Кассир пока может не волноваться какие технологии действительно пересоберут ретейл
CEO MAGNIT TECH Вячеслав Кубаев — о том, как ИИ, роботы и квантовые вычисления меняют один из крупнейших бизнесов страны
9 минут
Более 35 тысяч магазинов и свыше 20 миллионов покупателей ежедневно — технологии в таком масштабе уже не могут быть просто функцией поддержки. За ними стоит команда MAGNIT TECH из более чем пяти тысяч специалистов, которая создаёт ИТ-системы для разных форматов бизнеса — от «Магнита» до «Азбуки вкуса». Вячеслав Кубаев, CEO MAGNIT TECH, рассказывает, как технологии помогают справляться с таким масштабом и превращаются в инструмент стратегического развития бизнеса.
Содержание
Как ИИ будет пересобирать ретейл
ИИ уже перестал быть темой только для технологических команд — бизнес пытается понять, как он изменит целые отрасли и привычные модели работы. Для разработчиков последствия этого сдвига более-менее понятны, а для ретейла вопросов пока гораздо больше: что нас ждёт, какие процессы изменятся и куда смотреть уже сейчас? Вместе с Российской экономической школой и МФТИ мы провели совместное исследование и на его основе сформировали : как может развиваться ИИ, какие изменения он способен принести в ретейл и к каким последствиям для экономики это может привести.
Стартовая точка исследования — уже довольно широкий охват GenAI. Примерно в 30% профессий технология потенциально может использоваться более чем в четверти рабочих задач. Но если поднять планку и считать радикальной трансформацией ситуацию, когда GenAI затрагивает не менее 75% операций внутри профессии, таких профессий пока 4%. То есть ИИ уже может быть встроен в работу многих специалистов, но полностью пересобрать большинство профессий на текущем этапе он способен лишь в ограниченном числе случаев.
Распространение ИИ зависит не только от возможностей самих моделей, но и от того, насколько удобны инструменты взаимодействия с ними. В среднесрочной перспективе будет встречаться значительно чаще автоматизации. Отдельный потенциал для дальнейшей автоматизации мы видим в развитии ИИ-агентов, способных самостоятельно выполнять целые последовательности задач.
Следующий вопрос — с какой скоростью развивается сама технология. Мы посмотрели, с задачами какой длительности модели способны справляться как минимум с 50%-ной вероятностью. Если нанести эти данные на логарифмическую шкалу, получается почти прямая линия — то есть возможности моделей растут экспоненциально. По данным исследовательской организации METR, с 2019 года длина задач, с которыми модели справляются хотя бы в половине случаев, удваивалась примерно каждые семь месяцев, а по обновлённым оценкам — ещё быстрее.
Именно здесь, на мой взгляд, и скрывается главный потенциал ИИ. Можно долго перечислять, с чем модель справляется сегодня, а с чем пока нет. Но гораздо важнее учитывать темп изменений: если показатель продолжит удваиваться с той же скоростью, через несколько таких циклов разница с сегодняшним уровнем будет уже кратной. Поэтому при оценке влияния ИИ на бизнес важно смотреть не только на его текущие возможности, но и на траекторию развития.
Ретейл без людей? Пока не совсем
Профессии будут меняться с разной скоростью. Мы разделили их на три группы: те, где человек в основном работает с текстом, профессии с визуальным или цифровым интерфейсом и физический труд. Первая группа уже сильнее всего готова к внедрению ИИ: это, например, junior-разработчики, аналитики, маркетологи, юристы. Во второй многое будет зависеть от развития интерфейсов и инструментов, через которые человек управляет процессами. А физические профессии, например кассиры, кладовщики и курьеры, потребуют ещё нескольких технологических циклов: одной языковой модели здесь недостаточно, нужны другие технологии и автоматизация.
Получается, что ИИ не будет одинаково быстро перестраивать рынок труда. Где-то трансформация уже началась, а где-то эффект станет заметен только через несколько лет.
Отдельно мы посмотрели, насколько разные отрасли готовы к внедрению ИИ и агентов. Здесь стартовые условия тоже сильно различаются. Для ретейла одна из главных сложностей — данные: их много, они приходят из разных систем и источников, и, прежде чем на них смогут полноценно работать ИИ-инструменты, этот массив нужно собрать и привести в пригодный для использования вид. Поэтому скорость изменений определяется не только возможностями самих моделей, но и тем, насколько отрасль подготовила для них инфраструктуру и данные. В этом смысле ретейл находится не в самой простой позиции — хотя есть отрасли, где эта задача ещё сложнее.
Отдельное направление — физическая роботизация. Здесь главный барьер сегодня не столько само «железо»: аппаратная часть условно готова. Основные ограничения связаны с алгоритмами и данными, которые нужны роботам, чтобы стабильно работать в реальной физической среде. Речь идёт не только о том, чтобы научить машину выполнять отдельное движение. Ей нужно ориентироваться в пространстве, справляться с меняющимися условиями и корректно выполнять задачу в большом количестве реальных сценариев. Для этого нужны и более совершенные алгоритмы, и массивы данных о взаимодействии с физическим миром.
Следующий вопрос — как из теоретического потенциала получить реальные изменения. Здесь уже включается экономика: чем больше рынок и потенциальный эффект от автоматизации, тем больше ресурсов игроки готовы вкладывать в развитие технологии и тем быстрее она начинает применяться на практике. Поэтому мы отдельно посмотрели на масштаб профессий и задач, которые могут измениться под влиянием ИИ. Часть из них уже находится в зоне текущих возможностей технологий. Но остаётся и большой пласт, где потенциал раскроется только по мере развития самих моделей, алгоритмов и «железа». Около 35% работоспособного населения затрагивает текущий уровень ИИ, ещё около 30% ждут развития роботизации.
Почему нельзя просто поставить робота в магазин
Есть и ещё одна причина заниматься роботизацией — дефицит рабочей силы. Для «Магнита» это особенно чувствительно: только рабочего персонала у нас около 200 тысяч человек. Примерно 170 тысяч работают в магазинах, около 17 тысяч — в складской логистике, 10 тысяч — в транспортной и ещё около 3 тысяч — на собственном производстве. Поэтому, когда мы выбирали, куда направить усилия в роботизации в первую очередь, логично было начать именно с этой категории задач. Здесь сходятся сразу два фактора: высокая потребность бизнеса в людях и наш масштаб. Чем больше однотипных операций, тем заметнее потенциальный эффект автоматизации и тем проще такой технологии окупиться.
Дальше возникает принципиальный выбор: специализированная роботизация или универсальные антропоморфные роботы. Со специализированными решениями всё понятнее. Если строить новый склад или производство с нуля, пространство можно сразу спроектировать под конкретные машины — и экономика такой автоматизации уже вполне предсказуема.
У нас задача сложнее. У «Магнита» огромная существующая инфраструктура — магазины, распределительные центры, производства, — и перестроить её целиком под роботов невозможно. Значит, технология должна, наоборот, научиться работать в среде, которая изначально создавалась для человека.
Отсюда возникает множество прикладных требований: грузоподъёмность, габариты, скорость передвижения, время автономной работы, возможность маневрировать в существующем пространстве. И здесь наша роль как ретейлера не в том, чтобы самостоятельно производить «железо». Нам важнее определить требования к таким системам и работать над алгоритмами навигации, взаимодействия с окружающей средой и их интеграцией в реальные процессы. До полноценного решения этой задачи ещё далеко, но именно к ней мы сейчас подходим.
Зачем ретейлу квантовые вычисления
Теперь самая инновационная часть: квантовые вычисления. Но здесь важно сначала понять, почему к ним вообще возник такой интерес.
Классические компьютеры работают с битами — нулями и единицами, физически реализованными через транзисторы. Десятилетиями рост вычислительной мощности во многом обеспечивался тем, что транзисторов на чипе становилось всё больше, а их размер — всё меньше. Это давало экспоненциальный рост производительности.
Но примерно к середине 2010-х этот подход начал упираться в физические ограничения: размеры транзисторов приблизились к физическим пределам миниатюризации, и дальше наращивать мощность прежними темпами становилось всё сложнее. Оптимизация архитектуры и программного обеспечения продолжается, но сама траектория роста уже не выглядит такой же экспоненциальной.
Отсюда и интерес к квантовым вычислениям. Вместо обычных битов здесь используются кубиты, которые благодаря квантовой суперпозиции могут находиться в комбинации состояний. А при квантовой запутанности состояние нескольких кубитов оказывается связано. Важный для нас эффект в том, что с добавлением каждого кубита размер пространства возможных состояний удваивается.
Звучит впечатляюще, но на практике квантовые системы пока остаются сложной лабораторной технологией: кубитами трудно управлять, их состояния нестабильны, а вычисления подвержены ошибкам. Поэтому сегодня речь не о замене классических компьютеров, а о поиске нового источника роста вычислительных возможностей там, где привычная архитектура начинает сталкиваться с физическими пределами.
Если говорить о практическом применении, то наиболее реалистичный сценарий сегодня — не полная замена классических компьютеров квантовыми, а их совместная работа. Классическая система будет решать привычные задачи, а специализированный квантовый блок — подключаться там, где обычные вычисления требуют слишком много времени.
Например, квантовую систему можно использовать для моделирования отдельных физических или химических процессов: не просчитывать их целиком классическими алгоритмами, а воспроизводить нужное состояние с помощью кубитов и анализировать результат. Поэтому будущее, скорее всего, за гибридной моделью — классические вычисления для основной работы и квантовые системы для отдельных классов особенно сложных задач.
Квантовый компьютер пока не в магазине. Но уже рядом
Для нас следующий вопрос был практическим: где квантовые вычисления вообще могут пригодиться ретейлу. Таких задач немало — от управления запасами и логистикой до планирования персонала. Во многих из них это комбинаторные задачи оптимизации, где число вариантов растёт взрывообразно, и классические алгоритмы не всегда позволяют получить хороший результат за разумное время.
В качестве одного из первых кейсов мы взяли задачу выравнивания временных рядов поставок. Для ретейла важно не просто понимать, сколько товара нужно магазину, но и распределять поставки так, чтобы нагрузка на цепочку была более равномерной. Мы оценили потенциал квантового подхода для такой задачи и увидели, что он есть.
Здесь мы уже перешли от теории к пилоту. Вместе с Росатомом MAGNIT TECH запустил первый в российском ретейле пилот по применению квантовых вычислений для оптимизации цепочки поставок. Мы работали с задачей оптимизации плана отгрузок товаров в магазины и получили улучшение качества планирования на 30–40%. При этом наша задача не в том, чтобы завтра заменить классические вычисления квантовыми. Мы уже сейчас можем выстраивать архитектуру так, чтобы на ней работали классические и квантово-вдохновлённые методы (quantum-inspired), а в будущем к ней можно было подключить квантовый процессор.
Пока сами квантовые компьютеры остаются в основном лабораторной технологией, поэтому параллельно мы смотрим и на квантово-вдохновлённые методы — алгоритмические подходы, которые можно использовать уже на классическом «железе». В перспективе такие инструменты могут применяться гораздо шире: в логистике и управлении цепочками поставок, планировании персонала, digital retail и e-grocery, работе с ассортиментом и полкой, промо и персонализированных предложениях.