Как мы создали на Claude «AI Директора»: Это был эксперимент, который вышел из под контроля
В e-commerce есть молчаливый убийца бизнеса. Он не в отчётах и не в воронке продаж. Он в ценообразовании, которое делает человек. Точнее, в запаздывании этого самого ценообразования.
Пока ваш менеджер открывает 15 вкладок, парсит конкурентов, сверяется с курсом и правит цены в Excel, деньги утекают. Не потому что он плохой сотрудник. А потому что он человек. А человек спит, болеет и физически не может пересчитывать 500 SKU каждые полчаса.
Мы решили проверить гипотезу: а что, если передать управление маржинальностью искусственному интеллекту? Не просто скрипту, который дёргает цены по формуле, а агенту, который думает. Принимает решения. И несёт за них ответственность.
Так родился эксперимент под кодовым названием «Цифровой Директор».
Железо вокруг мозга: оболочка, которая кормит Claude
Сразу к архитектуре. Мозг агента — это Claude от Anthropic. Мы выбрали его по двум причинам. Первая: на момент эксперимента это была единственная модель, которая не выдумывала цифры при работе с финансовыми данными. Вторая: у Claude здравая система безопасности, и мы могли выставить жёсткие guardrails — например, «никогда не опускай цену ниже себестоимости». Без этого эксперимент был бы чистым самоубийством.
Но Claude сам по себе ничего не может. Ему нужна оболочка — среда, которая даёт доступ к реальным данным и возможность действовать.
Мы построили её так:
- Агент живёт на выделенном сервере и общается с нашим WooCommerce через REST API. Через него он читает каталог, цены, остатки и тут же обновляет их.
- Данные о закупках парсятся из прайс-листов поставщиков раз в 3 часа.
- Цены конкурентов собираются через Keepa API.
- Рекламная статистика тянется из Facebook Ads API.
- У агента есть собственный task manager. Он сам планирует задачи. Каждые 30 минут он просыпается, забирает свежие данные по всем источникам и решает, что делать дальше.
У агента есть память. Все его решения и их обоснования пишутся в логи. Раз в сутки он генерирует сводку: что изменил, почему, какие риски видит. Мы читаем её за кофе.
Важный момент: агент никогда не применяет изменения сразу. Сначала он готовит список предлагаемых правок — что, почему и на сколько. Система присылает их мне в Телеграм. Я могу отклонить, подтвердить или попросить объяснений. Только после моего подтверждения он идёт в REST API и обновляет цены. Это принципиально: финальное решение всегда за человеком. Агент — советник, не палач.
Что мы реально отдали Claude
Мы начали с малого и расширяли полномочия постепенно. Вот список функций, которые перешли под управление агента:
- Мониторинг закупочных цен. Каждые 3 часа агент парсит прайс-листы. Если цена поставщика изменилась, он мгновенно пересчитывает минимальную допустимую цену и предлагает скорректировать. Раньше это делалось раз в неделю. На восьмой день мы уже теряли деньги.
- Контроль рекламной математики. Агент каждые 30 минут сверяет ДРР (долю рекламных расходов) по каждому товару с актуальной себестоимостью. Если кампания ушла в минус, он предлагает либо скорректировать цену, либо припарковать объявление. Раньше убыточные кампании-зомби жили неделями.
- Реакция на конкурентов. Агент отслеживает цены топ-5 конкурентов по каждой позиции. Если сосед демпингует, агент не ввязывается в гонку на дно, а оценивает: стоит ли нам вообще реагировать? Иногда выгоднее уступить, чем резать маржу вслед за тем, кто сливает сток.
- Прогнозирование остатков. Агент анализирует скорость продаж и предупреждает: «этот SKU закончится через 5 дней, закупка занимает 4 дня, заказывай сегодня». Мы перестали терять продажи из-за out-of-stock.
- Ежедневный отчёт на человеческом языке. Каждое утро агент присылает сводку: какие позиции подорожали, какие подешевели, где маржа под угрозой и что он предлагает сделать. Всё на русском, не на жаргоне аналитиков.
Что мы НЕ отдали агенту и почему
Это важнее, чем список того, что отдали:
- Финальное решение. Мы сознательно оставили подтверждение за собой. Агент формирует предложение — человек жмёт кнопку. Это не недоверие к модели. Это трезвый расчёт: LLM иногда hallucinate, и одна ошибка в ценообразовании может стоить дороже, чем месяц ручной работы.
- Магистральные бренды. Товары, которые формируют лицо магазина и по которым нас находят. Их цена меняется только вручную. Агент может советовать, но не трогать.
- Товары-якоря. Позиции, которые специально держатся в ноль или в минус ради трафика. Их агент обходит стороной.
- Распродажи. Решение о старте и глубине распродажи остаётся за человеком. У агента нет контекста: почему мы сливаем этот сток, какая у нас цель и т.д.
Пример реального решения: что Claude сделал вчера
Опишу конкретный кейс из логов, чтобы вы понимали, как агент мыслит.
Ситуация. Поставщик поднял закупочную цену на товар X на 14%. Цена конкурентов не изменилась. Маржинальность упала с 18% до 3%.
Что сделал агент:
- Зафиксировал изменение закупочной цены из прайс-листа.
- Проверил цены 5 конкурентов — без изменений.
- Рассчитал минимальную цену продажи для сохранения маржи 10% — нужно поднимать на 12%.
- Проверил эластичность спроса: проанализировал историю продаж при прошлых повышениях цены на этот товар. Выяснил, что при повышении на 10% продажи падают на 4%. Сделал вывод: повышение на 12% даст падение продаж на 4-5%.
- Предложил решение: поднять цену на 8% вместо 12%. Сознательно согласился на снижение маржи с 18% до 9%, потому что более резкое повышение, по его расчётам, уронит продажи сильнее, чем мы выиграем на марже.
Что сделал я. Подтвердил решение.
Раньше этот сценарий выглядел так: менеджер замечал изменение цены поставщика в конце недели, поднимал цену механически на те же 14%, продажи падали, мы не понимали почему. Агент сделал то же самое за 12 минут и с анализом эластичности.
Результаты: что изменилось за 3 месяца
Мы запустили эксперимент в начале 2026 года на 500 SKU. Три месяца спустя картина такая:
- Средняя маржинальность портфеля выросла на 4,2 процентных пункта. Не «в 2 раза» и не «до небес». Просто на 4,2 п.п. Но в нашем бизнесе это разница между «работаем в ноль» и «реинвестируем в рост».
- Среднее время реакции на изменение закупочной цены сократилось с 3 дней до 12 минут. Это главная цифра всего эксперимента. Мы перестали терять деньги в промежутке между «поставщик поднял цену» и «мы узнали об этом».
- У нас больше нет убыточных рекламных кампаний. Агент отключает их быстрее, чем любой человек успевает заметить проблему.
- Ошибок из-за hallucination — ноль. За 3 месяца Claude ни разу не предложил неадекватную цену. Один раз предложил поднять цену на 80% — но сам же пометил это как «требует проверки», и мы отклонили. Без подтверждения человека ни одно изменение не проходит.
Важный момент: мы считали затраты. Claude API обходится примерно в $120 в месяц при нашей нагрузке. Серверная оболочка — ещё около $40. Итого $160 в месяц. Сравните с зарплатой человека, который делал эту работу частично (а делал он её плохо, потому что невозможно хорошо делать её вручную).
Где мы обожглись
Не хочу, чтобы сложилось впечатление, что мы просто нажали кнопку и оно поехало. Было три серьёзных проблемы:
Первая: данные. Claude настолько хорош, насколько хороши данные, которые он получает. Первую неделю мы не запускали агента в бой, а просто вылизывали товарную матрицу. Кривые описания, дубли SKU, неправильные закупочные цены — каждая ошибка мультиплицировалась бы в сотнях карточек.
Вторая: guardrails. На второй неделе агент предложил демпинговать по товару, который был для нас магистральным. Мы не сказали ему, что этот товар — якорь. Пришлось срочно дописывать правила: список исключений, минимальный порог рентабельности для каждой категории, запрет на изменение цен определённых брендов. Это была самая важная работа — не техническая, а методологическая.
Третья: сезонность. Агент не понимает, что перед 8 марта косметика должна дорожать не потому что поставщик поднял цену, а потому что спрос взлетит. Мы учили его этому месяц. По сути, мы передавали агенту негласные знания, которые были только в голове у основателя.
Для кого это
Мы строили агента под WooCommerce для малого и среднего e-commerce. Почему? Потому что у нас нет отделов ценообразования, нет армии аналитиков и нет ИТ-бюджета на кастомную ERP-систему. У нас есть магазин, 500-2000 SKU и 2-3 человека в команде. И нам как воздух нужен инструмент, который возьмёт на себя рутину по пересчёту цен, пока мы занимаемся стратегией.
Такой инструмент, как наш «Цифровой Директор» — это не игрушка и не хайп. Это оружие. Оружие, которое позволяет малому бизнесу играть на равных с гигантами, у которых есть целые отделы ценообразования.
Главный вопрос: может ли LLM управлять ценообразованием?
Может. Но не в одиночку. Агент — это идеальный советник: быстрый, точный, не спит, не ошибается в математике. Но окончательное решение должен принимать человек.
Мы проверили это на практике. Claude не заменил нашего менеджера. Он заменил 70% его рутины. Менеджер перестал быть обезьянкой с Excel и стал командиром, который ставит агенту задачу и контролирует результат.
И да, кстати, Anthropic недавно провёл собственный эксперимент — Project Vend. Они посадили Claude Sonnet 3.7 управлять реальным магазином-автоматом в офисе. Агент сам искал поставщиков, устанавливал цены, заказывал пополнение. Результат? Магазин не разорился, но и не вышел в плюс. Claude слишком охотно давал скидки и плохо учился на ошибках. Это ровно то, почему мы не отдали агенту финальное решение.
Пока ваш конкурент просыпается, включает Excel и открывает 15 вкладок, наш Claude уже пересчитал 500 SKU, проверил рекламные кампании, сравнил цены конкурентов и прислал мне отчёт в Телеграм.
Будущее e-commerce — это не «человек против ИИ». Это человек плюс ИИ против человека без ИИ. И во втором случае у второго шансов всё меньше.