Когда машина продает машину

Сегодня крупнейшие российские интернет-площадки перестраивают свою экономику с учетом искусственного интеллекта. Технология, которая вчера была скорее предметом громкого пиара без реальных внедрений на практике, сегодня уже проверяет номера, ищет царапины на фото и оценивает автомобили с точностью до нескольких тысяч рублей. Вопрос уже не в том, нужен ли ИИ бизнесу, а в том, где заканчивается его компетенция и начинается зона ответственности человека. О том, как нейросети трансформировали «Авито Авто», в интервью «Ъ-Технологиям» рассказал технический директор платформы Артур Щеглов.

— Сегодня ИИ в автомобильном сегменте обсуждают почти все крупные платформы — и российские, и зарубежные. Где он уже сейчас приносит пользу, а где пока остается скорее ожиданием рынка?

— Хайп вокруг темы сильно разогнался с появлением генеративного ИИ. Но если говорить в целом про искусственный интеллект, то в отрасли он используется давно, еще с 2010-х. То есть тут важно разделять: GenAI — это новая волна, а классические технологии — компьютерное зрение, машинное обучение, антифрод, рекомендации, поиск — все это на рынке уже давно работает.

— То есть, строго говоря, ИИ в автоклассифайдах появился не вчера и начался не с чат-ботов?

— Конечно. До появления генеративных моделей было много специализированных ML-моделей, каждая из которых решала свою задачу. В «Авито» мы внедряем такие технологии еще с 2014 года, и сейчас они есть практически на всех этапах взаимодействия пользователя с площадкой. Можно привести несколько примеров.

Во-первых, это модерация. У нас порядка 99% объявлений на платформе модерируется автоматически, и только небольшая часть попадает на проверку, когда модель говорит: я не могу принять решение, подтвердите вручную. Ежедневно через эти проверки проходит порядка 25 млн объявлений. И если говорить о категории авто, то здесь задействовано больше ML-моделей, чем, условно, в категории детской одежды, потому что нужно верифицировать очень много параметров.

Например, одна модель считывает номер, другая может определять дефекты по фото, третья — комплектацию и отдельные опции. Есть сценарии, когда нужно по СТС проверить, действительно ли человек является собственником автомобиля. Это все решается интерактивно: появляется новая задача — под нее создаем новую модель. На практике эти модели объединены в единый процесс: они проверяют объявление по десяткам параметров и формируют итоговое решение, которое видит пользователь.

Во-вторых, существуют алгоритмы определения рыночной цены автомобиля с пробегом, которые анализируют около 40 параметров машины и внешних факторов, включая состояние рынка, спрос и предложение, информацию о реальных сделках. Оценка формируется в несколько этапов: сначала подбираются автомобили, максимально похожие на оцениваемые, затем рассчитывается базовая цена статистической модели и уточняется ML-алгоритмами на основе расширенного набора признаков, что позволяет учитывать не только характеристики автомобиля, но и динамику рынка в моменте.

То же компьютерное зрение существует давно. Можно натренировать модель на большом стоке фотографий с ржавчиной, царапинами, трещинами и прочими дефектами. Она учится это распознавать и потом может буквально на изображении показать: вот здесь дефект с вероятностью X, обрати внимание. Поэтому говорить, что все началось с GenAI, было бы неправильно. GenAI скорее стал новым интерфейсом поверх уже существующего слоя базовых технологий.

— Что именно изменилось с приходом генеративного ИИ?

— Изменился способ взаимодействия. Раньше каждая модель жила внутри конкретного продукта и отдавала результат в заранее определенном формате — поле, скоринг, классификация. Сейчас появляется текстовый интерфейс, диалоговый формат, через который можно объяснить задачу естественным языком и получить готовый ответ.

Но тут тоже важно не впадать в крайности. Мы не используем LLM-модель для задач вроде «распознай номер с фотографии», такие задачи эффективнее решаются с помощью классических ML-моделей — они дешевле и точнее в таких узких сценариях. Генеративные модели встраиваются в интерфейсы там, где нужно помочь пользователю с задачей более высокого уровня: выбрать, сравнить, разобраться, интерпретировать большой объем информации.

— То есть генеративный ИИ в авто — это в первую очередь про новый интерфейс выбора?

— Да, в первую очередь это про смену интерфейса и логики выбора. У частного покупателя обычно нет четкого понимания, какую именно машину он ищет — есть набор ограничений и предпочтений. И вот с помощью понятного пользователю языка генеративная модель помогает пройти этот путь. Весь процесс исследования начинает происходить уже в диалоговом интерфейсе.

Пользователь может задать вопрос, как бы он его задал, например, консультанту — «нужна машина для семьи из пяти человек, с вместительным багажником, в заданном бюджете». Или наоборот — спросить совета по конкретной модели в конкретном бюджете. И дальше ассистент уже помогает сузить выбор, структурировать саму задачу и предлагает альтернативы.

— Как у вас этот сценарий реализован сейчас?

— У нас есть Ави — GenAI-ассистент для частных пользователей. Мы запустили его тестирование в конце прошлого года во всех вертикалях платформы, а в авто выделили отдельный сценарий под задачу выбора автомобиля.

Задача Ави — не просто показать объявления, а помочь с подбором. Параметры можно задать в свободной форме, например написать: «нужна машина для семьи, бюджет такой-то» — и получить отобранные варианты из тысяч объявлений.

В основе — архитектура из специализированных ИИ-моделей, каждая из которых решает свою часть задачи. Ответ формируется в несколько этапов: система уточняет параметры, подбирает варианты и проверяет результат на корректность. Такой подход позволяет масштабировать сервис под высокую нагрузку и при этом сохранять точность ответов.

При этом по результатам первых тестов видно, что пользователи воспринимают ассистента не как замену решения, а как дополнительный инструмент проверки выбора — скорее «дай еще одну точку зрения», чем «реши за меня».

— Автомобиль обычно не импульсивная покупка. Как вообще меняется сценарий выбора машины на платформе?

— Да, это длинный и достаточно рациональный процесс, и он постепенно меняется. Раньше пользователь проходил этот путь вручную: открывал десятки объявлений, сравнивал параметры и постепенно сужал выбор. Сейчас часть этой работы начинают брать на себя платформы. И тут хочется выделить два направления, которые влияют на эти изменения.

Первое — это появление диалоговых интерфейсов, которые добавляют новый слой к классическому поиску, и я думаю, история будет развиваться дальше более активно. Ожидания от них сейчас действительно большие, поэтому все пытаются встроить такой формат в самых разных местах: где-то для поиска, где-то для редактирования текста, где-то для консультации. Это такой широкий фронт экспериментов.

При этом чат не заменит классические фильтры полностью. Разные аудитории по-разному воспринимают подобные интерфейсы. Сейчас более 60% пользователей чат-ботов — это люди в возрасте от 18 до 35 лет, то есть у категории 35+ этот инструмент востребован в меньшей степени. Поэтому, развивая диалоговый формат, мы также продолжаем совершенствовать и классический путь поиска авто на платформе, делая его еще более удобным и быстрым.

Второе важное изменение — это усиление роли доверия в процессе выбора. Покупатель все чаще ожидает, что платформа не просто покажет варианты, но и обеспечит высокий уровень безопасности на всех этапах поиска и выбора авто.

Например, изначально на платформе VIN при подаче объявления не был обязательным и нельзя было узнать историю авто. Когда он стал обязательным, начали появляться ситуации, когда в объявлении указывался VIN от другого автомобиля. Пользователь смотрит: о, история чистая, надо брать. Приезжает на осмотр и уже ничего не сверяет. Мы можем сколько угодно писать «сверьте VIN в объявлении и на машине», но читают это единицы. Поэтому задача платформы — исключить вероятность того, что объявление с чужим VIN вообще попадет к пользователю. Мы это решаем автоматически: модель сверяет номер, который видит на фотографии автомобиля, с VIN в объявлении — и если они не совпадают, то такое объявление в принципе не проходит модерацию.

— То есть ИИ здесь работает еще и как защитный слой?

— Да, и это одна из ключевых ролей. Автомобиль в этом смысле вообще очень специфический товар: у него огромное количество цифровых следов. Если взять телефон, ты можешь посмотреть отзывы, визуально его оценить, понять, хороший он или плохой. У автомобиля все сильно сложнее. Есть данные СТО, страховых компаний, ДТП, ограничения, пробеги — это агрегированный массив данных из разных источников, который требует дополнительной обработки и нормализации, чтобы быть полезным покупателю.

У нас за это отвечает «Автотека» — сервис как раз собирает эти данные и показывает пользователю полную картину по автомобилю с пробегом. Но сам по себе объем данных не решает проблему. Непрофессиональный пользователь открывает отчет и думает: классно, информации много, а что мне с ней делать? Технические детали, какие-то сокращения и аббревиатуры по запчастям — обычному пользователю это очень тяжело интерпретировать.

— И здесь уже подключается LLM?

— Да. Здесь мы используем большую языковую модель для обработки текстовых описаний — например, расчетов ремонта, кузовных работ и других событий, которые поступают из разных источников, включая страховые компании и сервисные центры.

На основе этих данных система автоматически формирует коды повреждений, привязанные к одной из 16 частей автомобиля, и наносит их на интерактивную схему ДТП, тем самым переводя разрозненные данные в структурированную модель повреждений

В результате пользователь видит визуализированную историю автомобиля — от аварий до последующих ремонтов.

— У вас там, насколько я понимаю, еще и цветовая система рекомендаций есть?

— Да, система, по сути, работает как «светофор».

Зеленый — рекомендуем сразу выезжать на осмотр, хороший вариант. Желтый — серьезных ограничений нет, можно ехать смотреть, но стоит обратить внимание на отдельные характеристики или взять с собой профессионала. Красный — подсвечиваем риски.

Если были мелкие ДТП, это не значит автоматически, что автомобиль плохой. И наоборот: если есть юридические риски, это уже история другого порядка. В этом смысле ИИ не заменяет решение человека, а помогает ему быстрее понять, в какую сторону вообще смотреть и на что обращать внимание.

— Если перейти от частного пользователя к профессиональному продавцу, что для дилеров меняется с приходом генеративных моделей?

— Если в сценариях для частных пользователей ИИ помогает снизить неопределенность при выборе автомобиля, то для дилеров он решает ту же задачу — только уже на уровне управления складом, ценой и продажами. Идея в том, чтобы с помощью генеративных моделей анализировать, что происходит у дилера со складом. Допустим, у тебя 100 автомобилей. За каждым глазами не уследишь. Есть машины, которые долго стоят, а чем дольше машина стоит на складе, тем больше дилер теряет деньги: аренда, замороженная маржинальность, издержки. И тут модель может помочь и показать: смотри, у тебя есть автомобиль, который давно завис, маржинальность по нему уже тает, возможно, имеет смысл снизить цену или вообще от него избавиться, иначе дальше затраты могут уйти в минус.

— Это уже готовый сервис или пока скорее проработка будущего продукта?

— Скорее некоторое будущее. Сейчас мы пытаемся помочь продавцу в четко определенных сценариях. У нас есть внутренняя команда консалтинга, которая хорошо разбирается в рынке, и она вместе с дилерами анализирует, какую именно ценность может дать новая функциональность. За последнее время мы запустили два таких продукта.

Первый связан с анализом звонков — аудит трафика. У дилеров и их колл-центров обычно есть определенные чек-листы: представился ли сотрудник, был ли он вежлив, задал ли нужные вопросы, пригласил ли на тест-драйв и так далее. Мы сделали решение, при котором звонок записывается, потом обезличивается и транскрибируется, анализируется, и руководителю приходит отчет: что было сделано по стандарту, а что нет. По сути, система помогает прозрачно зафиксировать статус звонков, повысить выполнение чек-листа и, как следствие, вернуть в воронку горячие лиды.

Второе решение связано как раз с обработкой лидов. Мы видим, что порядка 30% лидов теряются в момент первого звонка. Человек потенциально готов был к покупке, но продавец что-то не договорил, не предложил, не уточнил — и этот лид ушел к другому дилеру. Мы внедрили инструмент — «горячие лиды», который позволяет с высокой точностью определить, насколько человек действительно был готов к покупке и что ему можно предложить еще. Возможно, ему просто нужна была скидка. И часть таких лидов можно вернуть дилеру в работу.

Например, у нас недавно был кейс с одним из дилеров. Мы проанализировали всю воронку от звонка до продажи и встроили аналитику в процессы дилера в рамках DMS-системы «Автохаб» (dealer management system), системы управления дилерским бизнесом. В итоге конверсия выросла на каждом этапе воронки, а дилер за месяц продал на 15 автомобилей больше при стоке в 500 машин — это значительный результат.

— Речь идет о чисто текстовом анализе разговора? Или вы смотрите еще и на эмоции, интонацию?

— Текстового анализа достаточно. Схема тут довольно понятная: сначала аудиозапись переводится в текст, а потом уже по словам, по формулировкам, по структуре разговора можно понять, как он прошел в целом.

— То есть в B2B вы пока идете не через большой «универсальный AI-продукт», а через последовательную проверку гипотез?

— Да, именно так. В B2B в принципе плохо работает подход «сразу сделать универсальный продукт и масштабировать его на всех». Здесь каждый клиент — это отдельный набор процессов, данных и ограничений. Поэтому мы действуем через проверку конкретных сценариев вместе с дилерами: берем узкую задачу, интегрируемся в их процесс, смотрим, дает ли это измеримый эффект — по выручке, конверсии или операционной эффективности.

Обычно такие вещи мы в первую очередь добавляем в «Автохаб». Он, по сути, работает как система управления складом и размещением — можно выбрать размещение на разных площадках, управлять эффективностью.

— А для небольших профессиональных продавцов такая логика тоже применима?

— Да, мы видим конкретную проблему и ищем решение для нее. Одна из ключевых на данный момент — отработка трафика со стороны продавцов и как следствие низкая конверсия во встречу или следующий контакт. Мы уже интегрировали LLM-модель для автоответов в чатах, которые помогают отвечать на частые вопросы потенциальных покупателей, например, интересует ли обмен. И видим тут потенциал для работы с генеративными моделями, которые будут собирать лучшие практики в профессиональном сегменте и на основе их помогать продавцу вести эффективную коммуникацию.

— Если смотреть шире, чем вы в этой гонке отличаетесь от других игроков рынка? Все же сейчас почти у всех уже есть какие-то AI-сценарии.

— Международный рынок действительно очень активно экспериментирует. Многие делают AI-ассистентов для поиска, генерацию объявлений, инструменты для дилеров, оценку автомобиля и анализ звонков. Российский рынок движется примерно в тех же направлениях.

Но мне кажется, здесь не очень полезно мериться самим фактом «у кого есть AI». Гораздо важнее, насколько это встроено в реальную задачу пользователя. Мы стараемся идти не от технологии ради технологии, а от конкретной боли. Если пользователь не понимает, как выбрать автомобиль, ему нужен более понятный способ подбора. Если он не понимает отчет по истории машины, ему нужно это объяснить. Если дилер теряет лиды и деньги на коммуникации, значит, надо помочь именно здесь.

В этом смысле генеративный ИИ — это не отдельный продукт на витрине, а следующий слой над уже существующей инфраструктурой. И дальше, скорее всего, рынок будет двигаться так: не одна универсальная модель «на все случаи жизни», а много специализированных сценариев, поверх которых появляется более удобный интерфейс.

— То есть в ближайшие годы стоит ждать не замены привычного интерфейса, а постепенного наслаивания новых AI-сценариев?

— Да, так и есть. Диалоговые интерфейсы будут расти, ассистенты будут появляться в новых точках, но старые сценарии не исчезнут полностью. Где-то по-прежнему лучше сработает классический фильтр, где-то ассистент, который объяснит тебе на естественном языке, что происходит с выбором, с историей автомобиля или с твоим складом. В конечном счете люди разные, задачи разные — и не все нужно решать через один и тот же интерфейс.