ИИ-агенты могут взять под управление до 3 трлн рублей российского eCommerce

Главная перемена произойдет не в оплате: ИИ начинает решать, что именно человек купит и у кого

2–3 трлн рублей — большая цифра, но это сценарий, а не измеренный рынок

Главный тезис исследования Data Insight выглядит масштабно: продажи российского ритейла, находящиеся под управлением ИИ-агентов, могут составить 400–850 млрд рублей уже в 2028–2029 годах и 2–3 трлн рублей к 2030–2032 годам.

В долях eCommerce траектория выглядит так:

• 2026–2027 годы: 0,4–1%, или 65–160 млрд рублей;
• 2028–2029 годы: 2–4%, или 400–850 млрд рублей;
• 2030–2032 годы: 7–11%, или 2–3 трлн рублей.

Разница между верхней и нижней границей существенна. К 2030–2032 годам оптимистический сценарий предполагает 11% eCommerce, пессимистический — 7%. Иными словами, речь идет не о точечном прогнозе, а о диапазоне возможного развития новой модели торговли.

Это принципиально важно для интерпретации цифр. Data Insight прямо указывает, что текущий объем агентной коммерции в России находится ниже уровня, на котором из него можно надежно экстраполировать будущее. Рынок пока состоит из пилотов и первых экспериментов.

Поэтому прогноз построен иначе: агентство использовало предполагаемую мировую траекторию распространения агентной коммерции, прогноз российского eCommerce и данные о поведении ранних пользователей.

Методологическая база тоже требует осторожности. Исследование включает 30 глубинных интервью с ранними пользователями и шесть интервью с представителями крупных ритейлеров. Это качественное исследование, хорошо подходящее для поиска сценариев, барьеров и новых моделей поведения, но не репрезентативный опрос российского населения.

Следовательно, 2–3 трлн рублей следует читать не как обещанный размер рынка, а как оценку того, насколько крупным может стать новый канал, если нынешние ранние практики распространятся на массового покупателя.

Главный сигнал уже появился — человек передает ИИ не деньги, а выбор

Самая показательная часть исследования — анализ 38 реальных покупательских сценариев.

Во всех 38 случаях ИИ использовался для консультации, поиска или выбора предложения. В 13 случаях из 38 он участвовал уже в транзакционной части — например, добавлял товар в корзину или помогал оформить услугу.

Но только два сценария завершились оплатой через ИИ-помощника.

На первый взгляд это может выглядеть как аргумент против скорого появления агентной коммерции. На самом деле данные показывают другое: автоматизация развивается поэтапно.

Сначала человек делегирует интеллектуально трудоемкую часть покупки:

• разобраться в категории;
• понять, какие характеристики действительно важны;
• сформировать критерии;
• сравнить продукты;
• найти альтернативы;
• проверить совместимость;
• выбрать оптимальное предложение.

И лишь затем постепенно передает машине корзину, оформление заказа и оплату.

Поэтому сегодняшнюю роль ИИ правильнее сравнивать не с кассиром, а с консультантом, поисковиком и персональным закупщиком одновременно.

Data Insight формулирует это еще жестче: на рынке образовалась пустая ниша качественного разбора характеристик товаров, и ИИ быстро ее занимает, вытесняя в роли советчика друзей, социальные ленты, продавцов и экспертов-консультантов.

Именно здесь находится экономический центр будущей агентной коммерции.

Оплата остается последним рубежом доверия

Потребитель гораздо охотнее позволяет алгоритму выбрать товар, чем потратить деньги.

По данным интервью, наиболее часто называемый психологический предел автономной оплаты составляет около 5 000 рублей — сумму респонденты воспринимали как потенциально допустимую потерю при ошибке системы.

Для части пользователей комфортный диапазон еще ниже — 1 000–2 000 рублей. Более высокий уровень доверия возможен при ограничении агента отдельной виртуальной картой или кошельком.

Поэтому наиболее вероятная модель ближайших лет — не полностью автономный покупатель, а «агент с подтверждением».

ИИ:

• подбирает товар;
• формирует корзину;
• выбирает условия;
• готовит финальное решение;
• передает его человеку для подтверждения оплаты.

Такой сценарий снимает значительную часть рутинной работы, но сохраняет у покупателя контроль над необратимым действием.

Именно поэтому первыми под автоматизацию должны попадать не дорогие эмоциональные покупки, а регулярные и предсказуемые категории: базовые продукты, бытовая химия, зоотовары, расходные материалы и стандартные услуги.

Настоящая революция — переход от артикула к задаче

К горизонту 2030–2032 годов Data Insight ожидает более фундаментальное изменение поведения.

Сегодня покупатель говорит: «Найдите мне этот товар дешевле».

Завтра запрос будет выглядеть иначе: «Соберите продукты для лазаньи», «подберите все необходимое для щенка» или «найдите причину поломки и необходимые детали».

Это меняет единицу конкуренции.

В традиционном eCommerce ритейлер борется за конкретный товарный запрос. В агентной модели пользователь сообщает конечную цель, а ИИ сам раскладывает ее на товары и услуги.

Значит, часть решений, которые сегодня принимает покупатель, перемещается внутрь алгоритма.

Для бренда возникает новый вопрос: не только «как убедить человека купить наш продукт?», но и «по каким данным и критериям агент вообще включит наш продукт в решение?».

Это значительно более серьезная перемена, чем появление еще одного интерфейса для онлайн-заказа.

Четыре модели будут бороться за право контролировать покупателя

Data Insight выделяет четыре возможные архитектуры агентной коммерции.

GenAI Commerce начинается внутри универсальной генеративной системы, которая сравнивает предложения множества продавцов.

Ecosystem AI Commerce удерживает выбор, оплату и другие сервисы внутри большой экосистемы.

Marketplace AI Commerce превращает встроенного агента в новый интерфейс маркетплейса вместо привычного каталога и поисковой строки.

Retail AI Commerce предполагает собственного агента конкретного магазина, работающего с его каталогом и клиентскими данными.

Для бизнеса принципиальная разница заключается в том, кто контролирует точку входа.

Если покупатель сначала приходит к ритейлеру, магазин сохраняет отношения с клиентом, историю покупок, возможность персонализации и значительную часть контроля над маржой.

Если покупатель начинает с универсального ИИ, ритейлер рискует превратиться в одного из поставщиков, между которыми алгоритм выбирает наиболее подходящее предложение.

Поэтому внутренние агенты — это не только технологический сервис. В перспективе они становятся инструментом защиты клиентских отношений.

Новый дефицит — не вычислительные мощности, а качественные товарные данные

Один из наиболее прикладных выводов исследования касается инфраструктуры.

Главным ограничением со стороны ритейлеров Data Insight называет готовность данных и внутренних интеграций.

Агенту недостаточно красивого описания товара. Для полноценной покупки ему требуется структурированный доступ к каталогу, актуальной цене, остаткам, персональным скидкам, вариантам доставки, оплате и статусу заказа.

По мере развития рынка эти данные придется передавать машинным системам через API и специальные протоколы.

Это меняет ценность продуктового контента.

Карточка товара традиционно создавалась прежде всего для человека и поисковой системы. Теперь появляется третий читатель — ИИ-агент.

Причем ему нужны не рекламные формулировки, а точные характеристики, совместимость, ограничения, доступность и условия покупки.

Поэтому компании с плохими мастер-данными могут обнаружить, что проблема находится не в качестве используемой языковой модели. Алгоритму просто нечего надежно анализировать.

SEO может потерять часть влияния, но платить за видимость все равно придется

Сегодня ИИ в основном помогает выбрать товар, а сама покупка завершается вне диалога. Из-за этого ритейлеры часто даже не видят вклад генеративных систем в атрибуции заказа.

Но если транзакция переместится внутрь ИИ-интерфейса, возникнет самостоятельный канал продаж.

Data Insight ожидает переход от SEO к GEO — оптимизации присутствия в ответах генеративных систем. Одновременно может появиться новая модель монетизации: часть маркетинговых и трейдинговых бюджетов переместится в продвижение внутри ИИ-ответов.

И здесь возникает один из главных конфликтов будущего рынка.

Потребитель ценит ИИ именно за способность отсекать «маркетинговый шум» и воспринимает его как относительно беспристрастного советчика. Но коммерческая система неизбежно будет искать способы монетизировать доступ продавцов к покупателю.

Если пользователь начнет подозревать, что агент рекомендует не лучший вариант, а наиболее выгодный для платформы, доверие — основной капитал агентной модели — окажется под угрозой.

Таким образом, вопрос прозрачности коммерческого ранжирования может оказаться не менее важным, чем качество самих моделей.

Для аптечного рынка первый перелом может произойти еще до автоматической покупки лекарств

Фармацевтический сектор в исследовании не выделен в самостоятельный прогноз, поэтому перенос общих цифр eCommerce непосредственно на российский ePharma был бы некорректен.

Однако пользовательские сценарии уже затрагивают здоровье и лекарства.

Респонденты применяют ИИ для расшифровки медицинских анализов, обсуждения симптомов, выбора профильного врача, анализа лекарств и поиска дженериков по действующему веществу. В одном из приведенных примеров агент подбирает дженерики лекарственных препаратов.

Для фармрынка это означает, что первый значимый эффект агентной коммерции может возникнуть не на стадии оплаты.

Он появляется раньше — в момент формирования набора вариантов, которые вообще рассматривает покупатель.

Если человек просит ИИ найти аналог препарата по действующему веществу, сравнить несколько продуктов или объяснить различия, привычная логика цифрового продвижения меняется. Видимость бренда внутри аптечного каталога перестает гарантировать присутствие в поле выбора.

Но здесь существует принципиальное отличие фармы от бытовой химии или электроники: рекомендации лекарственных препаратов связаны с медицинскими показаниями, противопоказаниями, рецептурным статусом и регуляторными ограничениями. Поэтому автоматизация фармацевтического выбора неизбежно потребует значительно более строгих правил, чем покупка корма для животных или стирального порошка.

Исследование Data Insight не анализирует эти регуляторные границы подробно, поэтому говорить об автономной покупке лекарств на основании его прогноза нельзя.

Для аптек и фармкомпаний меняется объект цифровой конкуренции

Наиболее важный прикладной вывод для фармацевтического бизнеса состоит в том, что готовиться следует не к моменту, когда ИИ начнет самостоятельно оплачивать заказы.

К этому моменту конкурентная архитектура уже может быть сформирована.

Аптечным сетям становится важнее качество структурированных данных: действующее вещество, форма выпуска, дозировка, размер упаковки, наличие, цена, условия доставки и другие характеристики должны быть доступны не только человеку, но и машинным системам.

Для производителей возрастает значение того, насколько корректно и однозначно продукт представлен в источниках данных, которыми пользуются ИИ.

Для маркетинга появляется риск потери части привычной воронки. Если агент сам исследует рынок, формирует короткий список вариантов и только затем показывает его человеку, часть контактов с брендом происходит уже после того, как алгоритм провел предварительный отбор.

Для аптечных сетей собственный ИИ-помощник может стать способом сохранить отношения с покупателем. История заказов, программа лояльности, персональные цены и доступность конкретных SKU дают внутреннему агенту преимущество перед универсальной системой.

Но одновременно возникает противоположный риск: закрытая модель ограничивает возможность привлечения покупателей, которые начинают свой путь не в приложении аптеки, а в универсальном ИИ.

Поэтому стратегический выбор может оказаться не между «делать агента или не делать», а между двумя задачами: развивать собственного агента для удержания клиента и одновременно обеспечивать машинную доступность ассортимента для внешних систем.

Самый слабый элемент прогноза одновременно является самым важным

Исследование убедительно описывает направление изменений, но значительно менее надежно определяет их скорость.

30 интервью с продвинутыми пользователями позволяют увидеть будущие сценарии, но ранние пользователи по определению не отражают поведение массового покупателя. В приложении к отчету их портрет это подтверждает: наиболее активная группа — 25–45 лет, большинство уже 2–3 года использует ИИ, проводит онлайн 8–12 часов в сутки и придерживается модели с приоритетом онлайн-покупок.

Иными словами, исследование смотрит на будущее через людей, которые технологически уже находятся в нем.

Это достоинство при поиске новых сценариев и ограничение при прогнозировании сроков их массового распространения.

Второй источник неопределенности — сама инфраструктура рынка. Data Insight прямо пишет, что скорость распространения будет зависеть от действий участников: качества данных, интеграций, финансовой безопасности, доверия пользователей и появления доказанной экономики канала.

Поэтому наиболее надежный вывод отчета — не «в 2032 году ИИ будет контролировать именно 7–11% eCommerce».

Гораздо важнее другое: механизм выбора товара уже начинает отделяться от сайта магазина, маркетплейса и традиционного поиска.

Если этот процесс продолжится, нескольких процентов рынка будет достаточно, чтобы изменить правила конкуренции задолго до того, как агентная коммерция станет доминирующим каналом.