Amazon запустила ШІ-асистента Rufus для покупок у лютому 2024 року, і за два роки він перетворився з експериментальної фічі на канал, який аналітики пов'язують із сотнями мільйонів доларів додаткового продажу щорічно. За даними Adweek, редакція розібрала шість подібних кейсів серед великих рітейл-мереж — від маркетплейсів до продуктових доставок — і показала, як конкретно розмовні асистенти перетворюють браузинг на покупку.

Це не той AI-хайп, де компанія показує демо і мовчить про цифри. Рітейлери публічно звітують про conversion rate у чатах, розмір середнього чека після взаємодії з асистентом і частку повернень, яку вдалося скоротити завдяки точнішим рекомендаціям розміру та кольору. Для індустрії, що роками експериментувала з чат-ботами без відчутного ROI, це перший клас продуктів, який рітейл-директори готові фінансувати з бюджету продажів, а не маркетингу.

Питання для будь-кого, хто будує AI-продукти для e-commerce, тепер не «чи працює conversational commerce», а «яка архітектура і які дані потрібні, щоб він працював саме у вас».

Які асистенти потрапили в огляд Adweek?

Adweek розібрав шість кейсів, які показують різні підходи до одного завдання — довести покупця від запиту до кошика без зайвих кліків.

• Amazon Rufus — вбудований у застосунок асистент, що відповідає на запити на кшталт «які кросівки підійдуть для трейлраннінгу взимку» і одразу формує добірку товарів з карток.
• Walmart Sparky — фокусується на списках покупок і повторних замовленнях, поєднуючи розмовний інтерфейс із історією купівель конкретного клієнта.
• Instacart — асистент для планування прийомів їжі, який автоматично збирає кошик з інгредієнтів під обраний рецепт.
• eBay — використовує ШІ для розпізнавання товару за фото і підбору схожих лотів від інших продавців.
• Target — впровадив стильового асистента, що комбінує товари в готові образи на основі вже обраних покупок клієнта.
• Saks — тестує персонального шопінг-консультанта преміумсегмента, який імітує роботу живого стиліста в магазині.

Як саме розмова перетворюється на продаж?

Механіка у всіх шести кейсів однакова: асистент скорочує кількість кроків між наміром купити і оплатою, а не просто «спілкується» з покупцем.

Класичний пошук на сайті рітейлера змушує покупця самостійно перекладати нечіткий намір («щось на подарунок мамі до 50 доларів») у фільтри категорій, ціни та бренду. Розмовний асистент бере цю роботу на себе: він тримає контекст сесії, уточнює деталі одним питанням і одразу повертає готовий шорт-лист із двох-трьох варіантів замість сторінки з сотнею SKU. Коротший шлях до рішення означає менше покинутих кошиків.

Другий ефект — персоналізація в реальному часі. Асистент, який бачить історію замовлень і вподобання конкретного акаунта, одразу виключає нерелевантні варіанти — розмір, алергени, бренди, яких клієнт уникає, — тоді як традиційна пошукова видача цього не робить. Третій, менш очевидний ефект — зниження відсотка повернень: коли асистент точніше підбирає розмір одягу чи сумісність запчастини, менше товарів повертається, а це прямо впливає на маржинальність продажу, а не лише на факт його здійснення.

Що з цього брати AI-білдерам, які ще не впровадили такого асистента?

Головний практичний висновок — вартість входу в цю категорію впала до рівня, де питання не «чи можемо ми собі це дозволити», а «чи структуровані наші дані про товар так, щоб LLM міг ними коректно скористатися».

• Каталог товарів має бути доступний у форматі, придатному для retrieval — не лише HTML-сторінка, а структурований feed з атрибутами (розмір, сумісність, наявність), який асистент може запитати в реальному часі.
• Потрібен окремий шар модерації відповідей: асистент, що обіцяє знижку чи характеристику товару, яких немає, створює юридичний і репутаційний ризик швидше, ніж будь-яка інша фіча вебсайту.
• Метрику варто рахувати не в кліках на бот, а в conversion rate сесій з асистентом проти сесій без нього — і аналогічно для average order value.
• Checkout має бути безшовним: якщо асистент підбирає товар, а оплата вимагає виходу з чату в окремий флоу, більшість виграшу в conversion губиться саме там.

Висновок AiiN

Ключова теза, яку варто винести з цього огляду: ШІ-шопінг-асистенти перестали бути маркетинговою фічею і стали каналом продажів зі своєю власною логікою окупності — тому рітейлери, які досі мислять про них як про «чатбот на сайті», рахують неправильну метрику. Наступна хвиля конкуренції розгорнеться не навколо того, хто першим запустить асистента, а навколо того, чий товарний фід і чия логіка checkout дозволяють зовнішнім агентам (ChatGPT, Perplexity, Gemini) купувати напряму — тобто хто раніше адаптується до agentic commerce, де покупець може взагалі ніколи не відкрити сайт рітейлера.

Чи справді ШІ-асистенти підвищують продажі, чи це просто новий інтерфейс пошуку?

Обидва твердження вірні одночасно: асистент — це новий інтерфейс, але він змінює саму поведінку покупця, скорочуючи кількість переглянутих сторінок до покупки. Це вимірювано підвищує conversion rate і середній чек, а не лише дає «відчуття зручності», про яке зазвичай говорять у маркетингових матеріалах.

Чи потрібен великий бюджет, щоб запустити подібного асистента для малого чи середнього рітейлера?

Ні — базову версію можна побудувати на готовій LLM з retrieval-шаром над власним каталогом за відносно скромний бюджет. Основна вартість і складність зростають не на етапі самої розмовної моделі, а при інтеграції з checkout, складом і CRM, де без грамотного впровадження і губиться більшість потенційного приросту продажів.