Следующая битва в онлайн-торговле — за контроль над диалогом с покупателем

Десятилетиями покупатели искали товары в интернете одним способом: вводили в строку два-три ключевых слова, просматривали результаты, уточняли фильтры и пробовали другой запрос.

Генеративный ИИ меняет привычку. Покупатели всё чаще описывают проблему или задают вопрос и ждут, что торговая площадка предложит подходящий товар и нужную конфигурацию. Поиск в интернет-магазине становится похож на работу цифрового продавца-консультанта.

Продавцам стоит следить за этим изменением: поисковый запрос — один из редких моментов, когда покупатель своими словами сообщает магазину, что именно ему нужно. Это называют покупательским намерением. Раньше магазины не всегда использовали такую информацию, но ИИ позволяет связывать запросы с рекомендациями, наличием товаров, обслуживанием клиентов и рекламой.

Ставки растут по мере того, как покупки переходят в ChatGPT, Google AI Mode, Gemini и другие ИИ-интерфейсы. При этом торговая площадка может не участвовать в общении и даже не видеть его.

Что происходит с отношениями между магазином и покупателем, когда поиск превращается в разговор? Сохраняет ли продавец контроль над тем, как клиент находит товар? Станет ли ИИ-платформа новой витриной? Или торговля разделится на уровни: ИИ-агенты будут вести разговор, а продавцы — добиваться того, чтобы их каталоги были понятны этим системам?

От ключевых слов к намерению

Паулюс Нагис, сооснователь и директор по развитию LupaSearch — компании из Каунаса, Литва, которая разрабатывает поиск и системы обнаружения товаров с помощью ИИ, — считает, что начинать нужно с данных о товарах. Они куда менее заметны, чем чат-бот, но именно на них всё держится.

За десятилетия работы в интернете мы научились объяснять машинам, чего хотим.

Нужны кроссовки для бега — пишем «мужские кроссовки для бега». Нужна дрель — ищем «аккумуляторная дрель». Чтобы сузить поиск и найти нужную вещь, мы привыкли убирать контекст и оставлять несколько слов, которые, скорее всего, приведут к полезному результату.

По мнению Нагиса, этот подход перестаёт работать.

В интервью он рассказал, что люди переходят от ввода ключевых слов к полным вопросам и ждут ответа, а не страницы результатов, которые нужно разбирать самостоятельно. Значит, строка поиска должна отвечать на вопрос, а не только индексировать товары.

Google уже меняет поведение пользователей. По данным компании, в 2026 году блок ответов ИИ Mode набрал более миллиарда пользователей в месяц, а число запросов удваивалось и более каждый квартал с момента запуска. В обновлённом поиске Google пользователям проще описывать сложные запросы и задавать дополнительные вопросы.

Изменение заметила и Salesforce. По результатам исследования Connected Shoppers за 2025 год, 39% потребителей использовали ИИ для поиска товаров. Среди представителей поколения Z таких было больше половины.

Директор Salesforce по отраслевой аналитике Кайла Шварц сформулировала задачу так: самые эффективные материалы заранее отвечают на проблему, которую покупатель пытается решить, а не просто повторяют его поисковые слова.

Это меняет подход к подбору товара. Раньше продавцы рассчитывали, что покупатель сам знает, что ему нужно. Запрос «аккумуляторная дрель» упрощает задачу магазину. Но что, если человек спрашивает: «Что нужно, чтобы повесить полки на бетонную стену?»

Покупателю могут понадобиться дрель, сверло по камню, дюбели и шурупы, хотя он не назовёт ни одного из этих товаров. Чтобы предложить решение, системе нужно не просто сопоставить слова из запроса с описаниями товаров — она должна понять, какую задачу человек хочет выполнить.

Такой поиск больше напоминает консультацию, чем оформление заказа.

Строка поиска становится продавцом

Нагис ожидает, что поиск товаров, их подбор и обслуживание клиентов в интернет-магазинах начнут сливаться.

Покупатель может спросить о товаре, затем — есть ли он поблизости, подойдёт ли другой вариант и как оформить возврат. Сейчас для этого приходится переходить между поиском, страницами товаров, отзывами, часто задаваемыми вопросами и службой поддержки. В результате открывается множество вкладок, приходится делать новые запросы и копировать информацию, чтобы разобраться во всём самостоятельно.

По словам Нагиса, этот сценарий изменится: интернет-магазины будут строить взаимодействие вокруг вопросов и ответов, а не отдельных запросов.

Google движется в том же направлении. На конференции National Retail Federation в январе генеральный директор компании Сундар Пичаи говорил о том, как ИИ будет участвовать в поиске товаров, покупках и обслуживании клиентов. Google также работает с продавцами над торговыми агентами, которые смогут отвечать на подробные вопросы и давать персональные рекомендации.

Amazon уже проверяет такой подход на практике. По данным компании, в 2025 году её ИИ-помощником для покупок Rufus воспользовались более 300 миллионов клиентов, а дополнительные годовые продажи благодаря ему составили почти 12 миллиардов долларов. Rufus отвечает на вопросы о товарах, а функция Buy For Me позволяет покупать некоторые товары в других интернет-магазинах.

Не каждому поиску нужна большая языковая модель

ИИ может стать частью торговли, а контроль над диалогом с покупателем — важной задачей. Но за инференс нужно платить. Запуск разговорного ИИ в масштабе розничной торговли быстро становится дорогим.

Небольшой магазин может обрабатывать умеренное число запросов. Крупный международный продавец — миллионы запросов к каталогу, где сотни тысяч или миллионы товарных позиций. Нагис считает, что направлять каждый запрос напрямую в большую языковую модель экономически нецелесообразно.

По его словам, не всякая задача с ИИ требует решения на основе большой языковой модели.

LupaSearch использует более избирательный подход. Обычный поиск обрабатывает запросы, с которыми справляется быстро и эффективно. Более тяжёлые вызовы модели остаются для случаев, когда стандартные методы не помогают: например, для необычных запросов на естественном языке или поиска, который не дал полезных результатов. Затем эти взаимодействия помогают улучшать поисковую систему.

В современном поиске товаров может работать сразу несколько технологий. Семантические векторы помогают понимать синонимы, рекомендательные модели — предсказывать, что ещё может понадобиться покупателю, распознавание изображений — извлекать характеристики, которых нет в описаниях товаров, а большая языковая модель подключается, когда более дешёвые методы не справляются.

Называть это «поиском с ИИ» необязательно: покупатели задают вопросы, а продавцы хотят на них отвечать. Разговоры о технологии отодвигают на второй план практические вопросы: работает ли система, быстро ли она отвечает и сколько стоит каждый запрос?

Нагис скептически относится к расплывчатым разговорам об ИИ. В интервью он сравнил нынешний ажиотаж с эпохой доткомов, когда упоминание новейшей технологии в бизнесе порой становилось важнее объяснения того, что она делает.

Algolia тоже выбрала гибридную архитектуру. Её технология для торговли сочетает поиск по ключевым словам и семантический поиск с разговорными системами, которые используют данные продавца. В продукте Agent Studio средства контроля расходов соседствуют с возможностями ИИ-агентов — напоминание о том, что за впечатляющими демками стоят реальные операционные бюджеты.

Всё по-прежнему зависит от данных

Какой бы подход ни выбрал продавец, ему нужны качественные данные. Плохие данные и связи между ними могут сделать непонятным для разговорных помощников даже хорошо устроенный каталог.

Например, запрос «непромокаемая городская куртка для поездок на работу дешевле 200 долларов» звучит просто. Но за ним скрывается сложная задача с данными.

Надёжно ли продавец указывает, что куртка непромокаемая? Отличает ли система водоотталкивающую ткань от водонепроницаемой? Приведены ли размеры к единому формату? Знает ли она, какие цвета остались в наличии? Может ли отличить зимнюю куртку от лёгкой дождевой? Есть ли у другой ИИ-системы доступ к этой информации?

Нагис спросил, насколько хорошо каталог подготовлен к таким запросам. По его словам, структурированные данные о товарах — основа, на которой можно строить более сложные функции с ИИ.

Shopify решает эту задачу в большом масштабе. Её Catalog API превращает информацию о товарах миллионов продавцов в структурированные данные, доступные для запросов программ. Universal Commerce Protocol от Shopify, разработанный вместе с Google, задаёт стандартный способ взаимодействия агентов с продавцами — от поиска товаров до оформления сделок. В 2026 году Shopify открыла разработчикам доступ к большей части своей инфраструктуры торговли с агентами, в том числе через общедоступную точку доступа Model Context Protocol.

В сентябре Algolia выпустила собственный сервер MCP. Он связывает системы вроде ChatGPT, Claude и Gemini с актуальной информацией о товарах, включая наличие, цены и правила продвижения.

Наличие товара важно и для компаний, которые добиваются видимости своих позиций в поиске, даже если те распроданы. Такой подход может работать в мире, где поисковой оптимизацией управляют сами продавцы, но он мешает, когда агенты пытаются сопоставить покупателя с конкретным намерением и товаром, который можно купить прямо сейчас.

Представим, что мне нужен компьютер с определённым объёмом памяти, но в поиске постоянно показываются отсутствующие в продаже модели. Сейчас я могу открыть Amazon, затем Micro Center и Newegg, снова вводить примерно тот же запрос и сравнивать результаты во вкладках.

Другой вариант — попросить ИИ-помощника проверить каталоги участвующих продавцов. Я один раз описываю компьютер, а агент выясняет, у кого он действительно есть, сколько стоит и на каких условиях его доставят. В таком сценарии видимость магазина в поиске значит меньше, а качество и доступность данных, на которых он основан, — гораздо больше.

Здесь продавцы могут потерять контроль.

Покупатель может попросить Google AI Mode или ChatGPT найти «непромокаемую городскую куртку для поездок на работу дешевле 200 долларов с доставкой до пятницы».

Ассистент решит, какие бренды показать, к каким продавцам обратиться и какие товары попадут в итоговую подборку — с учётом наличия и бюджета покупателя. Человеку не придётся заходить на десять сайтов и отсеивать варианты, которых нет в продаже.

Ситуацию усложняет реклама. Продавцы знают, что намерение покупателя — ценная информация. Рекламодатели хотят использовать её, платя ИИ-компаниям и поисковым сервисам за продвижение своих предложений.

Крупнейшие ИИ-платформы уже движутся в эту сторону. Google тестирует рекламу в ИИ Mode: Gemini подбирает спонсируемые товары и объяснения, соответствующие вопросу покупателя. OpenAI пошла дальше — запустила рекламу в ChatGPT и разрабатывает платформу самообслуживания для рекламодателей с оплатой за клик.

Возникает вопрос, что именно должен увидеть покупатель в ответе: лучший вариант или спонсируемый товар? ИИ может принимать это решение с учётом гораздо большего контекста, чем традиционная реклама по ключевым словам. Когда ассистент одновременно становится поисковиком, продавцом и рекламным каналом, граница между ответом на вопрос и монетизацией намерения покупателя приобретает особое значение.

Нагис не считает, что сайты продавцов из-за этого исчезнут. Он приводит в пример Google Shopping: агрегаторы усилились, но магазины остались частью сделки.

По его мнению, продавцам нужна инфраструктура, которая позволит обслуживать покупателей независимо от того, откуда поступил запрос.

Говоря о LupaSearch, Нагис объяснил, что компания не стремится создать агента, с которым будет общаться покупатель. Её задача — сделать каталог продавца понятным любому агенту, который появится.

Этим агентом может быть собственный интерфейс поиска LupaSearch, Google, чат в ChatGPT или диалог в ИИ Mode. Точка входа становится менее предсказуемой, поэтому интернет-магазинам и продавцам нужно подготовиться к новой ситуации.