Генеративный ИИ в корпорациях: 4,4 трлн долларов мирового эффекта и как собрать свою долю в российском ритейле и FMCG
Несколько месяцев назад внимание к теме генеративного ИИ снова резко выросло после очередного витка обсуждения оценки McKinsey: generative AI способен приносить мировой экономике от 2,6 до 4,4 трлн долларов в год. Для ритейла и товаров повседневного спроса потенциал отдельно оценивается в 400–660 млрд долларов в год, что делает сектор одним из главных бенефициаров новой волны автоматизации знаний и контента.
Но для российского CEO, COO или CIO эта цифра сама по себе почти бесполезна. Она не отвечает на главный вопрос: где именно эти деньги лежат в конкретном P&L — у сети супермаркетов, производителя напитков, DIY-ритейлера или e-commerce-платформы. В этом и состоит разрыв между мировым хайпом вокруг LLM и реальной корпоративной повесткой в России: глобально модели уже становятся инфраструктурой, а локально часто остаются пилотом, демонстрацией или «внутренней игрушкой» для энтузиастов.
Что на самом деле означают 4,4 трлн
Оценка McKinsey выглядит громко, но внутри неё нет никакой магии. Потенциал складывается из десятков сценариев в типовых бизнес-функциях: маркетинг, продажи, обслуживание клиентов, разработка, HR, юридическая работа, закупки, обработка документов и внутренняя аналитика. То есть речь не о «суперинтеллекте», а о том, что большие языковые модели снимают значимую часть рутинной текстовой и аналитической работы, которая раньше требовала времени квалифицированных сотрудников.
Особенно важно, что генеративный ИИ даёт эффект не только за счёт сокращения затрат, но и за счёт ускорения операций. Он помогает быстрее выпускать маркетинговые кампании, быстрее обновлять карточки товаров, быстрее отвечать клиентам, быстрее готовить отчёты и быстрее запускать внутренние ИТ-инициативы. Именно поэтому разговор о LLM быстро смещается из плоскости «модная технология» в плоскость операционной эффективности.
Мировая статистика уже показывает, что тема давно вышла за пределы экспериментов. По данным McKinsey, 71% компаний используют generative AI хотя бы в одной функции, а чаще всего внедрение начинается с маркетинга, продаж и клиентского сервиса. В более широких обзорах по enterprise AI видно, что лидируют технологические компании, финансы, медиа, e-commerce и ритейл, а затем волна уходит в промышленность и смежные отрасли.
Важно и другое: под внедрением LLM в мире уже понимают не только чат-боты. Компании подключают модели к корпоративным знаниям, документам, BI-витринам, CRM и ERP, а затем строят поверх этого ассистентов для разных ролей — операторов, аналитиков, закупщиков, юристов, разработчиков и менеджеров категорий. То есть LLM становятся не приложением, а слоем инфраструктуры для работы с текстом, знаниями и кодом.
Почему ритейл и FMCG в центре этой волны
У ритейла и FMCG есть сразу несколько причин попасть в число главных бенефициаров. Во-первых, здесь огромные массивы текстовых данных: карточки товаров, отзывы, обращения клиентов, промоматериалы, договоры, инструкции, коммуникации с поставщиками. Во-вторых, здесь высокий объём повторяющихся решений: что написать в карточке, как ответить клиенту, как собрать отчёт по категории, как оформить документ, как объяснить колебания спроса.
Поэтому для ритейла и FMCG LLM особенно хорошо работают как надстройка над уже существующими ML-решениями. Классические модели прогнозируют спрос, оптимизируют запасы, цены и персонализацию, а LLM помогают превращать этот результат в удобный язык для людей, контент для витрин и диалоговые интерфейсы для сотрудников и клиентов.
На практике деньги чаще всего лежат в пяти группах сценариев.
LLM-ассистенты помогают автоматизировать типовые обращения, подсказывать оператору ответы, ускорять поиск информации по акциям, товарам и условиям доставки. Эффект обычно проявляется в снижении нагрузки на контакт-центр, сокращении времени ответа, росте удовлетворённости клиентов и лучшей конверсии в продажу.
Карточки товаров, баннеры, промотексты, e-mail-цепочки, описания для маркетплейсов и персонализированные коммуникации — это один из самых очевидных и масштабируемых сценариев для generative AI. Для ритейла это означает ускорение time-to-market и рост объёма экспериментов без пропорционального увеличения штата контент-команд.
Аналитика и категорийный менеджмент
Категорийные менеджеры и аналитики тратят часы на сбор данных, объяснение отклонений, подготовку презентаций и справок для руководства. LLM позволяют перевести эту работу в диалоговый формат: быстро собрать отчёт, ответить на сложный вопрос по продажам или подготовить сводку по категории. В мировых оценках экономия времени на таких задачах нередко достигает 20–40%.
Юридические службы, закупки, HR и документооборот — ещё один большой резерв. Первичный разбор договоров, подготовка типовых документов, маршрутизация входящих файлов, черновики писем и вакансий хорошо ложатся на LLM-подход. Здесь эффект обычно измеряется не в вау-демо, а в сокращении цикла операций и в снижении нагрузки на квалифицированных специалистов.
Code assistants и внутренние технические ассистенты ускоряют создание прототипов, документацию, тестирование и разбор legacy-кода. Для компаний, которые уже строят собственные ML-решения, это особенно важно: time-to-market сокращается, а стоимость следующего эксперимента падает.
Российский контекст: почему большинство застревает в пилотах
Российский рынок нельзя назвать пустым. По данным НИУ ВШЭ, около 29% российских предприятий уже внедрили AI-решения, а интерес к теме продолжает расти. Но именно generative AI и LLM в корпоративном секторе пока чаще развиваются как «островные» инициативы, а не как единая платформа.
· Данные разорваны между POS, e-commerce, CRM, ERP, складом, маркетплейсами и внутренними документами.
· Вопросы безопасности и регуляторики делают использование внешних моделей и API чувствительным.
· На рынке не хватает команд, которые умеют связать бизнес-кейс, архитектуру, данные и внедрение в одну систему.
· Импортозамещение усложняет использование привычных глобальных решений и требует более осознанного выбора стека.
Из-за этого в компаниях появляются знакомые всем артефакты: чат-бот без интеграции с CRM, генерация контента без сквозных метрик, внутренний ассистент без доступа к качественным данным, PoC без понятной судьбы после демонстрации руководству. Такая модель не даёт масштабного ROI, даже если отдельный пилот выглядит красиво.
Что работает в российской практике
Системный подход к ИИ в ритейле и FMCG уже показывает, что деньги в этих историях вполне реальные. В проектах по прогнозированию спроса, динамическому ценообразованию, персонализации, предиктивному обслуживанию и NLP российские компании уже получают измеримый эффект: рост выручки на единицы процентов, снижение out-of-stock, экономию десятков миллионов рублей на операциях и обслуживании. Этот результат возникает не потому, что «нейросеть всё решила сама», а потому, что ИИ встроили в процесс и привязали к бизнес-метрике.
По той же логике нужно смотреть и на LLM. Они не заменяют классический ML, а усиливают его: делают результаты доступнее для сотрудников, ускоряют подготовку контента, автоматизируют коммуникации и снижают нагрузку на команды, которые сегодня утопают в тексте, письмах, документах и ручных объяснениях.
Ключевой разворот для российского бизнеса — перестать воспринимать LLM как набор разрозненных экспериментов. Рабочая модель — это не десять независимых пилотов, а единый слой, через который подключаются модели, корпоративные данные, права доступа, логирование, контроль качества и повторно используемые компоненты.
Практически это означает простой, но жёсткий принцип: двигаться не от модели к применению, а от ROI к API. Сначала определяется, где именно в компании лежит эффект — в клиентском сервисе, e-commerce-контенте, аналитике, back-office или ИТ. Затем выбираются 3–5 сценариев с понятными KPI и готовностью данных. Только после этого имеет смысл проектировать архитектуру, выбирать модели, строить RAG, LLMOps и контур безопасности.
Именно так формируется фабрика решений, в которой каждый следующий кейс становится дешевле и быстрее предыдущего. Для ритейла и FMCG, где скорость и повторяемость особенно критичны, это вопрос не технологической моды, а операционной дисциплины.
С чего начать российской компании
Практика показывает, что рабочая последовательность выглядит так.
1. Провести диагностику зрелости: стратегия, данные, технологии, люди, процессы, governance.
2. Выбрать 3–5 LLM-сценариев с понятным эффектом и доступными данными.
3. Сделать короткие PoC на 8–12 недель с заранее согласованными KPI.
4. Спроектировать LLM-слой: модели, RAG, интеграции, доступы, логирование, мониторинг.
5. Перевести успешные кейсы в операционный контур и изменить регламенты под новую реальность.
Без первого шага компания запускает пилоты вслепую. Без четвёртого и пятого остаётся с коллекцией интересных экспериментов, которые так и не дошли до P&L.
Большинству компаний не хватает не идей, а честной карты зрелости. Нужно понять, какие данные уже готовы, где лежат самые денежные сценарии, какие ограничения создают безопасность и регуляторика, а где проблема вообще не в технологиях, а в процессах и ответственности команд.
Поэтому логичной отправной точкой становится ИИ-аудит. Он помогает оценить зрелость по шести измерениям, приоритизировать AI- и LLM-сценарии, оценить экономический потенциал и наметить дорожную карту на 6–12 месяцев. Такая работа не подменяет внедрение, но позволяет перестать спорить о хайпе и начать говорить о деньгах, архитектуре и сроках.
Если компания видит у себя похожую картину — несколько пилотов, высокий интерес и отсутствие общего маршрута, — имеет смысл начать именно с такой диагностики. Это ни к чему не обязывает, но позволяет получить профиль проблем, расчёт потенциала и чек-лист быстрых шагов.
Больше практических кейсов и разборов по ИИ в ритейле и FMCG публикуется в Telegram-канале БизнесМатики