Российская команда, разрабатывающая AI-сотрудников для бизнеса, представила прототип интеллектуального менеджера для продавцов на трёх крупнейших маркетплейсах — Wildberries, Ozon и Яндекс Маркете. Публикация появилась в потоке материалов о разработке и описывает, как устроен первый рабочий вариант ассистента, который подключается к кабинетам продавца по официальным API и общается с владельцем обычным текстом в чате. Ключевое решение авторов заключается в том, что нейросеть не получает свободы действий: перечень допустимых операций жёстко зафиксирован в коде, а любые изменения цен, акций или ответы покупателям выполняются только после явного подтверждения человеком.

С первого дня менеджер закрывает повседневные задачи селлера, которые тот обычно выполняет вручную в трёх разных интерфейсах. В список входят просмотр заказов и продаж за день, вчера, неделю или месяц, контроль остатков на складах и подсказки о сроках поставки, работа с ценами и акциями площадок, просмотр карточек товаров и их названий, а также рекламные показатели. Отдельно реализованы воронка продаж с показами, переходами, корзинами и заказами, обработка вопросов и отзывов покупателей, выгрузка отчёта в Excel одной командой и утренняя проверка, при которой менеджер сам пишет в чат, если обнаружил что-то срочное. Всё это работает через официальные API площадок по ключу владельца: селлер подключает кабинет и далее формулирует запросы обычными словами, без изучения интерфейсов и отчётов.

Технически прототип устроен так, что фраза пользователя сначала проходит через набор правил и превращается в намерение: какая операция требуется, какая площадка имеется в виду и за какой период нужны данные. Порядок проверок в коде выстроен от изменения к чтению: сначала система ищет признаки того, что пользователь просит что-то поменять, и только потом рассматривает запросы на просмотр. Разработчики объясняют это просто: ошибка в сторону лишней показанной таблицы не страшна, а ошибка в сторону изменения цены может дорого обойтись. Площадку определяет такое же правило, причём авторы отдельно отметили сложность русского языка: слово «маркетплейсы» не должно ошибочно распознаваться как Яндекс Маркет, поэтому в регулярном выражении для Маркета предусмотрено отрицание для случаев, когда рядом стоит часть «плейс». Если площадка не названа, ответ строится по всем подключённым кабинетам, а если названа неподключённая, система обращается к первой доступной.

Нейросеть в этой архитектуре выполняет вспомогательную роль классификатора. Если модель подключена, фраза уходит ей вместе со списком операций и кратким описанием каждой, а модель возвращает только название подходящей операции и параметры. Ответ, который выходит за пределы разрешённого списка, просто отбрасывается, и остаётся разбор правилами; если модель недоступна или не ответила, менеджер продолжает работать на правилах. Кроме того, нейросеть пишет тексты: предлагает новые названия карточек товаров и готовит черновики ответов на отзывы и вопросы покупателей, но отправлять их самостоятельно не может. Все действия, которые меняют кабинет и затрагивают деньги владельца, — цена, акция, ответ покупателю, название карточки — из текста не выполняются: менеджер готовит правку и показывает её с кнопкой подтверждения, и только нажатие отправляет изменение в API площадки.

Контекст разработки связан с общей ситуацией на рынке AI-агентов, где всё больше компаний экспериментируют с автономными системами, дающими модели широкие полномочия. Подход с регулярными выражениями и закрытым перечнем операций выглядит консервативным на фоне тренда к агентным архитектурам, однако авторы приводят практические аргументы. Предсказуемость позволяет указать на конкретное правило, которое сработало, и понять, что чинить при ошибке; скорость достигается за счёт того, что модели нужен один короткий ответ, а без модели правила отвечают мгновенно; проверяемость обеспечена подставными WB, Ozon и Маркетом, которые работают без сети, так что весь менеджер прогоняется смоук-тестом без единого внешнего запроса. Наконец, короткие вызовы модели снижают стоимость эксплуатации. Слабое место разработчики признают сами: менеджер умеет ровно то, что есть в списке операций, а правила понимают ровно то, что в них заложил разработчик, тогда как человек пишет так, как привык, и просит то, что ему действительно нужно.

Для российского рынка маркетплейсов такой инструмент может оказаться заметным подспорьем, поскольку значительная часть селлеров ведёт дела на двух-трёх площадках одновременно и тратит много времени на переключение между кабинетами. Однако реакция отрасли будет зависеть от того, насколько точно система распознаёт живую речь и насколько удобно устроено подтверждение изменений. Конкурирующие решения в этом сегменте часто делают ставку на максимальную автоматизацию, включая автономное управление ценами и рекламными ставками, тогда как описанный прототип сознательно оставляет финальное решение за владельцем. Такой баланс между автоматизацией и контролем может стать аргументом для продавцов, которые опасаются доверять алгоритмам свои бюджеты, но одновременно ограничивает сценарии, где нужна полностью автоматическая реакция на изменения спроса.

Прототип уже выпущен в двух местах, и одно из них — демо-магазин на трёх площадках с правдоподобными заказами, остатками и отзывами, работающий без сети и без риска. Его может подключить любой проект и поговорить с менеджером, не передавая ключи от собственного кабинета. Дальнейшие планы связаны с тестированием: команде предстоит выяснить, насколько велика разница между тем, что умеют правила, и тем, как формулируют запросы реальные продавцы. Открытыми остаются вопросы расширения списка операций, глубины интеграции с рекламными инструментами площадок и того, как будет устроено подтверждение массовых изменений, когда правок много. Ответы на них определят, превратится ли прототип в полноценного AI-менеджера для российских маркетплейсов или останется инструментом для ограниченного набора задач.