ИИ в поиске и поддержке: чему e-commerce учит кейс Airbnb

Airbnb заявила, что будет глубже «встраивать» AI-функции в поиск, подбор вариантов и поддержку клиентов, а также использовать большие языковые модели (LLM) в инженерных задачах. Для e-commerce и маркетплейсов это важный сигнал: конкуренция смещается от «у нас больше товаров» к «мы быстрее понимаем намерение клиента и доводим до покупки без трения».

Ниже — разбор, что именно стоит взять из подхода Airbnb и как перевести это в практические решения для интернет-магазинов и маркетплейсов.

Что именно объявил Airbnb — и почему это не про «чатик на сайте»

По сути, Airbnb говорит о трёх направлениях применения LLM (Large Language Models — большие языковые модели, способные понимать и генерировать текст):

1. Discovery (подбор/обнаружение) — помочь пользователю найти «то самое», даже если он не умеет формулировать запрос в терминах каталога.
2. Support (поддержка) — снизить нагрузку на операторов, ускорить ответы, лучше решать типовые ситуации.
3. Engineering (инженерия) — ускорить разработку и обслуживание продукта (код, тесты, документация, анализ инцидентов).

Для e-commerce первые два пункта напрямую влияют на выручку и маржинальность: поиск и поддержка — это две зоны, где бизнес теряет деньги из‑за непонимания клиента, ошибок маршрутизации и «разрыва» между вопросом и действием.

Параллель с маркетплейсами: клиент покупает не товар, а сценарий

Airbnb продаёт не «квартиру», а сценарий: «на выходные в Питер, чтобы было тихо, рядом с центром, с парковкой и можно с собакой». В маркетплейсах то же самое:

• «подарок маме на 8 марта, чтобы выглядел дорого, но до 3000»
• «кроссовки для зала, чтобы не скользили, 43 размер, широкая стопа»
• «детская куртка на межсезонье, непромокаемая, без пухового наполнителя»

Классический поиск по фильтрам здесь часто проигрывает: пользователь не знает, какие параметры важны, а карточки товаров описаны разным языком. LLM как раз закрывает этот разрыв — переводит «человеческое намерение» в структуру каталога.

1) AI-поиск: от ключевых слов к намерению (intent)

Почему обычный поиск перестал быть конкурентным преимуществом

В большинстве магазинов поиск работает по схеме:

• совпадение по ключевым словам
• чуть-чуть синонимов
• ранжирование по популярности/марже

Проблема: запросы становятся длиннее и «человечнее», а каталоги — сложнее. Итог — пользователь получает выдачу, где:

• много нерелевантного
• релевантное «утонуло»
• фильтры требуют усилий

Airbnb делает ставку на AI, потому что в путешествиях цена ошибки в выдаче высокая: если пользователь не нашёл вариант за 1–2 минуты, он уходит. В e-commerce — ровно то же, особенно на мобильных.

Как LLM улучшает поиск в e-commerce

Практически это сводится к трём слоям:

1. Понимание запроса: выделить ограничения и предпочтения (бюджет, материал, сценарий, совместимость, сроки доставки).
2. Нормализация: перевести «человеческий текст» в атрибуты каталога (размер, тип, бренд, характеристики).
3. Ранжирование: поднять в выдаче то, что лучше соответствует сценарию, а не просто «популярнее».

Важно: LLM не заменяет вашу поисковую систему. Она становится «интерпретатором» между запросом и индексом товаров.

Мини-кейс (типовой для маркетплейса)

Запрос: «кофемашина в офис, чтобы не капсулы, быстро и не шумная».

LLM может извлечь:

• тип: автомат/рожковая (скорее автомат)
• исключение: капсульная
• сценарий: офис → важны надёжность, простота обслуживания
• критерии: скорость приготовления, низкий шум

Дальше система ищет товары с нужными атрибутами и поднимает те, где в отзывах часто встречаются «тихая», «быстро готовит», «удобно в офисе».

Это уже зона, где бизнесу обычно нужна AI-интеграция: связать LLM, поисковый индекс, каталог атрибутов, отзывы и аналитику так, чтобы результат был измеримым.

2) Discovery и рекомендации: «подбор» вместо «похожих товаров»

В чём разница между рекомендациями и подбором

Классические рекомендации работают по паттернам:

• «покупают вместе»
• «смотрели также»
• «похожие товары»

Это полезно, но ограничено историей поведения. Airbnb говорит именно про discovery — когда пользователь ещё не знает, что выбрать.

В e-commerce это этап, где:

• высокий трафик
• низкая конверсия
• много вопросов

LLM-подбор — это когда система задаёт 2–4 уточняющих вопроса и формирует короткий список вариантов с объяснением.

Где это даёт эффект в магазине

Наиболее сильные зоны:

• сложные категории (электроника, техника, товары для ремонта)
• товары с риском ошибки (размеры, совместимость, расходники)
• подарки (важен контекст)

Как это выглядит в интерфейсе (без лишнего хайпа)

• Пользователь пишет: «нужен робот-пылесос для квартиры с коврами и кошкой»
• Система уточняет: площадь, пороги, бюджет, важность влажной уборки
• Возвращает 3–5 моделей и коротко объясняет выбор (мощность на коврах, турбощётка, фильтрация, контейнер)

Критично: объяснение снижает возвраты и повышает доверие. Это не «красивый текст», а инструмент снижения стоимости ошибки.

3) AI-поддержка: сокращаем стоимость обращения, но не теряем качество

Airbnb отдельно упоминает support. Это логично: поддержка — одна из самых дорогих операционных функций в платформенном бизнесе.

Что обычно ломает поддержку в e-commerce

• один вопрос клиента требует 2–3 систем (заказ, доставка, возврат)
• оператор тратит время на поиск информации
• шаблонные ответы не решают ситуацию
• клиенту нужно «человеческое решение», а не копипаст

Что реально можно автоматизировать LLM

LLM полезна там, где есть текст и правила:

1. Классификация обращений (что случилось и куда направить)
2. Сбор недостающих данных (номер заказа, фото, причина возврата)
3. Черновик ответа оператору (agent assist)
4. Самообслуживание для типовых сценариев

Термин agent assist — это «помощник оператора»: модель не отвечает клиенту напрямую, а готовит вариант решения, ссылки на политику, предлагает шаги. Это часто безопаснее, чем полностью автоматический бот.

Бизнес-метрики, которые стоит считать

Чтобы AI-поддержка не превратилась в игрушку, фиксируйте до/после:

• AHT (Average Handle Time) — среднее время обработки обращения
• FCR (First Contact Resolution) — решение с первого обращения
• доля обращений, закрытых без оператора
• CSAT/NPS по поддержке
• стоимость одного тикета

Практика: в e-commerce чаще всего быстрый эффект даёт не «полная замена операторов», а снижение времени на тикет и рост FCR.

4) AI для инженерии: почему это важно даже для торговых компаний

Airbnb также упомянула engineering. На первый взгляд это «внутренняя кухня», но для маркетплейсов и крупных магазинов это напрямую связано со скоростью изменений:

• быстрее запускать A/B тесты
• быстрее править ранжирование
• быстрее внедрять новые витрины и промо

LLM в инженерии обычно применяют как:

• генерацию черновиков кода и тестов
• анализ логов/инцидентов
• автодокументацию
• ускорение работы с SQL/аналитическими запросами

Для бизнеса это означает: команда делает больше итераций в продукте за тот же бюджет. Но эффект появляется только при нормальных процессах разработки и контроля качества.

Что учесть при внедрении LLM в e-commerce: 6 практических нюансов

1) Данные каталога важнее «самой умной модели»

Если у товаров нет нормализованных атрибутов, разные единицы измерения, хаос в названиях и характеристиках — LLM будет «угадывать». Это ведёт к ошибкам и возвратам.

Минимальный набор подготовки:

• единые справочники атрибутов
• контроль качества карточек
• разметка ключевых параметров

Если вы работаете с маркетплейсами, это напрямую связано с контентом карточек и визуальной подачей. В таких задачах часто подключают Визуальную стратегию, чтобы карточки стали «машиночитаемыми» и конверсионными одновременно.

2) Нужны правила безопасности: что модель может и не может обещать

В поддержке и подборе важно ограничить модель:

• не обещать сроки доставки, если нет подтверждения
• не интерпретировать гарантию «по-своему»
• не выдавать юридически значимые формулировки без шаблонов

На практике это решается связкой: LLM + база знаний + строгие «политики ответов».

3) Интеграция с системами — главный объём работ

В e-commerce ценность появляется, когда модель умеет:

• видеть статусы заказов
• учитывать остатки и сроки
• понимать правила возврата
• работать с промо и персональными условиями

Без интеграции получится разговорный интерфейс, который «вежливо объясняет», но не решает задачу.

4) Нужен контур оценки качества (evaluation)

LLM нельзя внедрить «и забыть». Нужны тесты:

• набор эталонных запросов
• метрики релевантности выдачи
• контроль галлюцинаций (когда модель уверенно говорит неправду)
• мониторинг по категориям

5) Экономика: где окупается быстрее всего

Чаще всего быстрый ROI (окупаемость) дают:

• снижение обращений в поддержку за счёт самообслуживания
• рост конверсии поиска
• снижение возвратов в «сложных» категориях

Но считать нужно честно: с учётом интеграции, поддержки, обучения персонала и контроля качества.

6) Изменения в процессах важнее интерфейса

Если операторы не доверяют подсказкам, контент-отдел не обновляет атрибуты, а продукт не умеет быстро тестировать — AI не «взлетит». Внедрение почти всегда затрагивает роли и ответственность.

(Эту тему мы подробно разбирали в блоге в материале про сопротивление сотрудников ИИ — полезно перечитать перед запуском.)

План внедрения для маркетплейса или интернет-магазина

Ниже — рабочая последовательность, которая снижает риск «пилота ради пилота».

Шаг 1. Выберите один сценарий с измеримым эффектом

Примеры хороших стартов:

• AI-поиск по длинным запросам
• AI-подбор в одной категории (например, «пылесосы»)
• agent assist для поддержки по доставке/возвратам

Шаг 2. Подготовьте данные и правила

• нормализуйте атрибуты в выбранной категории
• соберите базу знаний (доставка, возвраты, гарантии)
• определите, что модель не должна делать

Шаг 3. Сделайте пилот с A/B тестом

• контрольная группа без AI
• тестовая группа с AI
• метрики: конверсия поиска, CTR, доля нулевой выдачи, возвраты, AHT/FCR в поддержке

Шаг 4. Масштабируйте и закрепите процесс

• добавляйте категории
• обучайте команды
• внедряйте мониторинг качества

Если нужна оценка целесообразности и архитектуры под вашу платформу, обычно начинают с короткого аудита и дорожной карты — это как раз формат, в котором работает AI-интеграция.

Что это означает для рынка: «умный поиск» становится стандартом

Заявление Airbnb — не про эксперимент, а про стратегию. Когда крупная платформа делает AI частью поиска и поддержки, пользователи быстро привыкают к новому уровню сервиса: меньше кликов, меньше ошибок, больше «поняли с полуслова».

Для e-commerce это означает простую вещь: если ваш поиск и поддержка работают «как у всех», вы конкурируете ценой и рекламным бюджетом. Если они работают лучше — вы конкурируете опытом, и это обычно дешевле в долгую.

Итого

Airbnb усиливает LLM в поиске, подборе и поддержке, потому что именно там теряются деньги: на нерелевантной выдаче, сложном выборе и дорогих обращениях. Для маркетплейсов и интернет-магазинов это прямой ориентир: начинать стоит с AI-поиска и AI-поддержки, но только в связке с данными, интеграцией и метриками.

Если вы хотите понять, какие сценарии дадут эффект именно в вашем каталоге и процессах, и как внедрить их без риска для качества сервиса — оптимальный следующий шаг: Связаться с нами.