AI-агенты в e-commerce: что реально меняют в конверсии

Что произошло

В 2024–2025 годах крупные платформы электронной коммерции начали подключать не обычные скриптовые чат-боты, а AI-агентов* — программы на базе больших языковых моделей, которые умеют не только отвечать текстом, но и выполнять действия: искать товар в каталоге, проверять остатки, оформлять возврат, применять промокод. Shopify встроил в админку ассистента Sidekick, Amazon запустил покупательского помощника Rufus в приложении, а десятки магазинов среднего размера собирают своих агентов на API от OpenAI, Anthropic и Google.

Обещание звучит заманчиво: агент проводит покупателя от вопроса «а подойдёт ли мне это» до нажатия «оплатить» без оператора. Но между демо на конференции и реальным ростом конверсии лежит много подводных камней. Разберём, что действительно измеримо меняется, а что остаётся маркетингом.

*AI-агент — программа, которая на основе языковой модели не просто генерирует текст, а вызывает внешние функции (поиск по каталогу, запрос к складу, оформление заказа) и принимает решения о последовательности шагов сама, а не по жёсткому сценарию.

Чем агент отличается от старого чат-бота

Классический чат-бот работает по дереву сценариев: кнопка «где мой заказ» ведёт к форме ввода номера, «вернуть товар» — к инструкции. Шаг влево от сценария — и бот отвечает «я вас не понял». Агент устроен иначе: он понимает формулировку на естественном языке («заказ пришёл, но кроссовки жмут, что делать») и сам решает, какие инструменты вызвать — проверить статус доставки, найти политику возврата, предложить обмен на размер.

Ключевое отличие для бизнеса — агент закрывает вопросы, под которые никто не рисовал отдельную ветку сценария. По внутренним оценкам магазинов такие «нестандартные» обращения составляли большую долю тех, что раньше уходили живым операторам или обрывались.

Агент не увеличивает конверсию сам по себе. Он снимает трение в тех точках воронки, где покупатель раньше уходил, не получив быстрого ответа. Если трения в этих точках не было — не будет и прироста.

Где конверсия действительно растёт

Прирост случается не там, где агент «умный», а там, где он убирает паузу между вопросом и ответом. Основные сценарии:

• Подбор товара по расплывчатому запросу. Покупатель не знает точного названия («нужен подарок папе-рыбаку до 5 тысяч»), а агент фильтрует каталог и предлагает три варианта. Здесь агент заменяет утомительную ручную навигацию.
• Снятие возражений на карточке товара. Вопросы про совместимость, состав, гарантию — то, из-за чего корзина бросается. Мгновенный точный ответ удерживает покупателя в моменте решения.
• Дожатие брошенной корзины. Агент в чате уточняет, что мешает оформить заказ, и решает проблему (нашёл промокод, объяснил сроки доставки).
• Постпродажное обслуживание. Возвраты и статусы заказов не влияют на конверсию напрямую, но снижают нагрузку на поддержку и повышают повторные покупки.

Важно: любой заявленный «рост конверсии на X процентов» стоит воспринимать критически. Такие цифры обычно приводят вендоры решений в собственных кейсах, без независимого A/B-теста и без раскрытия базы сравнения. Если вам называют процент — спрашивайте, с чем сравнивали и на какой выборке.

Сравнение готовых решений

Три типовых пути внедрения — от коробочного до самостоятельного. Возможности и цены меняются, актуальные тарифы сверяйте на сайтах вендоров.

Сколько это стоит

У коробочных ассистентов стоимость зашита в тариф платформы или идёт как отдельная подписка. У SaaS-решений — помесячная плата плюс часто оплата за количество диалогов. У собственного агента расходы складываются из оплаты API по токенам (чем длиннее контекстное окно** и чем больше диалогов, тем дороже) и работы команды. Конкретные цифры за месяцы устаревают, поэтому считайте по актуальным прайсам вендоров под свой объём обращений.

**Контекстное окно — максимальный объём текста (запрос плюс история диалога плюс данные о товарах), который модель обрабатывает за один вызов. Чем больше вы передаёте агенту в запрос, тем дороже каждый ответ.

Кому это пригодится, а кому нет

Пригодится, если:

• у вас большой или сложный каталог, где покупателю трудно найти нужное вручную;
• значительная доля обращений в поддержку — однотипные вопросы про размеры, совместимость, сроки;
• вы теряете покупателей на этапе «есть вопрос — некому ответить», особенно ночью и в выходные;
• у вас есть аналитика воронки и вы способны замерить эффект A/B-тестом, а не «на глаз».

Скорее не пригодится, если:

• каталог маленький и понятный — покупатель и так находит товар за два клика;
• основной трафик уходит из-за цены или сроков доставки, а не из-за нехватки информации;
• нет данных для агента: если склад и цены живут в таблицах без API, агент будет врать про наличие;
• вы не готовы контролировать ответы — языковая модель может уверенно сообщить неверный факт о товаре, и это репутационный риск.

Главный риск — галлюцинации в продажах

Агент, подключённый к каталогу, отвечает точно ровно настолько, насколько точны данные, которые он получает. Если модель отвечает «из головы», а не из проверенного источника, покупателю можно пообещать несуществующую скидку или неверную характеристику. Отсюда стандарт индустрии — подход RAG***, когда агент отвечает только на основе подтянутых из базы данных о конкретном товаре, а не на основе общих знаний модели.

***RAG (retrieval-augmented generation) — схема, при которой перед ответом система находит релевантные данные в вашей базе (описания товаров, остатки, политику возврата) и передаёт их модели, чтобы та отвечала по фактам, а не выдумывала.

AI-агент — это не кнопка «сделать конверсию выше», а инструмент, который окупается только там, где у вас есть измеримое трение в воронке и данные, чтобы этот эффект замерить. Начинать разумно с одного узкого сценария, поставить A/B-тест и лишь потом масштабировать.