Інтернет-магазин має три вузькі місця, де ШІ реально допомагає: обслуговування, яке не встигає; пропозицію, яка не потрапляє в ціль; і контент, якого забагато, щоб писати вручну. По черзі.
Обслуговування клієнтів 24/7#
Клієнти запитують про наявність, доставку, повернення та параметри в будь-який час. Concierge RAG відповідає на основі ваших даних — з цитатою зі сторінки товару чи правил — а нетипові питання ескалує до людини. Це не звичайний чат-бот на правилах: різниця між агентом і чат-ботом видно саме там, де відповідь треба знайти в документах і підкріпити джерелом (RAG). Продаєте на кілька ринків? Багатомовний хелп-деск обслуговує кожну мову однією командою.
Найшвидший вимірюваний результат — це пілот на 4-6 тижнів на базі даних про товари та замовлення. В e-commerce велику частину звернень складають повторювані питання «де моя посилка», про наявність і про повернення — саме тут бот закриває розмову сам (containment), а решту передає людині. Реалістичний, чесний діапазон для добре обмеженого старту — це приблизно від половини до двох третин рутинних запитів, оброблених без консультанта; решта потрапляє в чергу. Ми не обіцяємо конкретний відсоток наперед — він залежить від асортименту, якості вашої бази знань і того, наскільки вузько ви визначите перший обсяг. Результат вимірюємо на реальному трафіку, а не декларуємо в комерційній пропозиції.
Підбір і рекомендації#
Не кожен лід і не кожен кошик однакові. Прогностичний скоринг перетворює плоский список на пріоритети: які покинуті кошики рятувати, яких клієнтів пестити, що рекомендувати. Під капотом ембедінги BGE-M3 (модель) обчислюють подібність товарів локально — це та сама механіка, що й семантичний пошук у каталозі: «куртка на дощ у гори» знаходить товар, описаний як «водонепроникна трекінгова куртка», хоча в них немає жодного спільного слова. Усе без відправлення даних клієнтів у хмару.
Покинутий кошик — це найбільш вимірюваний важіль з боку підбору: скоринг вирішує, до яких кошиків повертається нагадування, з яким повідомленням і коли, замість того, щоб надсилати один шаблон усім. Це не обіцянка «X% повернення» — ефект залежить від маржі, асортименту і того, чи кошик покинули через ціну, вартість доставки чи просто нерішучість. Сенс у тому, що той самий бюджет на нагадування ви спрямовуєте туди, де шанс на закриття реально вищий, а результат читаєте з A/B-тесту на власному трафіку.
Контент у масштабі#
| Завдання | Без ШІ | З ШІ |
|---|---|---|
| Описи товарів | вручну, повільно | генеруються з даних, на корекцію |
| Переклади для ринків | дорого, партіями | швидко, узгоджено |
| Тегування фото | вручну | комп’ютерний зір ШІ автоматично |
| FAQ та правила | статичні | семантично пошукові |
ШІ генерує першу версію контенту з ваших даних (параметри, категорії), а людина її затверджує — швидше, ніж написання з нуля, без втрати контролю над якістю та тоном. Ключова умова: опис постає з фактичних полів товару, а не з вільної фантазії моделі. Як обмежити галюцинації ШІ при генерації описів — через закорінення в даних і етап затвердження — описуємо окремо, як і ширший підхід до ШІ в маркетингу контенту.
Практика показує, що при каталозі, що рахується тисячами SKU, модель «чернетка, а людина виправляє» багаторазово швидша за написання з нуля — редактор перевіряє і доводить тон замість складати речення за реченням. Ми не наводимо жорсткого множника, бо він залежить від того, наскільки структуровані ваші вхідні дані (що чистіші поля, то кращий чернетковий варіант і менше правок). Операційне правило стале: ніщо не йде в магазин без затвердження людини, а модель не дописує параметрів, яких немає в даних.
Коли бот, коли людина#
Межа проходить не між «простими» і «складними» питаннями, а вздовж вартості помилки. Там, де помилка — дрібна незручність, бот може закрити розмову сам. Там, де помилка означає фінансову втрату, спір або зіпсовані стосунки, вирішує людина.
| Ситуація | Бот закриває сам | Людина (з підтримкою ШІ) |
|---|---|---|
| Статус замовлення, відстеження посилки | так | — |
| Наявність, параметри, порівняння товарів | так | — |
| Правила повернення, терміни, як повернути | так | — |
| Складна рекламація, спір про дефект | — | так |
| Розчарований клієнт, загроза відмови | — | так |
| Повернення коштів, скасування, зміна даних акаунта | — | так (незворотна дія = підтвердження людини) |
Бот мусить мати низький поріг передачі до людини: клієнт у будь-який момент пише «з’єднайте мене з консультантом» і потрапляє в чергу. Накручування containment rate через ускладнення цього переходу не лише неетичне — при обслуговуванні споживача наражає магазин на звинувачення у введенні в оману.
Що вимірювати#
ШІ в e-commerce підвищує продажі опосередковано — через краще обслуговування і точніший підбір. Тому ми не вимірюємо «зростання продажів завдяки ШІ» як одне число (на нього впливає надто багато чинників), а тверді опосередковані показники:
- Containment rate — частка розмов, закритих ботом без консультанта. Зростає разом з якістю бази знань.
- Handoff rate і час до людини — скільки розмов потрапляє в чергу і як швидко клієнт з’єднується з консультантом.
- Час обробки звернення — від запиту до вирішення; тут ШІ скорочує найбільше на повторюваних справах.
- CTR і конверсія на описах, згенерованих ШІ — порівняні в A/B-тесті з описами, написаними вручну, а не задекларовані наперед.
- Вплив на повернення — чи кращі, узгоджені описи та передпродажне обслуговування знижують частку повернень «бо не таке, як я думав».
Кожен із цих показників читаємо з реального трафіку, на контрольній вибірці. Чесна послідовність така: спершу виміряти поточний стан (baseline), потім впровадження на вузькому обсязі, потім порівняння — а не обіцянка відсотка в комерційній пропозиції.
AI Act і GDPR в e-commerce#
Інтернет-магазин обробляє чутливі дані при кожній транзакції: адреси, дані для рахунку, історію покупок, а часто номери карток (зазвичай на боці платіжного оператора). Усе це PII, тому ми проєктуємо обслуговування так, щоб ці дані не витікали до зовнішніх моделей.
- Маскування PII перед хмарою. Перш ніж щось потрапить до хмарної моделі, персональні дані виявляються і замінюються токенами (наприклад, номер замовлення чи адресу замінюємо на placeholder), а відповідь склеюємо назад локально.
- Локальні ембедінги та резидентність даних. Подібність товарів і пошук обчислюють ембедінги BGE-M3 у власній інфраструктурі — дані клієнтів не покидають ваше середовище. Це свідомий вибір резидентності даних, а не побічний ефект.
- Обов’язок розкриття бота. Від 2 серпня 2026 року клієнт мусить знати, що спілкується з системою ШІ, перш ніж подасть будь-які дані. Чат обслуговування представляється як автоматичний — видавати бота за людину прямо заборонено. Деталі обов’язків компаній збирає стаття AI Act і GDPR 2026.
Саме обслуговування клієнтів і рекомендації в магазині зазвичай не є системою високого ризику в розумінні AI Act — але обов’язки прозорості (розкриття бота), нагляду людини над незворотними діями та GDPR діють незалежно від класифікації. Класифікацію конкретного впровадження варто підтвердити з юристом.
Чого ШІ не зробить#
Не вигадає за вас стратегію, не замінить якісне фото товару і не виправить слабку пропозицію. Розвантажує від рутинної роботи та підвищує точність — але основи магазину (асортимент, ціни, логістика) залишаються за людиною.
Спробуйте наживо#
Ядро обслуговування та контенту працює на ваших даних. Вставте опис і подивіться резюме з нашого сендбоксу (плейграунд: PII маскуються, нульова ретенція):
FAQ#
Чи реально ШІ в e-commerce підвищує продажі?#
Опосередковано, через два важелі: краще обслуговування (швидші, узгоджені відповіді 24/7 зменшують відмови та повернення) та кращий підбір (пріоритети та рекомендації потрапляють у клієнта). Це не магія для конверсії, а розвантаження команди та вища точність там, де сьогодні — плоский список і черга звернень.
Чи безпечні дані клієнтів?#
Так. Ембедінги та пошук тримаємо локально, а PII маскуємо перед відправленням у хмару. Дані замовлень і клієнтів не виходять за межі вашої інфраструктури — це свідомий вибір резидентності даних, відповідно до GDPR.
З чого почати в магазині?#
З обслуговування клієнтів на базі ваших даних про товари — це найшвидший вимірюваний результат (менше звернень до команди, швидші відповіді). Конкретно: вузький обсяг (статус замовлення, наявність, правила повернення), пілот на 4-6 тижнів, baseline, виміряний перед стартом. Лише потім додається підбір (покинуті кошики, рекомендації) і генерація контенту. Готовність організації оцінить інструмент оцінка готовності.
Скільки це коштує?#
Залежить від обсягу та масштабу. Обслуговування на базі знань при локальній моделі — це передусім вартість інфраструктури та впровадження, без оплати за розмову; генерація описів додається як окремий модуль. Ми не наводимо однієї суми без контексту — реальний кошторис для вашого обсягу та асортименту порахує калькулятор ROI, а вартість інференсу калькулятор inference. Відправною точкою завжди є вузький, вимірюваний пілот, а не впровадження всього одразу.
Як виміряти, чи це працює?#
На реальному трафіку, з контрольною вибіркою. Спершу baseline (containment, час обробки, частка повернень, конверсія на описах), потім впровадження на вузькому обсязі, потім A/B-порівняння. Продажі зростають опосередковано, тому ми не приписуємо їх усі ШІ — дивимося на опосередковані показники, які реально контролюємо: скільки розмов бот закриває сам, як швидко справа потрапляє до людини і чи кращі описи підвищують CTR та знижують повернення.