AI-поиск по каталогу: чему интернет-магазин может научиться у нового ассистента Аптеки ру

Покупатель редко формулирует запрос так же, как поставщик назвал товар. Он пишет «крепление для узкой полки» или «лампа для работы вечером», а каталог ждёт артикул. На этом разрыве теряются продажи даже при хорошем ассортименте.

21 сентября 2026 года Yandex Cloud рассказала об AI-ассистенте сервиса «Аптека ру». Решение опирается на каталог и собственные материалы площадки; база содержит около 100 тысяч товаров и более 6 тысяч статей. Это пример работы с большим ассортиментом. Здесь разберу технические выводы для обычной торговли, без рекомендаций по лекарствам.

Если у двух товаров одинаковое краткое описание и отсутствуют характеристики, модели неоткуда взять точное различие. Красивый диалог не восстановит неизвестный размер, совместимость или состав комплекта.

Для магазина крепежа важны материал, размеры, допустимое применение. Для электроники — интерфейсы, питание и совместимость. Сначала стоит привести ключевые свойства к единому виду и проверить их заполнение на популярных позициях. Это полезно и обычным фильтрам, и AI-поиску.

Модель может знать, что определённый товар существует в мире. Но из этого не следует, что магазин его продаёт. Поэтому поиск нужно связывать с конкретным каталогом и устойчивыми идентификаторами карточек.

Цены и остатки требуют отдельного контроля актуальности. Старое описание допустимо для неизменной характеристики, а устаревшая цена уже меняет решение покупателя. Перед оформлением заказа значимые условия должен подтверждать действующий механизм магазина.

Запрос «подберите зарядку» слишком широкий. Полезный помощник уточнит устройство и требования, а не выберет первый внешне похожий товар. Для бизнеса важно заранее определить такие развилки.

В некоторых категориях ошибка совместимости приводит к возврату или повреждению оборудования. Там лучше честно попросить дополнительную характеристику или передать вопрос специалисту. Уверенный ответ без достаточных данных не делает сервис удобнее.

Возьмите реальные обезличенные поисковые запросы, которые сегодня заканчиваются пустой выдачей. Добавьте разговорные названия, опечатки, несовместимые требования и товары, которых нет в наличии. Правильным результатом иногда будет отказ от подбора, а не найденная карточка.

Оценивайте не только красоту ответа. Нужны корректность предложенного товара, отсутствие выдуманных свойств и возможность перейти к понятному следующему действию. Полезно сравнить AI-поиск с текущим поиском на одинаковых запросах.

Для пилота подойдёт одна хорошо описанная категория. Помощник может сначала только объяснять выбор и показывать подходящие позиции, оставляя оплату и заказ штатному интерфейсу. Это уменьшает число новых точек отказа.

Эффект стоит оценивать по успешным поисковым сессиям, обращениям в поддержку и возвратам из-за неверного подбора. Тогда AI становится способом помочь покупателю разобраться в ассортименте, а не ещё одним окном чата поверх нерешённых проблем каталога.

Buyers rarely phrase queries the same way suppliers name products. They might search for "a mount for a narrow shelf" or "a lamp for evening work," while the catalog expects an article number. Sales are lost at this gap, even with a good assortment.

On September 21, 2026, Yandex Cloud announced an AI assistant for the Apteka ru service. The solution relies on the platform's catalog and proprietary content; the database includes approximately 100,000 products and over 6,000 articles. This demonstrates handling a large assortment. Here, I will examine the technical takeaways for general retail, without providing any medical advice.

If two products share the same short description and lack specifications, models have no source for exact differentiation. An eloquent dialogue cannot recover unknown size, compatibility, or kit composition.

For a hardware store, material, dimensions, and intended use are critical. For electronics, interfaces, power requirements, and compatibility matter. First, standardize key attributes and verify their completeness on popular items. This benefits both traditional filters and AI search.

A model may know that a certain product exists in the world. However, this does not mean the store sells it. Therefore, search must be tied to a specific catalog and stable card identifiers.

Prices and stock levels require separate freshness checks. An old description is acceptable for an immutable attribute, but an outdated price already alters the buyer's decision. Before checkout, significant conditions must be confirmed by the store's active mechanism.

The query "find a charger" is too broad. A useful assistant will clarify the device and requirements rather than selecting the first visually similar item. For business, it is important to define such decision points in advance.

In some categories, a compatibility error leads to returns or equipment damage. In such cases, it is better to honestly request additional specifications or pass the question to a specialist. A confident answer without sufficient data does not make the service more convenient.

Take real anonymized search queries that currently result in empty results. Add colloquial names, typos, incompatible requirements, and out-of-stock items. A correct result is sometimes a refusal to recommend rather than a found card.

Evaluate not only the visual appeal of the response. Ensure the suggested product is correct, free of fabricated attributes, and allows the user to proceed to a clear next action. It is useful to compare AI search with the current search using identical queries.

A pilot can use a single well-described category. The assistant can initially only explain the selection and show suitable items, leaving payment and ordering to the standard interface. This reduces the number of new failure points.

The effect should be evaluated based on successful search sessions, support inquiries, and returns due to incorrect selection. Then AI becomes a way to help customers navigate the assortment, rather than just another chat window on top of unresolved catalog issues.