ИИ развивается быстрее, чем ваша организация по ценообразованию

Искусственный интеллект развивается с такой скоростью, с которой большинство организаций редко сталкивались при внедрении предыдущих технологий. В недавнем дискуссионном документе McKinsey Global Institute, Экономика ИИ: взаимосвязанные силы, петли обратной связи и скорость изменений ИИ рассматривается не просто как технология, а как система. Основной тезис заключается в том, что возможности ИИ, инфраструктура, инвестиции, регулирование, организационные изменения и внедрение людьми взаимосвязаны, но развиваются с совершенно разной скоростью. Эта разница в скорости имеет значение. Согласно одному из показателей, приведенных McKinsey, сложность задач, с которыми передовые системы ИИ могут надежно справляться (измеряемая временем, которое потребовалось бы эксперту-человеку), с 2023 года удваивается примерно каждые четыре месяца. В то же время изменение рабочих процессов в организации может занимать годы.

Это ставит важный вопрос перед ценообразованием в ритейле. Что происходит, когда интеллект, доступный для отдела ценообразования, развивается быстрее, чем сама организация? Ответ на этот вопрос может определить следующий этап развития ценообразования на базе ИИ.

Внедрение ИИ происходит быстрее, чем организационные изменения

На первый взгляд, показатели внедрения выглядят впечатляюще. McKinsey ссылается на опрос 2026 года, в котором приняли участие 1719 респондентов из 97 стран: почти девять из десяти заявили, что их организации регулярно используют ИИ как минимум в одной бизнес-функции.

Но есть и другой показатель, который может быть гораздо важнее. За исключением небольшой группы лидеров в области ИИ, составляющих всего 6% от числа опрошенных, лишь около четверти респондентов заявили, что их организации перестраивают рабочие процессы вокруг ИИ, а не просто внедряют его в существующие процессы.

Это различие между использованием ИИ и изменением принципов работы организации под влиянием ИИ имеет решающее значение. Компания может широко внедрять ИИ, не меняя фундаментально свою операционную модель. Сотрудники могут использовать ИИ-помощников. Аналитики могут быстрее создавать отчеты. Менеджеры могут за секунды обобщать информацию. Команды могут автоматизировать отдельные задачи. Все эти улучшения могут создавать ценность. Но они не обязательно меняют то, как принимаются решения. И в ценообразовании это различие становится особенно заметным.

Рассмотрим, как сегодня принимается решение о ценообразовании

Типичный процесс ценообразования в ритейле включает множество этапов. Собираются данные о продажах, затратах, конкурентах и рынке. Аналитики выявляют товары, требующие внимания. Изучаются возможности для изменения цен. Рассматриваются различные сценарии. Проверяются бизнес-правила и требования к марже. Готовятся рекомендации. Менеджеры их рассматривают. Утвержденные цены передаются в другую систему для исполнения.

ИИ может ускорить практически каждый из этих этапов. Он способен анализировать тысячи товарных позиций (SKU). Он может выявлять аномалии. Он может отслеживать конкурентов. Он может оценивать потенциальный эффект от изменения цены. Он может готовить рекомендации и объяснять, почему то или иное действие целесообразно. Это уже само по себе ценно.

Но представьте, что ИИ сокращает анализ, который раньше занимал у менеджера по ценообразованию два часа, до десяти минут. Процесс стал значительно быстрее, но по сути остался прежним. Система выдает анализ, менеджер его проверяет, рекомендация проходит процесс согласования, и в конечном итоге кто-то или что-то ее исполняет.

А теперь представьте нечто иное. Система ценообразования на базе ИИ непрерывно отслеживает рынок и обнаруживает важное изменение цены конкурентом. Она оценивает, действительно ли товар есть в наличии у конкурента, проверяет стратегическую важность данной позиции, учитывает текущий спрос, запасы и маржу, оценивает несколько возможных вариантов реагирования и тестирует их на соответствие коммерческим правилам ритейлера. Если рекомендуемое действие укладывается в четко определенные рамки, оно может быть выполнено автоматически. Если ситуация необычна, стратегически важна или потенциально рискованна, она передается менеджеру по ценообразованию вместе с соответствующим контекстом и рекомендуемыми действиями. ИИ больше не просто помогает кому-то быстрее выполнять существующий процесс. Сам процесс ценообразования изменился.

Когда исчезает одно «узкое место», появляется другое

Это подводит нас к одной из самых полезных идей в анализе McKinsey. В сложной системе устранение одного ограничения не обязательно снимает ограничение для системы в целом. Вместо этого «узкое место» может просто переместиться в другое место. McKinsey иллюстрирует это на уровне экономики ИИ. Первоначальные ограничения, связанные с передовыми чипами и упаковкой, сменились давлением на электроэнергию, подключение к сетям и мощности дата-центров. По мере решения физических ограничений, как предполагает McKinsey, будущие ограничения все чаще будут связаны с приложениями, навыками персонала и организационными рабочими процессами.

То же самое может происходить внутри отдела ценообразования. Допустим, ИИ позволяет ритейлеру анализировать 50 000 SKU за минуты, а не за дни. Аналитическое «узкое место» исчезает. Но если каждая рекомендация по-прежнему требует ручного утверждения, «узкое место» просто переместилось с анализа на согласование. Теперь предположим, что ритейлер разрешил автоматически утверждать рутинные рекомендации в рамках установленных правил. «Узкое место» согласования начинает исчезать. Но, возможно, цены все еще должны пройти через несколько разрозненных систем, прежде чем попадут в магазины и на цифровые каналы. «Узкое место» снова переместилось, на этот раз в исполнение.

Решите эту проблему, и может появиться другая: некачественные данные о товарах, неясные коммерческие правила, фрагментированная ответственность или недостаточный контроль над тем, какие решения ИИ разрешено принимать.

Важный урок заключается в том, что внедрение более мощного ИИ не делает автоматически весь процесс ценообразования быстрее. Скорость принятия решения в конечном итоге ограничивается самым медленным важным звеном системы принятия решений.

Поэтому ценообразованию нужен системный подход

McKinsey использует интересную аналогию из системного мышления. Представьте, что вы выбрали лучшие двигатель, трансмиссию, тормоза и другие компоненты от разных автомобилей и собрали их в одну машину. Результат не обязательно будет лучшим автомобилем в мире. Возможно, он вообще не поедет, потому что эти по отдельности превосходные компоненты никогда не были спроектированы для совместной работы.

Технологии ценообразования все чаще сталкиваются с похожей проблемой. У ритейлера может быть отличное решение для мониторинга конкурентов, отдельный движок для оптимизации, инструмент для проведения промоакций, аналитическая платформа, бизнес-правила, хранящиеся в другом месте, и еще одна система, отвечающая за применение цен. Теперь в каждый из этих элементов можно добавить ИИ. По отдельности каждый компонент может стать «умнее», но это не обязательно приведет к созданию интеллектуальной системы ценообразования. Решения о ценах неразрывно связаны между собой.

Изменение цен конкурентами может повлиять на позиционирование. Позиционирование необходимо рассматривать в связке с эластичностью спроса. Эластичность взаимодействует с объемом продаж. Объем продаж влияет на товарные запасы. Запасы влияют на решения о снижении цен. Промоакции меняют поведение покупателей. Целевые показатели маржи ограничивают выбор допустимых ответных мер. Оптимизация одного элемента без учета остальных может просто перенести проблему в другую область.

Таким образом, возможности, открываемые ИИ, выходят далеко за рамки повышения интеллектуальности отдельных инструментов ценообразования. Речь идет о том, чтобы объединить различные этапы ценообразования в единый связный цикл принятия решений.

От рабочего процесса ценообразования к циклу принятия решений

Традиционно процессы ценообразования часто проектировались как последовательность действий человека, поддерживаемых программным обеспечением: данные → анализ → рекомендация → утверждение → исполнение.

Агентный ИИ открывает возможности для чего-то более динамичного: вопрос → решение → исполнение → улучшение.

Рыночные сигналы можно отслеживать непрерывно, а не периодически. ИИ-агенты могут выявлять ситуации, требующие внимания, вместо того чтобы ждать, пока их найдут аналитики. Разные агенты могут вносить свой специализированный вклад в одно и то же решение: анализ конкурентов, проверка ограничений, моделирование, оптимизация или операционное исполнение. Рутинные решения могут проходить через систему с минимальным участием человека, если они остаются в установленных рамках. Решения с более высоким уровнем риска могут передаваться на рассмотрение человеку. А результаты предыдущих решений могут учитываться в будущих.

Это важное изменение, поскольку оно превращает ИИ из преимущественно аналитического уровня в часть самой операционной модели ценообразования.

Человеческая экспертиза становится важнее, но в другом качестве

Это не означает исключение менеджеров по ценообразованию из процесса. Совсем наоборот. По мере того как ИИ берет на себя выполнение все большего объема рутинной аналитической и операционной работы, ценность человеческой экспертизы все больше смещается в области, где важнее всего суждение. Кто-то все равно должен решать, чего пытается достичь бизнес. Что в приоритете: маржа, доля рынка, трафик, сокращение запасов или восприятие цены покупателем? Кто-то должен определять, насколько агрессивно ритейлер должен реагировать на действия конкурентов. Кто-то должен задавать допустимые границы маржи. Кто-то должен решать, какие товары являются стратегически важными. И кто-то должен вмешиваться, когда рыночные условия выходят за рамки того, на что была рассчитана система.

Таким образом, роль меняется: от проверки каждого решения к проектированию и контролю среды принятия решений. Вместо того чтобы просить менеджера вручную просматривать тысячи рутинных рекомендаций, организация может поручить ему определить, где ИИ может действовать автономно, какие правила он должен соблюдать и в каких ситуациях требуется суждение человека. Это гораздо более эффективное использование дефицитной экспертизы в области ценообразования.

Управление должно развиваться с той же скоростью

Однако большая автономность делает управление не менее, а более важным. McKinsey отмечает, что управление — это еще одна область, которая развивается медленнее, чем возможности ИИ. В отдельном исследовании, упомянутом в статье, только около 30% организаций достигли третьего или более высокого уровня по четырехбалльной шкале зрелости доверия к ИИ и управления им. В отчете также указывается на фундаментальную проблему, которая проявляется по мере роста автономности ИИ: организациям нужна ясность в том, какие действия может предпринимать ИИ, какие решения требуют одобрения человека и кто несет ответственность в случае сбоя.

Эти вопросы крайне актуальны для ценообразования. ИИ-системе нельзя просто дать команду «максимизировать маржу». Ей нужны коммерческие границы. Насколько значительным может быть изменение цены? Как часто можно менять цену? Какие товарные позиции требуют утверждения? Какие уровни маржи нельзя переходить? Какие конкуренты имеют значение? Что происходит с ключевыми товарами (KVI)? Когда необычная рекомендация должна автоматически передаваться на рассмотрение человеку? Эти ограничители — не препятствия для автономности ИИ. Это то, что делает ответственную автономность возможной. Чем больше решений по ценообразованию может принимать ИИ, тем важнее четко определить среду, в которой эти решения могут приниматься.

От отдельных ИИ-инструментов к ИИ-агентам ценообразования

Этот системный подход лежит в основе нашего видения Pricerium. Будущее ценообразования вряд ли будет представлено одной огромной ИИ-моделью, принимающей каждое коммерческое решение независимо. Также маловероятно, что это будут десятки разрозненных ИИ-инструментов, каждый из которых оптимизирует лишь малую часть процесса ценообразования.

Более практичная архитектура — это сеть специализированных ИИ-агентов ценообразования, каждый из которых отвечает за определенные решения или задачи, работая при этом в рамках одной общей среды ценообразования. Агент-конкурент может отслеживать рыночные изменения. Агент-контролер может оценивать предлагаемые действия на соответствие бизнес-ограничениям. Аналитик цен может исследовать эффективность и аномалии. Агент-оптимизатор может оценивать возможные уровни цен. Стратегический советник может привнести более широкий коммерческий взгляд. Операционные агенты могут помочь довести решения до исполнения. А эксперты-люди могут оставаться вовлеченными везде, где коммерческая значимость, неопределенность или риск требуют суждения.

Важная инновация заключается не просто в том, что каждый агент использует ИИ. А в том, что эти возможности могут участвовать в одном и том же процессе принятия решений. Это создает возможность перехода от фрагментированного программного обеспечения для ценообразования к интеллектуальной операционной системе ценообразования, в которой информация, модели, ИИ-агенты, бизнес-правила и человеческая экспертиза работают вместе.

Цель будет постоянно меняться

Есть еще одна причина, по которой организациям следует избегать построения трансформации ИИ, опираясь только на сегодняшние возможности.

ИИ сам становится частью цикла обратной связи, ускоряющего развитие технологий искусственного интеллекта.

Как отмечает McKinsey, современные модели уже способны создавать программный код, генерировать данные и проводить оценки, которые используются для разработки последующих поколений моделей. Более совершенные модели способствуют их более широкому внедрению; внедрение привлекает инвестиции; инвестиции расширяют инфраструктуру и возможности НИОКР; а эти вложения, в свою очередь, способствуют дальнейшему совершенствованию моделей.

Для ритейлеров это имеет важное значение. Архитектура ценообразования, построенная на предположении, что текущие возможности ИИ неизменны, может устареть на удивление быстро. Поэтому цель должна состоять не в том, чтобы точно предсказать, на что будет способен ИИ через три года, а в том, чтобы создать среду ценообразования, способную адаптироваться к новым возможностям по мере их появления. Это означает модульную архитектуру, четкое распределение прав принятия решений, взаимосвязанные данные, явные механизмы контроля, пути эскалации для участия человека и рабочие процессы, в которых уровень автономности может повышаться по мере развития технологий, укрепления доверия и совершенствования системы управления.

Следующим конкурентным преимуществом может стать организационная структура

Последние несколько лет дискуссии об ИИ в основном фокусировались на моделях. Какая модель самая умная? Какая самая быстрая? Какая может обрабатывать больше контекста? Какая выдает лучший результат? Эти вопросы важны, но по мере того, как мощные возможности ИИ становятся общедоступными, они постепенно могут отходить на второй план для бизнеса.

В связи с этим возникает другой конкурентный вопрос: как быстро организация может превратить совершенствующиеся возможности ИИ в более эффективные бизнес-решения?

В сфере розничного ценообразования ответ будет зависеть от гораздо большего, чем просто модель. Он будет зависеть от качества данных, рабочих процессов, прав принятия решений, интеграции, механизмов контроля, способности к реализации и взаимодействия между ИИ-агентами и экспертами-людьми.

Более широкий системный аргумент McKinsey поэтому особенно актуален для ценообразования: технологические возможности сами по себе не определяют экономический эффект. Ценность появляется тогда, когда окружающая система развивается вместе с ними.

Ритейлерам не обязательно трансформировать всё сразу. Улучшение существующего процесса ценообразования с помощью ИИ может стать разумной отправной точкой и принести немедленную выгоду. Однако организациям следует остерегаться того, чтобы принимать первое повышение продуктивности за конечную цель. Ведь самый важный вопрос меняется. Он больше не звучит просто как: «Что ИИ может сделать для нашей команды по ценообразованию?». Все чаще он звучит так: «Как бы мы выстроили ценообразование, если бы начали с того, что ИИ может делать сейчас и на что он может быть способен в будущем?». Это гораздо более масштабный вопрос. И ответ на него в конечном итоге может создать гораздо больше ценности, чем просто ускорение текущих процессов ценообразования.

‍Источник: McKinsey Global Institute. Экономика ИИ: взаимосвязанные силы, циклы обратной связи и скорость изменений. McKinsey & Company, 2026.