Что общего между покупками в супермаркете и AI? Эпоха Agentic Commerce уже здесь

Представьте сценарий: человек написал чатботу: «Предложи, что можно интересного приготовить на пятничный ужин. Простой, но вкусный рецепт. Подбери продукты, но используй подходящие акции». А через двадцать минут ИИ-агент предоставляет человеку рецепт пасты с креветками в томатно-сливочном соусе и готовую к оплате корзину в супермаркете.

Это не демо энтузиастов и не концепт для презентации. Это официальный MCP-сервер крупной украинской сети «Сильпо»: гость один раз логинится в свой аккаунт, и дальше агент действует от его имени, как обычный покупатель с телефоном в руке. Вот и ответ на вопрос из заголовка: теперь общее между шопингом в супермаркете и AI заключается в том, что покупки теперь может осуществлять не человек. 

Почему это новость не об AI, а о данных

Технологического прорыва тут нет. MCP, Model Context Protocol, это открытый стандарт: способ описать возможности системы так, чтобы любая большая языковая модель могла ими воспользоваться без отдельной интеграции под каждый чат-бот. Для команды разработки это понятная работа с предсказуемым объемом.

Но прорыв состоялся где-то рядом. В «Сильпо» кто-то принял решения, которые на украинском рынке пока почти никто не принимал публично. Передавать агенту только поиск товаров или ещё и корзину? Разрешать изменять статус заказа или только просматривать каталог? Показывать ИИ историю покупок? Показывать ли бонусы программы лояльности? Разрешать ли их тратить?

Объем того, что реально было открыто в описанном кейсе, впечатляет шире, чем зачастую можно ожидать от интеграции с AI: не только каталог и корзина, но и история покупок в физических магазинах с чеками и начисленными бонусами; состав семьи гостя с возрастом детей и наличием животных; диетические ограничения. Это уже не интеграция — это профиль потребления, отданный наружу в машиночитаемом виде. Модель здесь легко поддается замене, через год она может быть другой. А вот решение о том, какие именно данные вы описали и открыли для нее, остается с бизнесом надолго.

Кто на самом деле собирает вашу корзину

В новой модели корзину фактически формирует тот, кто настраивает акции. Для ритейла этот рычаг действеннее, чем баннер на главной странице, ведь тут не нужно гадать, на что кликнет человек. Достаточно, чтобы скидку заметил ИИ-агент.

Это утверждение ставит под вопрос двадцать лет практики e-Commerce. Мы учились работать с человеческими глазами: акценты на карточке товара, баннер с выгодой, полторы секунды внимания на первом экране, тесты цвета кнопки «купить». Все это имеет смысл, пока решение принимает человек, который смотрит на экран.

ИИ-агент на экран не смотрит. Он читает структурированный ответ сервера и берет оттуда ровно то, что описано полями. Ничего кроме полей он не увидит, сколько бы денег ни ушло на дизайн.

Если ваша акция живет в баннере на главной, в сторис и в макете рассылки, а в данных товара лежит обычная цена, для агента этой акции не существует. Вы заплатили за дизайн, за трафик и за размещение, а покупатель до скидки так и не дошел — потому что за него решение принял агент, который эту скидку не увидел.

То же самое касается всего, что отличает товар от предложений конкурентов: состав, страна происхождения, срок годности, условия возврата, наличие в конкретном магазине, гарантия. Если всего этого нет в полях базы, для агента этого нет.

Стоит откровенно признать эту новую реальность: в мире, где решения принимаются агентами, побеждает не тот, у кого качественнее карточка товара, а тот, у кого чище товарные атрибуты.

Три вопроса, которые стоит задать своему каталогу

Насколько ваш бизнес готов к новой реальности? Чтобы выяснить это, возьмите карточку вашего самого прибыльного товара и честно ответьте на три вопроса.

Первое: видит ли система вашу скидку отдельным полем, или же она живет только в баннере, сторис и макете рассылки? Если акция существует только как картинка или текст, для агента, который читает структурированные данные, ее не существует.

Второе: закодированы ли ваши реальные преимущества, официальная дистрибуция, гарантия, условия возврата, совместимость с другими моделями, как атрибуты товара в базе? Или же они до сих пор артикулируются словами менеджера в описании и на фото?

Третье: можно ли проверить наличие, размер или срок доставки без звонка или сообщения? То есть закреплены ли эти данные в полях, которые реально считываются инструментами поиска товаров?

Если на все три вопроса ответ «да», карточка уже готова к агентной коммерции. Но если у вас есть хоть одно “нет”, именно в нем прячется та часть продаж, которую раньше спасал хороший баннер или внимательный менеджер. Теперь же спасать продажи некому: конкурент с теми же преимуществами, но в полях, а не в тексте, в сравнении агента будет выглядеть сильнее вас.

Почему агенты ошибаются дорого и почему это не проблема модели

Агент способен собрать корзину, которая формально выполняет задачу и одновременно неприятно удивляет суммой в чеке. Причина не в том, что модель плохо что-то считала. Ни один инструмент сервера не принимает бюджет в качестве параметра, поэтому ограничение по сумме необходимо явно указать в запросе — в противном случае оно просто не будет учитываться агентом, который выполняет задачу буквально.

Та же логика работает с заменой товара. Если нужной позиции нет в наличии, инструмент замены в большинстве случаев подбирает товар, похожий по названию, а не по назначению и характеристикам. Можно ли взять аналог? Стоит ли сменить магазин или же лучше оставить позицию пустой? Все эти решения должны быть прописаны заранее, а не оставлены на усмотрение модели в момент принятия решения.

Эти ошибки не о модели. Они возникли на стороне магазина во время проектирования сервера. Новая версия LLM их не исправит, поскольку проблема кроется не в технологии, а в описании инструментов.

Есть еще один практический нюанс, о котором говорят не так часто: проверка выбора агента часто забирает больше времени, чем самостоятельное составление корзины. Ведь агент не знает, что уже есть дома и приготовит ли человек предложенное блюдо на самом деле. Это и есть главная метрика любого агентного сценария: если он не экономит время клиента, то не приживется, сколько бы в него ни инвестировали.

Шесть решений, которые принимаются до первой строки кода

Что вообще показывать агенту. Перечень инструментов, которые сеть решила открыть агенту — это продуктовое решение, а не техническое. Можно отдать только поиск по каталогу, а можно отдать корзину, программу лояльности и историю покупок. Каждый следующий шаг увеличивает как пользу, так и зону риска.

Где граница между чтением и записью. Чтение безопасно, запись — нет. Агент, который может положить товар в корзину, потенциально может ее очистить, применить бонусы, изменить адрес доставки. Тут нужно по каждому пункту решать, что разрешено, а что требует подтверждения человеком.

Как устроена авторизация агента. Токен клиента не должен оказаться в чужом чате. В примере, разобранном в начале статьи, эту границу провели явно: AI-клиент никогда не видит внутренний токен гостя, он работает с отдельным MCP-токеном через OAuth, а настоящий токен остается в инфраструктуре сети.

Какие лимиты защищают каталог. Агент делает десятки вызовов там, где человек сделал бы два. Без rate limit на каждого пользователя это и лишняя нагрузка на сервер, и удобный способ для конкурента выгрузить ваш каталог с ценами за одну ночь.

Что вы будете видеть в аналитике поведения. К примеру, вы можете видеть вызовы инструментов агента, но не увидите саму беседу. Клиент сказал «дорого» не вам, а модели, и причина отказа осталась вне ваших данных. Это новая слепая зона в воронке продаж, и закрывать ее нужно продуманным логированием сценариев.

В каком состоянии ваш каталог. Самая дорогая часть — она “ломается” чаще всего. Если атрибуты товара живут в тексте описания, а не в полях фида товаров, никакие инструменты агента не помогут. 

Кому это нужно уже сейчас, а кому (пока что) нет

Настройка под агентскую коммерцию необходима там, где шопинг в основном рутинный и “скучный”: продукты, e-grocery, товары для животных, бытовая химия, аптеки, расходные материалы. Также это уместно для ниш с огромными каталогами и сложным подбором позиций: автозапчасти, стройматериалы, электроника, комплектующие, крупные маркетплейсы. В целом Agentic Commerce приживается там, где клиент не получает от процесса покупки никакого удовольствия.

Обойтись без агентов можно в тех случаях, когда покупки разовые, дорогостоящие и эмоциональные: мебель, ювелирные изделия, техника, которую выбирают неделями, просматривая многочисленные обзоры. Никто не поручает модели то, что хочет выбрать сам.

Отдельно стоит сказать об узких каталогах, которые насчитывают несколько сотен позиций: там человеку пока проще просмотреть всё самостоятельно, чем подробно прописывать запрос агенту. Персонализация в таких сценариях пока не даёт преимуществ, которые оправдали бы затраты на структурирование данных.

Сюжет, о котором почти не говорят: B2B

Самое интересное сейчас происходит не в рознице, а в B2B, и об этом пока почти никто не пишет. Повторяемость заказов в B2B выше, чем в продуктовом ритейле, а интерфейсы хуже. Закупщик каждую неделю вручную проходит тот же путь в дилерском кабинете: найти позиции, сверить остатки, подставить свою контрактную цену, оформить заказ.

Эффект здесь можно показать одной фразой-примером: «повтори заказ за прошлый вторник, убери то, чего нет в наличии, подставь мою контрактную цену». Так звучит победа над рутиной. Разница с розницей тут принципиальная: эффективность оценивается не по показателям удобства для клиента, а по нагрузке на отдел обработки заказов и по количеству ошибок в спецификациях.

Как показывает практика, в дистрибьюторских B2B-порталах данные часто структурированы лучше, чем у розничных магазинов. Каталог с артикулами, остатки, индивидуальные прайсы, история отгрузок — все это четко фиксируется в системе. По сути, самая дорогая часть подготовки к Agentic Commerce уже выполнена, остается лишь включить в процесс ИИ-агента. 

В портфолио нашей команды есть кейс разработки B2B-портала для дилерской сети — это именно тот опыт, который позволяет четко понять разницу между архитектурными состояниями «данные есть» и «данные готовы для работы с ИИ-агентом». Для дистрибьюторов, у которых уже есть готовое B2B-решение, шаг к агентному сценарию значительно короче, чем кажется.

Что это значит для ритейла

Здесь нет новой технологии — но есть крупная смена роли, которую отыгрывают данные в коммерции. Еще недавно разговор об AI в ритейле заканчивался на рекомендательных системах и чат-ботах поддержки. Но настало время новых вопросов: видит ли вообще ИИ-агент ваш товар, вашу акцию, ваше преимущество.

Прогноз здесь прост: агентская коммерция станет ещё одним каналом продаж, как мобильное приложение или маркетплейс. И бизнесы, у которых пока нет четкой картины данных для ИИ-агентов, вступают в этот канал с отставанием. Наверстать это отставание не так просто, ведь структурирование каталога и описание атрибутов — это месяцы работы, а не недельный спринт.

Пользовательский опыт ближайших лет будет всё меньше зависеть от дизайна интерфейса, который видит человек, и всё больше — от качества данных, которые анализирует агент. Тот, кто сейчас наводит порядок в товарной базе, через несколько лет получит неоценимое преимущество над менее гибкими конкурентами. Компании, которые игнорируют этот тренд или откладывают подготовку, просто вредят своему будущему.

FAQ