ИИ в ритейле и на производстве: кейсы 2026 с цифрами

В 2026 году разговоры о «пилотах искусственного интеллекта» в ритейле и промышленности окончательно сменились отчётами о деньгах. Крупнейшие российские компании перестали показывать красивые демо и начали считать эффект: сколько добавила операционной прибыли нейросеть, сколько сотрудников реально пользуется ИИ-ассистентом, на сколько процентов выросла точность поставок. Именно эти цифры, а не пресс-релизы о «внедрении инноваций», показывают, где ИИ уже работает как рабочий инструмент, а где остаётся экспериментом.

Ниже — пять разобранных кейсов с конкретными показателями: торговая сеть X5 с её миллиардами рублей дополнительной прибыли и десятками тысяч сотрудников в CoPilot, металлургический комбинат ЕВРАЗ НТМК с видеоаналитикой доменных печей, «ВкусВилл» с внутренней фабрикой ИИ-проектов, «Лента Тех» с миллионом цифровых клонов клиентов и СКБ Контур, поднявший точность поставок в ритейле на 20%. Каждый кейс — это не история успеха ради истории, а набор решений, которые можно спроецировать на собственный бизнес.

Рынок ИИ в ритейле и производстве: что изменилось к 2026 году

Главное изменение последних двух лет — смещение фокуса с «внедрить ИИ» на «доказать эффект». Если в 2023–2024 годах компании гордились самим фактом запуска нейросети, то в 2026 году совет директоров спрашивает про конкретные метрики: сколько сэкономили, на сколько ускорились, какой процент сотрудников пользуется инструментом каждый день. Кейсы ниже — ценны именно тем, что в них есть эти цифры.

Вторая тенденция — ИИ перестал быть проектом отдельного департамента. В ритейле он встроен в прогноз спроса, ассортимент, логистику и обслуживание покупателей; на производстве — в контроль качества, обслуживание оборудования и управление режимами агрегатов. И третье: компании начали массово создавать внутренние платформы и «фабрики» ИИ-проектов, чтобы не зависеть от внешних подрядчиков и накапливать собственные данные и модели.

Ниже — пять кейсов, которые иллюстрируют разные грани этой зрелости: от корпоративного ассистента, которым пользуются десятки тысяч людей, до видеоаналитики на доменной печи и цифровых двойников покупателей.

X5: 5 млрд ₽ прибыли и 32 тыс. сотрудников в CoPilot

X5 Group — самый масштабный по цифрам российский кейс применения ИИ в ритейле. По итогам 2025 года компания оценила дополнительную операционную прибыль от использования искусственного интеллекта примерно в 5 млрд рублей. Эта сумма складывается не из одного «умного» сервиса, а из десятков моделей: прогнозирование спроса и поставок, оптимизация ассортимента и полки, персонализация предложений, логистика и ценообразование.

Технологическим ядром служит платформа AI Core, на которой работают как готовые модели, так и решения, созданные внутри компании. Ключевой элемент — корпоративный ассистент CoPilot X5. Им пользуются около 32 тыс. сотрудников, а 21 тыс. из них — регулярно, то есть ассистент стал повседневным рабочим инструментом, а не экспериментом для энтузиастов. Это важный показатель: именно регулярность использования отличает реальное внедрение от формального.

Отдельного внимания заслуживает модель масштабирования. X5 не стала строить всё централизованно силами одного большого отдела data science, а дала сотрудникам возможность создавать собственных ИИ-агентов. Результат — 2,3 тыс. агентов, разработанных сотрудниками, и около 150 тыс. обработанных запросов. Такой подход превращает ИИ из «продукта от ИТ» в навык, доступный бизнес-подразделениям.

Вывод для остальных: если у вас несколько тысяч сотрудников и разрозненные процессы, ставку стоит делать не на один «супер-ИИ», а на платформу и на массовое обучение людей создавать агентов под свои задачи.

ЕВРАЗ НТМК: видеоаналитика доменных печей

Если X5 — это история про масштаб и людей, то ЕВРАЗ НТМК (Новокузнецкий металлургический комбинат) — история про «сложное железо». В ноябре 2026 года компания рассказала о применении видеоаналитики и оптического контроля на доменных печах. Доменная печь — агрегат непрерывного действия с экстремальными температурами, и любая внеплановая остановка стоит огромных денег. Поэтому контроль состояния печи в реальном времени — критичная задача.

Классическая проблема металлургии — человек не может круглосуточно смотреть на одни и те же технологические окна и одинаково внимательно оценивать десятки параметров. Видеокамеры фиксируют изображение, а нейросеть распознаёт на нём признаки, важные для технолога: характер факела, свечение, состояние футеровки, отклонения в визуальной картине процесса. Система работает непрерывно и не устаёт.

Экономический смысл здесь тот же, что и в предиктивном обслуживании: перевести контроль из реактивного режима в проактивный. Когда отклонение только начинает проявляться, система подаёт сигнал, и технологи успевают скорректировать режим или спланировать обслуживание до аварийной остановки. Для доменного производства, где простой измеряется часами и большими суммами, даже одно предотвращённое событие может окупить пилот.

Кейс ЕВРАЗ НТМК ценен тем, что показывает: ИИ в промышленности — это не только «умные дашборды в офисе». Он встраивается в физический производственный контур, где решения принимаются на основе изображения с камеры и требуют высокой надёжности. Именно такие проекты доказывают зрелость технологии.

«ВкусВилл»: фабрика ИИ-проектов и 26 инициатив

«ВкусВилл» пошёл по пути, который можно назвать «внутренней фабрикой ИИ-проектов». Вместо того чтобы запускать один большой централизованный проект, компания выстроила систему управления ИИ-инициативами: сбор идей, отбор, пилотирование и масштабирование. В рамках этого подхода был проведён хакатон, по итогам которого к реализации отобрали 26 AI-проектов.

Такая модель хорошо подходит ритейлу с большим количеством операционных процессов: здесь много «узких» задач, каждая из которых сама по себе невелика, но вместе они дают заметный эффект. Ассортимент, ценообразование, работа с отзывами, внутренние коммуникации, поддержка сотрудников, аналитика продаж — для каждой задачи можно найти относительно быстрое ИИ-решение.

Ключевой элемент успеха — не количество идей, а система отбора и управления. Хакатон сам по себе даёт всплеск энтузиазма, но без процесса приоритизации и владельца результата проекты умирают после первой презентации. «ВкусВилл» сделал ставку именно на управляемость: идеи проходят отбор, получают ресурсы, измеряются и либо масштабируются, либо закрываются.

Урок для среднего бизнеса: не нужно ждать «правильного» большого проекта. Соберите портфель из 10–20 небольших инициатив, дайте им общий процесс управления и метрики — и вы получите поток результатов вместо одного рискованного флагмана.

«Лента Тех»: 1,5 млн цифровых клонов клиентов

«Лента Тех» — технологическое подразделение торговой сети «Лента» — реализовала один из самых необычных кейсов: создание 1,5 млн цифровых клонов клиентов на основе генеративного ИИ. Речь не идёт о «копировании людей»; цифровой клон — это синтетический профиль покупателя, который воспроизводит его поведение, предпочтения и реакции на те или иные предложения, чтобы компания могла моделировать сценарии без риска для реальных данных.

Зачем это нужно? Классическая аналитика отвечает на вопрос «что произошло». Цифровые клоны позволяют задавать вопрос «что произойдёт, если». Можно проверить гипотезу о новой акции, изменении ассортимента или ценовой политике на модели поведения покупателей и увидеть вероятный отклик до запуска в реальную сеть. Это снижает стоимость ошибок и ускоряет проверку идей.

Технологически такой проект требует двух вещей: большого объёма качественных исторических данных о покупках и зрелой инфраструктуры для генеративных моделей. Именно сочетание данных и GenAI делает возможным создание синтетических профилей, которые ведут себя статистически похоже на реальных клиентов. Без данных и без инфраструктуры клоны бесполезны.

Кейс «Ленты» показывает, что генеративный ИИ в ритейле — это не только чат-боты и генерация картинок. Он становится инструментом стратегического моделирования: компании получают «песочницу» для экспериментов с поведением покупателей. Сама по себе эта возможность открывает новый класс задач — от оптимизации промо до тестирования форматов магазинов.

СКБ Контур: точность поставок +20%

Кейс СКБ Контур ближе всего к операционной практике ритейла: компания применила ИИ для повышения точности поставок, и результат составил +20%. В рознице точность поставок — это одновременно про деньги и про полку: если товар пришёл не вовремя или не в том объёме, полка пустеет, покупатель уходит, а логистические издержки растут. Улучшение на 20% здесь означает прямую экономию и рост доступности товара.

Задача точности поставок — классическая задача прогнозирования и оптимизации. Нужно спрогнозировать спрос с учётом сезонности, акций, праздников и локальных особенностей, а затем преобразовать прогноз в план поставок с учётом сроков, остатков на складах и ограничений логистики. Нейросети и ML-модели справляются с этим лучше ручных правил именно потому, что учитывают десятки факторов одновременно.

Важная деталь: +20% — это не абстрактный «рост качества», а измеримая метрика, которую можно посчитать до и после. Такие цифры появляются только там, где заранее определён baseline и задана единая методика оценки. Этот кейс хорошо иллюстрирует принцип: ИИ-проект должен начинаться с метрики, а не с выбора модели.

Для ритейлера среднего размера это означает, что начинать стоит с узкой, но болезненной зоны — например, с точности поставок на топ-категорию.

Что общего у всех кейсов: модели внедрения

Пять кейсов выглядят очень по-разному, но за ними стоят общие принципы, которые и объясняют, почему у этих компаний получилось.

Первый принцип — данные как фундамент. X5 с миллиардами транзакций, «Лента» с историей покупок, ЕВРАЗ с изображениями процесса — везде ИИ работает на накопленных и приведённых в порядок данных. Без этого даже лучшая модель не даёт эффекта.

Второй — наличие владельца результата. Там, где у ИИ-проекта есть бизнес-заказчик и метрика, проект живёт. Там, где он «эксперимент ИТ-департамента», он умирает после пилота.

Третий — поэтапность. X5 сначала построила платформу, потом масштабировала агентов. «ВкусВилл» сначала собрал идеи, потом отобрал 26 и стал внедрять. ЕВРАЗ начал с конкретного участка — доменных печей. Никто не запускал «ИИ для всего завода» одним проектом.

Четвёртый — люди. У X5 32 тыс. сотрудников в CoPilot, у «ВкусВилла» — внутренняя культура идей, у ЕВРАЗа — технологи, которые работают с сигналами системы. ИИ усиливает подготовленных людей, а не заменяет неподготовленных.

• Начинайте с данных и метрики, а не с выбора модели;
• Назначайте владельца результата из бизнеса;
• Пилилотьте на узком участке и масштабируйте после подтверждения эффекта;
• Обучайте сотрудников пользоваться инструментом — иначе охват останется формальным;
• Стройте платформу, если планируете много сценариев, а не один.

Экономика: эффект, сроки и ROI

Сведём типовые эффекты из разобранных кейсов в ориентировочную экономику. Важно понимать: цифры ниже — не гарантия, а диапазоны, которые встречаются в реальной практике. Ваш результат зависит от качества данных, зрелости процессов и выбранного участка.

Обратите внимание на закономерность: чем ближе проект к операционным потерям (простои, брак, точность поставок), тем быстрее и проще считается ROI. Проекты «про инновации» без привязки к конкретной потере почти всегда буксуют. Поэтому при выборе первого сценария ищите не самый интересный технологически, а самый болезненный финансово участок.

Отдельная статья расходов, которую часто недооценивают, — инфраструктура. Обучение и работа моделей требуют вычислительных ресурсов, и здесь разумно не покупать собственное железо, а арендовать мощности под нагрузку. Это особенно важно на этапе пилотов, когда объём непредсказуем.

И ещё один экономический нюанс: считайте не только прямую экономию, но и предотвращённые потери. Для доменной печи это стоимость внепланового простоя, для ритейла — упущенные продажи из-за пустой полки, для ассистента — часы рутины. Часто именно «предотвращённые потери» дают основную часть ROI, хотя их сложнее заметить в отчётах.

Чек-лист перед запуском своего кейса

Прежде чем стартовать, пройдитесь по списку. Он собран из общих черт успешных кейсов выше и типичных ошибок, на которых проекты останавливаются.

• Выбран узкий участок с измеримыми потерями (простои, брак, точность поставок, рутина сотрудников);
• Зафиксирован baseline — как процесс работает сейчас, в цифрах;
• Определена целевая метрика и способ её измерения после внедрения;
• Есть владелец результата из бизнеса, а не только из ИТ;
• Проверено наличие и качество данных для выбранного сценария;
• Выбран подход под тип данных: ML для таблиц, нейросети для изображений и текста;
• Продумана инфраструктура: аренда GPU или облачных мощностей под пилот;
• Спланирован пилот длиной 4–8 недель с понятным критерием успеха;
• Заложен план масштабирования и обучения сотрудников;
• Определены риски: доступы, персональные данные, ответственность за ошибки.

Особое внимание — последнему пункту. В 2026 году компании всё чаще задают вопрос не «что умеет модель», а «кто отвечает, если она ошибётся». Без разграничения прав, режима только чтения по умолчанию, аудита и ревью человеком даже успешный технически пилот не дойдёт до продакшена.

Частые вопросы