Пример диалога с ИИ-агентом в приложении Яндекс Маркета
От персонального поиска до агентской торговли: как ИИ меняет фешен-ритейл в 2026 году
Почти четверть покупателей ищет одежду с помощью генеративных нейросетей и почти половина доверяет их рекомендациям больше, чем рекламе. Разбираемся, как ИИ-технологии меняют фешен-индустрию и что мешает масштабированию.
17 апреля 2026 г.
15 минут чтения
Краткий пересказ YandexGPT
- Генеративные чат-боты стали массовым явлением в конце 2022 года и кардинально изменили подход к покупкам в фешен-индустрии. За последние два года число запросов на ИИ-платформах, связанных с покупками, выросло на 4700%.
- 41% покупателей доверяет рекомендациям нейросетей больше, чем традиционной рекламе. Почти 25% потребителей используют генеративные модели как основную точку входа при шопинге; трафик из популярных ИИ-платформ на сайты ритейлеров вырос на 700% за год.
- Российские и международные бренды применяют LLM в дизайне, контенте, аналитике и операционных процессах (так, Яндекс Маркет запустил ИИ-агента на базе Alice AI, Lamoda создала систему для стайлинга, американский ритейлер Target интегрировал покупки в интерфейс ChatGPT).
- Виртуальная примерка с использованием генеративного ИИ снижает возвраты на 64% и увеличивает продажи до 40%; 61% потребителей чаще совершают покупки у брендов с виртуальной примеркой.
- Генеративный ИИ меняет подход к созданию контента в фешен-индустрии: более 35% менеджеров фешен-компаний уже используют ИИ для создания визуального контента и описаний — это позволяет экономить до 90% затрат и значительно ускорять вывод новых позиций на сайт.
- Аналитические платформы на базе ИИ (например, Yandex DataLens) позволяют существенно ускорить подготовку отчётности и сделать аналитику доступным инструментом для широкого круга сотрудников.
- ИИ-агенты уже умеют исследовать товары на нескольких сайтах, сравнивать цены, отслеживать наличие и организовывать возвраты; в будущем они смогут самостоятельно оформлять заказы.
- Облачная инфраструктура может помочь преодолеть некоторые барьеры для внедрения ИИ, так как позволяет начать с ограниченным бюджетом и масштабировать проект по мере роста.
Генеративные чат-боты стали массовым явлением в конце 2022 года, привлекая миллионы пользователей за считаные дни. Для фешен-индустрии это стало началом фундаментального сдвига в том, как люди ищут и покупают одежду.
По данным State of Fashion 2026, за последние два года число запросов на ИИ-платформах, связанных с покупками, выросло на 4700%. А 41% покупателей доверяет рекомендациям нейросетей больше, чем традиционной рекламе.
Но изменения касаются не только клиентского опыта. Согласно оценке McKinsey & Company, генеративный ИИ способен принести фешен-индустрии до 275 млрд долларов дополнительной прибыли в год за счёт оптимизации ключевых процессов: создании контента, аналитике и прогнозировании спроса.
Рассказываем, как российские и международные бренды уже применяют LLM в дизайне, контенте, аналитике и операционных процессах, какие результаты получают и какие встречают барьеры на пути.
Персонализация: от поиска к диалогу
Самое заметное изменение последних двух лет — то, как люди стали искать товары. Если раньше покупатель вводил в строку поиска «красная куртка» или название бренда, то теперь он пишет, например, так: «нужна куртка для свидания в холодную погоду, чтобы можно было надеть и на работу». Разница принципиальная.
Почти 25% потребителей используют генеративные модели как основную точку входа при шопинге. Трафик из популярных ИИ-платформ на сайты ритейлеров вырос на 700% за год. Для брендов это означает смену парадигмы: наряду с SEO теперь важна GEO — Generative Engine Optimization, оптимизация контента для ответов генеративных моделей.
Яндекс Маркет одним из первых в России запустил ИИ-агента, работающего на базе Alice AI: покупатель может описать, что ищет, — и получить персональную подборку. Агент запоминает контекст разговора и учитывает предыдущие запросы. В отличие от ИИ-ассистентов, он умеет задавать пользователю встречные вопросы, проявлять инициативу и предлагать конкретные пути решения задач.
На российском рынке активно развивается и другое направление — комплексные ИИ-экосистемы для стайлинга. Так, Lamoda создала систему, которая сочетает сразу несколько инструментов: чат-бот на основе языковой модели помогает подобрать образ во время диалога, поиск по фотографии находит похожие вещи, а онлайн-гардероб сохраняет уже купленные вещи и предлагает к ним дополнения.
В мире этот тренд развивается ещё быстрее. Американский ритейлер Target интегрировал покупки прямо в интерфейс ChatGPT — пользователь может добавить понравившуюся вещь в корзину, не покидая диалог. DressX Agent предлагает персонализированные подборки через цифровые аватары, охватывая более 200 модных брендов. А Perplexity учится на паттернах: если пользователь искал минималистичные кроссовки для марафона, при следующем запросе про сумку система приоритезирует простые, функциональные модели.
Alice AI — это семейство генеративных моделей: языковые — для диалога и анализа текста, мультимодальные — для работы с изображениями и видео, плюс модель генерации визуального контента. Вместе они закрывают конкретные сценарии в фешен-ритейле: чат-консультант на сайте поможет определиться с размером и стилем, предложит товары по описанию потребности — «что надеть на деловой ужин?» вместо перебора фильтров — и сделает путь покупателя более интуитивным. При этом ритейлеру не нужно строить нейросеть с нуля — это задача для суперкластеров с сотнями ускорителей. Через API и Yandex AI Studio можно взять базовую модель и адаптировать её под свои данные: ассортимент, складские остатки, правила возврата, лексику бренда. Методы вроде LoRA позволяют обучить адаптеры поверх большой модели — в десятки раз дешевле полного обучения. А если нужно не только отвечать на вопросы, но и выполнять действия, например проверять наличие размера, начислять бонусы или оформлять заказ, модель расширяется через навыки и интеграции с CRM и ERP.
Виртуальная примерка не выходя из дома
Виртуальная примерка существует уже несколько лет, но долгое время она выглядела скорее как маркетинговый трюк: результат был неточным, а реалистичность оставляла желать лучшего. Генеративный ИИ изменил это кардинально.
Современные системы создают фотореалистичное изображение за 10–15 секунд. Они учитывают позу, освещение, фактуру ткани и пропорции тела. Бизнес-эффект оказался значительным: по данным ритейлеров, внедрение виртуальной примерки снижает возвраты на 64% и увеличивает продажи до 40%. К тому же, согласно исследованию, 61% потребителей чаще совершают покупки у брендов, у которых есть виртуальная примерка.
Среди российских игроков виртуальная примерка стала массовым инструментом. Wildberries открыл её для широкой аудитории подписчиков: система учитывает форму тела, освещение и перспективу, стремясь дать максимально достоверное представление о посадке вещи. ЦУМ интегрировал Dresscode.ai— платформу на базе ИИ, обученную на тысячах анатомических типов и сотнях тысяч предметов одежды. Яндекс Маркет запустил виртуальную примерку для сервиса Ultima — технология доступна почти для всех товаров раздела, за исключением нижнего белья, купальников, обуви и аксессуаров.
Виртуальная примерка в приложении Яндекс Маркета
В мире показательна история Zalando. Компания начала эксперименты с виртуальной примеркой ещё в 2018 году, когда технологии были дорогими и несовершенными, и к 2023 году тесты показали снижение возвратов на 40%. Параллельно Prada использует AR-примерку для очков, а Sephora с помощью технологии ModiFace даёт возможность виртуально нанести макияж.
Примерка макияжа, дизайн косметики и персонализация: как ИИ используют в бьюти‑индустрии
Генерация контента: фотосессия за минуту
Создание контента — одна из самых ресурсоёмких задач в фешен-индустрии. Фотосессия новой коллекции требует месяцев подготовки, команды фотографов, стилистов, моделей и студии. Генеративный ИИ начинает менять эту логику.
Более 35% менеджеров фешен-компаний уже используют ИИ для создания визуального контента и описаний. Экономия на затратах может достигать 90%, а скорость вывода новых позиций на сайт вырасти в разы.
Wildberries предложил продавцам инструмент для автоматической генерации видеообложек: из одной фотографии товара система создаёт короткое видео за минуту. Параллельно работает функция «живых фото» — статичное изображение превращается в анимацию.
Ozon предоставляет продавцам ML-инструменты для генерации описаний карточек и замены фона, а также ИИ-генерацию ответов на отзывы покупателей: система анализирует оценку, текст и эмоциональный тон отзыва, предлагая готовый вариант ответа.
В мировой практике тоже есть показательные кейсы. Так, eBay запустил инструмент Magical Listing, который автоматически генерирует описания товаров на основе фотографий — время создания листинга сократилось на 70%, а с 2024 года создано более 200 млн описаний. Платформа Project Muze — совместный эксперимент Zalando и Google — за первый месяц работы сгенерировала более 40 тыс. уникальных дизайнов на основе предпочтений пользователей. А Decathlon использует ИИ для локализации: система автоматически переводит и адаптирует описания товаров для разных рынков.
Аналитика: когда данные работают на бизнес
Фешен-ритейл генерирует много данных о продажах, остатках, возвратах, поведении покупателей, трендах. Проблема даже не в их количестве, а в том, чтобы добраться до нужной цифры — обычно это неудобно и требует много времени.
Melon Fashion Group — один из крупнейших фешен-ритейлеров России, управляющий ZARINA, Befree и другими брендами, — столкнулся именно с этой проблемой. ERP-система не позволяла формировать аналитические отчёты в том виде, в котором они нужны бизнесу. Во внутренней базе накопилось 200 ГБ данных о номенклатуре, продажах, остатках и возвратах. Команды выгружали данные в Excel и собирали документы вручную. На подготовку отчёта по оборачиваемости одного бренда аналитик тратил примерно полдня. А брендов — пять.
Команда из пяти специалистов за два месяца развернула аналитическую платформу на базе Yandex DataLens с подключением Yandex Managed Service for ClickHouse® для подготовки витрин данных и Yandex Managed Service for Apache Airflow® для оркестрации обновлений. Сначала подключили два главных массива данных — продажи и складские остатки. Затем постепенно добавляли остальные: маржу, наценки, скидки, движение денежных средств, показатели брака, бюджет закупки.
Результат оказался весомее, чем ожидалось. Сегодня тот же отчёт по оборачиваемости — теперь сразу по всем брендам — формируется за одну минуту. Скорость подготовки отчётности для руководства выросла в десять раз. При этом объём данных за последние пять лет продолжает расти, а штат аналитиков — нет: команда справляется с увеличивающейся нагрузкой с помощью новых инструментов.
Не менее важен культурный эффект. Сейчас системой пользуются более 130 сотрудников, 50 из них работают с ней ежедневно. Yandex DataLens оказался достаточно простым, чтобы им начали пользоваться сотрудники юридического департамента для подготовки ответов на претензии и IT-команда для мониторинга собственных показателей. Часть сотрудников стала самостоятельно разрабатывать дополнительные отчёты — без участия аналитиков. Следующий шаг — подключение Yandex AI Studio для автоматической подготовки ответов на судебные решения и претензии.
Ключевые результаты внедрения DataLens в Melon Group
Похожий путь прошли несколько крупных игроков. Prada выстроила систему прогнозирования трендов, которая анализирует социальные сети, тематические форумы и данные о продажах и передаёт инсайты дизайнерам до начала работы над коллекцией. После запуска система собирает обратную связь и корректирует прогнозы. Специализированная платформа Heuritech обрабатывает более 3 млн изображений в день, отслеживая более 2 тыс. атрибутов моды: от цвета и силуэта до конкретных деталей кроя. Корейский стартап Designovel пошёл ещё дальше: с помощью его ИИ-технологии полностью создаётся и управляется бренд Dali Hotel.
Кейс Melon Fashion Group хорошо показывает, как меняется роль аналитики: из инструмента для специалистов она превращается в повседневный ресурс для всей компании. DataLens собирает данные из разных источников — ClickHouse®, PostgreSQL, Яндекс Метрика — в единые дашборды, которые строятся под конкретные роли: одни нужны коммерческому директору, совсем другие — категорийному менеджеру. С появлением Нейроаналитика — ИИ-агента, встроенного в DataLens, — порог входа в аналитические процессы снижается ещё сильнее. Он понимает запросы на естественном языке и создаёт визуализации прямо в чате: можно спросить «почему упала конверсия в сегменте X?» и получить ответ без единого SQL-запроса. Но чем мощнее инструменты, тем важнее фундамент. ИИ-модель не умеет отличать хорошие данные от плохих — она учится на том, что ей дали. Дубликаты, пропуски, противоречия — и модель подстраивается под артефакты, а не под реальные закономерности. В фешен-ритейле с его тысячами SKU и сезонными пиками это прямой путь к ошибкам в прогнозах спроса и потерям маржи. Поэтому оптимальный цикл выглядит так: данные очищаются и структурируются в DataLens, передаются в ML-процессы для обучения моделей, а результаты — прогнозы, рекомендации — визуализируются обратно для принятия решений.
Агентская торговля: когда ИИ покупает за вас
Следующий шаг после персонализации — полная автономия. ИИ-агенты уже умеют исследовать товары на нескольких сайтах, сравнивать цены, отслеживать наличие и организовывать возвраты. На горизонте — самостоятельное оформление заказов.
По оценкам аналитиков, агентская коммерция может добавить к мировой торговле 3–5 трлн долларов к 2030 году при умеренном сценарии распространения.
OpenAI уже интегрировал функцию прямых покупок с Etsy, Shopify и Target: пользователь описывает запрос в ChatGPT, агент исследует варианты, задаёт уточняющие вопросы и предлагает готовое решение вплоть до оформления заказа. Google разрабатывает агента, который самостоятельно звонит в ближайшие магазины и уточняет наличие и цену — пользователю остаётся только принять решение.
Для брендов это означает новую реальность: ИИ становится посредником между покупателем и товаром — примерно так, как сегодня маркетплейсы стоят между брендом и покупателем. Чтобы ИИ-агенты находили и рекомендовали бренд, нужны чистые структурированные данные, доступные через API, и детальные семантические описания товаров. По данным State of Fashion 2026, больше половины руководителей фешен-компаний называют удержание существующих клиентов главным приоритетом — в мире, где агент выбирает за покупателя, лояльность бренду становится критически важной.
Почему большинство проектов не выходят за рамки пилота
Барьеров для внедрения ИИ несколько, и они усиливают друг друга. Инфраструктурный — самый массовый: 51% российских компаний называют IT-инфраструктуру главным препятствием. В фешен-ритейле это особенно ощутимо: огромные массивы данных о покупателях, конверсиях и ассортименте нужны уже на старте, а IT-ландшафт к таким нагрузкам не готов. Кадровый барьер — специалистов по машинному обучению и MLOps на рынке не хватает, и это тормозит не только разработку, но и оценку эффективности решений. Организационный барьер — руководство сомневается в окупаемости без доказанных кейсов, а внедрение идёт фрагментарно: чат-бот в одном отделе, аналитика в другом, без единой стратегии.
Облачная инфраструктура снимает самый болезненный из этих барьеров. Модель pay as you go убирает крупные капитальные затраты на старте — можно начать даже с ограниченным бюджетом. Готовые ML-сервисы и хранилища данных компенсируют нехватку специалистов, а масштабирование происходит по мере роста проекта: от пилота к промышленной системе без пересборки инфраструктуры. Плюс встроенное шифрование, сегментация данных и контроль доступа — для ритейлеров, которые работают с персональными данными покупателей, это не опция, а необходимость.
