Агенты для динамического ценообразования: что это меняет в рознице

Динамическое ценообразование в рознице существует давно: авиакомпании и маркетплейсы меняют цены по расписанию и по спросу с 2000-х. Новое — попытка отдать часть решений LLM-агенту¹, который не просто применяет заданную формулу, а сам собирает контекст (остатки, цены конкурентов, промо, погоду, календарь), рассуждает и предлагает новую цену. Ниже — как устроен такой контур, чем он отличается от классических движков и почему полностью автономным его сегодня не делает почти никто.

Важная оговорка: я не привожу метрики конкретной компании, потому что проверяемых публичных данных по внутренним внедрениям у меня нет. Любые «плюс 8% к марже» в презентациях без раскрытия методики читайте как маркетинг, а не как факт.

Что вообще делает ценовой агент

Классический движок динамических цен работает на правилах и моделях эластичности: «если остаток меньше N и до конца сезона меньше M дней — снижай на X%». Он быстрый, предсказуемый и полностью детерминированный. Его слабость — он не понимает контекста, которого нет в его признаках.

Агентная надстройка добавляет к этому слой рассуждения и работу с инструментами. Упрощённо цикл выглядит так:

1. Агент получает задачу по SKU или категории: «пересмотреть цену с учётом текущей ситуации».
2. Через инструменты (вызовы функций) он тянет данные: остатки, себестоимость, цены конкурентов, историю продаж, активные промо.
3. Модель формулирует гипотезу: например, конкурент опустил цену на аналог, спрос эластичный, склад переполнен.
4. Агент предлагает новую цену и обоснование в тексте.
5. Решение проходит через жёсткие ограничения (guardrails): не ниже себестоимости, не выше юридического потолка, не чаще N раз в сутки.
6. Дальше — либо автопубликация в разрешённом коридоре, либо очередь на подтверждение человеком.

Ключевое отличие от чистого LLM-чата: агент не «придумывает» цену из головы. Число почти всегда считает детерминированная логика, а модель отвечает за то, какой сценарий выбрать и как объяснить решение. Отдавать саму арифметику галлюцинирующей модели — быстрый способ выставить телевизор за 3 рубля.

Агент в ценообразовании ценен не тем, что считает цену, а тем, что решает, какое из правил сейчас применить и почему. Арифметику оставьте коду.

Чем это отличается от того, что было

Проблема старых движков — их дорого адаптировать под новую ситуацию: каждое исключение превращается в новое правило, и через год их тысячи. Агент теоретически гибче: он читает контекст на естественном языке и объясняет решение словами, что упрощает аудит. Плата за это — недетерминированность, задержка на вызов модели и стоимость токенов на каждое решение.

На практике это не «или-или»: агент чаще становится верхним слоем над существующим движком, а не заменой ему. Правила и модель эластичности остаются страховкой и источником базовой цены.

Где проходит граница автономии

Полностью автономная смена цен без человека — зона повышенного риска сразу по нескольким причинам.

• Ценовые войны. Если два ритейлера гонят цену вниз в ответ друг на друга, автоматика может обрушить маржу за часы. Нужны нижние границы и cooldown между изменениями.
• Право. Персонализированные цены по профилю покупателя — юридически скользкая тема во многих юрисдикциях, а согласованное с конкурентами ценообразование прямо запрещено антимонопольным законодательством. Технический контур не должен даже теоретически подталкивать к сговору.
• Репутация. Скачок цены на товары первой необходимости в момент ажиотажа читается как спекуляция, даже если это сделал алгоритм.
• Ошибки данных. Сбой парсера цен конкурента или битый прайс-фид — и агент действует на мусоре. Отсюда правило: перед изменением проверять свежесть и правдоподобность входных данных.

Кому это пригодится

• Крупному онлайн-ритейлу с широким ассортиментом, где ручной пересмотр десятков тысяч SKU невозможен, а контекст меняется быстро.
• Категориям с высокой эластичностью и активными конкурентами — электроника, товары повседневного спроса, где реакция на чужую цену критична.
• Командам, которым нужна объяснимость: текстовое обоснование каждого решения проще показать закупщику и аудитору, чем веса ML-модели.

Кому не пригодится

• Малому бизнесу с сотней позиций — здесь связка «таблица + пара правил» дешевле и надёжнее, а расходы на инфраструктуру агента не окупятся.
• Регулируемым категориям с фиксированными или предельными ценами (отдельные лекарства, социально значимые товары) — простор для «динамики» минимальный.
• Товарам с редкими продажами, где нет данных для осмысленного решения и любой контекст — шум.

С чего начинать, если хотите попробовать

1. Возьмите одну категорию с быстрым откликом на цену и хорошими данными.
2. Запустите агента в режиме советника: он предлагает цену и обоснование, публикует человек.
3. Зафиксируйте guardrails до первого запуска — коридор цен, частоту изменений, минимальную маржу.
4. Сравните решения агента с текущим движком на исторических данных, прежде чем пускать в прод.
5. Логируйте каждое решение с обоснованием — это ваша защита при разборе спорной цены.

Технология здесь моложе хайпа вокруг неё. Разумный сценарий на сегодня — агент как ассистент закупщика и слой поверх проверенного движка, а не самостоятельный распорядитель ценами. Реальную экономику считайте на своих данных: чужие проценты из презентаций к вашему ассортименту отношения не имеют.

¹ Агент — программа на основе языковой модели, которая не просто отвечает на запрос, а в цикле вызывает внешние инструменты (получает данные, выполняет действия), оценивает результат и делает следующий шаг для достижения поставленной цели.