ИИ-агенты на маркетплейсе: чему учит Project Deal

Что именно проверяли в эксперименте

Это был не демо-ролик и не игрушка. В закрытый эксперементальный маркетплейс запустили ИИ-агентов, каждому дали по 100 долларов и неделю на торговлю. Они сами размещали объявления, отвечали на вопросы, вели переговоры и закрывали сделки.

За это время накопилось больше 500 лотов и свыше 4000 долларов оборота. Сильная модель продавала в среднем на 2,68 доллара дороже за предмет, брала на 2,07 сделки больше и местами обходила слабую на 70%. Вот это и важный сигнал: различие не в красивом ответе, а в прямой денежной разнице.

На моей практике такие вещи больнее всего проявляются там, где бизнес смотрит только на итоговую выручку. Вроде бы товар крутится, заявки идут, отчёт зелёный, но внутри уже есть утечки — по цене, по скорости реакции, по качеству выбора. И потом все удивляются, почему одна команда растёт, а другая буксует.

Самое ценное здесь — агент не просто 'помогал', он участвовал в рынке как самостоятельный игрок. А значит, качество модели начинает влиять не только на скорость, но и на место в очереди, на цену, на количество закрытых сделок. Это уже похоже на обычный бизнес, только без кофе-брейков и без обид.

Почему слабый агент выглядит нормальным

Самая неприятная деталь — владельцы слабой модели не поняли, что проигрывают. В субъективных оценках они ставили своему агенту почти такие же баллы, а иногда даже чуть выше. Снаружи всё выглядело нормально. Внутри — накопленный минус.

Бизнес часто ровно так и смотрит на автоматизацию. Пользователь увидел аккуратный ответ, менеджер сказал 'работает', и на этом проверка закончилась. А вот маржа, скорость сделки и количество ошибочных решений в этом месте почти никогда не попадают в первый экран.

У клиента было очень похоже: команда из 8 человек, бюджет 120к в месяц на контент и продвижение, и ощущение, что всё под контролем. Потом мы разложили процесс по шагам и увидели, что слабое звено сидит в мелких решениях — где-то переплата, где-то лишний дубль, где-то затянутая реакция на запрос. На бумаге это мелочь. В сумме — уже ощутимо.

Это ещё и психологическая ловушка. Чем красивее интерфейс и чем увереннее отвечает агент, тем легче человеку принять его за сильного. А рынок, ну, он смотрит не на уверенность, а на результат. Поэтому слабая модель может казаться нормальной очень долго.

Где ИИ-агенты уже реально полезны

Агентный рынок работает там, где правила уже есть, а результат легко проверить цифрами. Закупки, первичный отбор лидов, переписка по шаблону, сверка счётов, контроль остатков — вот такие задачи ИИ тянет заметно лучше, чем сложные и туманные обсуждения. И да, тут человек нужен не меньше, просто на другом участке.

Смысл не в замене команды, а в том, чтобы убрать рутину, где менеджер тратит внимание на повторяемые действия. Если задача каждый день выглядит почти одинаково, агент уже может сэкономить часы. Если задача каждый день новая и с кучей исключений, агент пока должен помогать, а не рулить.

Закупки

Если поставщиков несколько и критерии формализованы, ИИ реально ускоряет отбор. Он соберёт офферы, сравнит сроки, поднимет историю сделок и задаст одинаковые вопросы всем кандидатам. Человеку останется выбрать по итогам и подтвердить решение. На выходе меньше хаоса и меньше случайных забытых писем.

Но тут важно ограничение. Если часть условий хранится в голове закупщика, а не в документе, агент начинает ошибаться. Поэтому сначала описываем правила, потом подключаем автоматизацию. Без этого он будет очень старательным, но слегка опасным.

Продажи и переговоры

В продажах ИИ полезен там, где сценарий типовой: ответить на первичное возражение, напомнить о следующем шаге, проверить, не просрочена ли скидка, и поставить follow-up. На однотипных диалогах это работает хорошо. Пря�� хорошо. Но как только начинается нестандарт, агенту нужен стоп-сигнал.

Агрессивные переговорные инструкции часто дают меньше, чем кажется. Можно написать 'торгуйся жёстче', но если модель плохо чувствует контекст сделки, она просто станет резче, а не умнее. В B2B это иногда ломает договорённость быстрее, чем любая ошибка в прайсе.

Финансы и контроль

Здесь агент особенно ценен как проверяющий. Сверка счетов, контроль лимитов, поиск дублей, напоминания о согласовании — именно такие задачи он может закрывать без усталости и без пропуска повторов. Но право финального действия лучше держать у человека.

В деньгах ошибка всегда видна позже, чем хотелось бы. Сначала всё кажется удобным, потом всплывает перерасход или двойная закупка. И вот тогда уже никому не важно, насколько красиво агент сформулировал ответ.

Почему промптами разрыв не закрыть

В эксперименте дали простую инструкцию — 'торгуйся жёстче'. Эффекта почти не получили. И это логично. Промпт может направить поведение, но не добавит модели памяти, более глубокого понимания контекста и нормального просчёта вариантов.

Помню как-то мы тестировали похожую схему у клиента из e-commerce. Два сценария были одинаковыми по логике, только текст инструкций отличался. Разница на первом круге была, но когда появились возвраты, частичные отказы и недостающие данные, слабая схема сдулась первой.

Вот почему промпт — это не замена модели, а лишь маленькая настройка. Он пригодится для тона, приоритетов и правил общения, но не вытянет слабое ядро. Короче, руль без двигателя далеко не уедет.

Если задача влияет на деньги, нужны три слоя: сильная модель, жёсткие рамки и контроль исключений. На этом месте многие пытаются сэкономить. И зря. Экономия на качестве ядра потом съедается ошибками в сделках, которые видно не сразу.

Какие ошибки агент делает без памяти

Самый показательный пример из эксперимента — покупка второго такого же сноуборда. Агент увидел выгодное предложение и закрыл сделку, потому что в инструкции не было пункта 'проверь, не лежит ли такой же уже дома'. Логически он не ошибся. Бизнесово — очень даже.

Недавно сталкивался с похожей историей у клиента в Краснодаре. Каталог был на 2 400 SKU, и система подбирала карточки для обновления контента. Но она не видела, что часть товаров уже снята с витрины. В итоге команда тратила время не на рост, а на пересборку мусора. Неприятно. И дорого.

Такие ошибки лечатся не мотивацией, а контекстом. Агенту нужна память о прошлых действиях, история исключений, правила стоп-условий и список того, что он не имеет права делать сам. Если этого нет, любой умный бот быстро превращается в уверенного нарушителя.

Для визуальных задач это тоже важно. Если агент помогает собирать карточки товара, ему нужен единый стиль и готовые шаблоны. Тут хорошо работает AI-удаление фона — чтобы быстро чистить изображения, и менеджер бренд-кита — чтобы агент не раскидывал цвета и шрифты куда попало.

Как внедрять агентов в бизнес и SMM

Если внедрять агентов по-взрослому, начинать надо с одного процесса. Не с 'сделайте нам умный ИИ', а с понятной точки боли — например, обработка входящих запросов, сравнение предложений или подготовка контента под каталоги. Когда есть одна точка, легче измерить результат и отловить ошибки.

Для SMM и e-commerce у нас обычно лучше всего заходят простые связки. Когда нужно показать продукт в интерфейсе или на сайте, выручает генератор мокапов устройств. Если офлайн и онлайн связаны одной акцией, поможет генератор QR-кодов. А если нужен заметный рекламный баннер, можно использовать эффект текста за изображением.

Ещё один полезный участок — тексты. Когда команда не успевает писать описания для соцсетей и карточек, пригодится AI-генератор подписей для соцсетей. Он не делает вас сильнее сам по себе, но снимает первый слой рутины. Потом человек доводит текст до нормального тона и проверяет, не уехала ли смысловая часть.

На моей практике лучше всего работает схема 'предложи — проверь — запусти'. Агент собирает варианты, человек подтверждает лимиты, спорные сделки и исключения. И вот тут уже видно, что сильная модель окупается быстрее: меньше лишних действий, меньше пересборок, ��еньше нервов у команды. Прямо в деньгах это ощущается очень быстро.