Перейти к основному содержимому
AXIOMA AI
Все новости ИИ в России
Промышленность

Ozon внедрил AI в 96% верификаций товаров: экономический эффект 9 млрд рублей за 2 года

Ozon внедрил AI в 96% верификаций товаров: экономический эффект 9 млрд рублей за 2 года
Промышленность
9 млрд ₽
экономический эффект Ozon от AI-верификации за 2 года

Маркетплейс Ozon внедрил машинное обучение в верификацию карточек товаров: 96% карточек проходят автоматическую первичную проверку. Экономический эффект оценивается в 9 млрд рублей за 2026–2027 годы. Опыт Ozon описан в исследовании Ведомостей как пример зрелого AI-внедрения в российском ритейле.

Российский маркетплейс Ozon стал одним из первых примеров зрелого AI-внедрения в ритейле, достигнув производственного масштаба в автоматической верификации контента продавцов.

Ключевые результаты:

МетрикаЗначение
Доля карточек с AI-верификацией96%
Экономический эффект (2026–2027)9 млрд руб.
Суть примененияПервичная автоматическая проверка контента
Результат для продавцовУскорение публикации товаров

Как работает AI-верификация:

ML-модели Ozon анализируют карточки товаров при загрузке продавцом: соответствие категории, наличие обязательных атрибутов, качество изображений, корректность описания. 96% карточек проходят первичную верификацию полностью автоматически — без участия модераторов-людей.

Оставшиеся 4% направляются на ручную проверку — как правило, нестандартные товары или спорные случаи.

Масштаб рынка AI в e-commerce:

По данным Ведомостей (июнь 2026), AI-инструменты в электронной коммерции применяются в нескольких направлениях:

  1. 1.Персонализация — рекомендательные системы (у Wildberries и Ozon — ключевой драйвер конверсии)
  2. 2.Ценообразование — динамический прайсинг в реальном времени
  3. 3.Контент-верификация — пример Ozon выше
  4. 4.Антифрод — выявление фиктивных отзывов, дублей продавцов
  5. 5.Логистика — оптимизация маршрутов, прогнозирование спроса

Для операторов интернет-торговли:

Модель Ozon демонстрирует: AI в content-верификации окупается быстро. При объёме 50 000+ SKU ежемесячно экономия на ручной модерации позволяет окупить ML-инфраструктуру за 6–12 месяцев. Требования к данным: исторические данные о прошедших и отклонённых карточках + разметка причин отклонений.

Compliance-аспект:

Карточки товаров не содержат персональных данных, поэтому 152-ФЗ здесь не применяется. Однако при персонализации рекомендаций на основе профиля покупателя — требуется корректная база согласий.

Это краткое изложение. Полный текст — на сайте источника:

Читать оригинал: Ведомости

Как это касается вашего бизнеса

Изменения на рынке важны, когда руководитель видит их в показателях своей компании. Радар управления каждый день собирает брифинг: 10 приоритизированных сигналов о главном за 24 часа.