, и в FMCG, и в машиностроении.

Высокая стоимость внедрения и сопровождения остается одним из главных стоп-факторов. Как ретейлеру считать экономику ИИ?

Считать нужно не только затраты, но и стоимость бездействия. Упущенная маржа из-за неоптимальных цен, списания из-за «слепых» закупок, неэффективное промо — это тоже расходы. Внедрение аналитических инструментов, включая ИИ, помогает повысить окупаемость инвестиций за счет более точных решений. Для старта можно использовать простую формулу — экономия на списаниях плюс рост маржи и сокращение времени на отчеты минус стоимость внедрения и поддержки. По нашим наблюдениям, клиенты видят окупаемость в течение первого года, если фиксируют базовые метрики до запуска.

В ретейле много нестандартных ситуаций, таких как резкий скачок спроса, сбой поставок, локальные события, сезонные перекосы, ошибки в данных, действия конкурентов. Как бизнесу относиться к тому, что ИИ может вести себя непредсказуемо именно в этих случаях?

ИИ — не автопилот, а штурман. Он дает рекомендации, но финальное решение — за человеком. Особенно в пиковых ситуациях (скачок спроса, сбой поставок). Важно настраивать человеческий контур валидации: уведомления об отклонениях, а не только прогнозы. Так команда реагирует на аномалии, а не разбирает последствия. Алгоритм учится на истории, а человек — на контексте.

Одна из главных претензий к ИИ — эффект «черного ящика». Что нужно показать пользователю, чтобы он не просто увидел рекомендацию системы, а понял, почему она появилась и можно ли ей доверять?

«Черный ящик» — враг внедрения. Пользователь должен видеть не только «что делать», но и «почему»: на основе каких данных, по каким правилам, с какой степенью уверенности. В «Цифровом управленце» мы делаем акцент на прозрачности. Система показывает, на основе каких метрик сформирована рекомендация. Когда человек понимает логику, он действует быстрее и спорит с системой конструктивно, а не отвергает ее.

Сопротивление персонала часто объясняют страхом перед ИИ. Но может ли проблема быть в другом — в том, что людям дают инструмент, который плохо встроен в их ежедневную работу и не объясняет свою логику?

Страх — следствие, а причина — плохая интеграция в процессы. Если инструмент требует лишних кликов, не экономит время и не объясняет логику, его будут саботировать. Решение — вовлекать команду на этапе настройки. Базовое обучение занимает один день, дашборды настраиваются под ежедневные задачи. ИИ должен облегчать работу, а не усложнять. Когда сотрудник видит пользу с первого дня, сопротивление уходит.

Какие компетенции ретейлеру нужно иметь внутри компании, чтобы ИИ-проект не был полностью зависим от внешнего подрядчика? Кто должен быть владельцем таких инициатив — ИТ, бизнес, аналитика, операционный блок?

Читайте также

Проблемы и решения перехода на российские BMS-системы

Интеграторы, разработчики и заказчики обсудили реальное состояние рынка, проблему «бесшовной» миграции и то, как российские BMS-системы учатся работать с разнородным оборудованием, не ломая действующую инфраструктуру.

ИИ-проект не может быть задачей только ИТ. Ему нужен кросс-функциональный владелец, который объединяет бизнес, аналитику и операции. ИТ отвечает за инфраструктуру, бизнес — за метрики успеха. Минимальный набор компетенций включает аналитика, который понимает данные, продукт-менеджера, связывающего ИИ с бизнес-задачами, и операционного лидера, отвечающего за внедрение в процессы. Когда владельцем становится бизнес-лидер, внедрение идет быстрее и с меньшим сопротивлением. Мы помогаем стартовать, но устойчивость создается внутри компании.

О рисках алгоритмической предвзятости чаще говорят в банках или HR, но в ретейле она тоже возможна (в персональных предложениях, ценообразовании, работе с клиентскими сегментами, распределении нагрузки между сотрудниками). Насколько рынок уже осознает этот риск?

Риск действительно есть. ИИ может неосознанно исключать отдельные сегменты из персонализации или создавать перекосы в ценообразовании. По данным исследования Statista, этические вызовы входят в топ-5 барьеров при внедрении ИИ в ретейле, но регулярный аудит правил пока внедряют немногие. Практический шаг — проверять, на каких данных обучается модель и кто принимает финальные решения в спорных случаях. Осознанность становится первым шагом к управлению этим риском.

ИИ в ретейле работает с чувствительными данными, с историей покупок, программами лояльности, обращениями клиентов, поведенческими профилями. Как совместить персонализацию, безопасность и требования регуляторов, не создавая новых рисков утечки данных?

Персонализация не требует хранить все данные. Часто достаточно агрегированных паттернов, а не детальных профилей, и это снижает риски утечки. Защиту стоит строить на трех уровнях — минимизация данных, шифрование и ролевой доступ. Соответствие 152-ФЗ в этом смысле не препятствие, а рамка для проектирования. При грамотной архитектуре персонализация и безопасность не конфликтуют. Главное — закладывать защиту на этапе проектирования, а не «прикручивать» ее потом.