Радио 
В 2026 году фэшн-рынку приходится работать в более сложной экономической среде, чем несколько лет назад. Покупатель становится осторожнее, стоимость привлечения растет, а высокий ассортимент уже не гарантирует продажи. На этом фоне искусственный интеллект постепенно перестает быть экспериментом и становится рабочим инструментом — от рекомендаций и чат-ассистентов до виртуальной примерки, генерации контента и прогнозирования спроса.
О том, какие ИИ-технологии уже внедряют фэшн-бренды в России и за рубежом и как они влияют на конверсию, средний чек, стоимость привлечения и возвраты, специально для Sostav рассказывает Кирилл Пегов, сооснователь и CTO looksy.tech.
Рынок замедляется, цена ошибки растет
В 2026 году мировая фэшн-индустрия остается в зоне низкого роста, компании сталкиваются с более осторожным потребителем, ростом издержек и изменением торговых цепочек. При этом эффективность становится одной из главных управленческих задач отрасли: технологии рассматриваются как способ одновременно сокращать расходы и находить новые точки роста.
В России давление на спрос также усиливается. По данным «Платформы ОФД», в 2025 году количество покупок одежды и обуви в магазинах снизилось на 11% год к году, хотя средний чек вырос на 5%, до 2988 рублей. Покупатель стал более рациональным и реже совершает спонтанные покупки. По данным исследования российского фэшн-рынка, среднее число покупок одежды на одного активного клиента сократилось с 16 в 2021 году до 11 в 2024-м. Доля расходов на одежду в бюджете жителей Московского региона за тот же период снизилась с 8,2% до 5%.
Одновременно брендам все сложнее привлекать новую аудиторию — 72% брендов уже сталкиваются с трудностями при привлечении новых клиентов. В таких условиях бизнесу приходится эффективнее работать с каждым уже привлеченным посетителем: повышать конверсию, увеличивать глубину взаимодействия и сокращать потери после оформления заказа.
У американских и европейских игроков ситуация во многом похожая. McKinsey в исследовании State of Fashion 2026 называет эффективность и удержание клиентов одними из центральных вопросов для отрасли. Более 35% опрошенных фэшн-руководителей уже используют генеративный ИИ в клиентском сервисе, создании изображений и текстов, поиске и подборе товаров.
При этом потенциал технологии действительно велик. McKinsey оценивает возможный экономический эффект генеративного ИИ для ретейла в 240−390 млрд долларов, что эквивалентно росту средней отраслевой маржи на 1,2−1,9%. Это не прогноз выручки конкретного бренда, а оценка совокупного потенциала технологии для отрасли, но она хорошо показывает масштаб происходящих изменений.
Главная проблема покупки — неуверенность в выборе
Для онлайн-ретейла особенно критична неопределенность на последнем этапе воронки. Онлайн-покупатель видит вещь на модели, но не может физически оценить ее на себе: насколько подойдет силуэт, сочетается ли цвет с внешностью, как будет выглядеть конкретный размер.
При этом почти 70% онлайн-корзин в среднем остаются брошенными. По данным Baymard Institute, глобальный средний показатель брошенных корзин сейчас составляет около 70%. Исследование при этом показывает важную оговорку: значительная часть таких отказов связана не с UX, а с обычным сравнением цен, просмотром товаров и отсутствием готовности покупать. Поэтому задача бизнеса — не пытаться устранить все отказы, а находить те точки неопределенности, на которые он действительно может повлиять.
Какие ИИ-инструменты уже используют бренды
1. ИИ-ассистенты и стилисты
Один из наиболее заметных сценариев — перевод поиска и консультации из интерфейса каталога в обычный диалог. В 2025 году Ralph Lauren запустил в приложении для пользователей в США Ask Ralph — ИИ-ассистента на базе Azure OpenAI. Пользователь может описать ситуацию или повод, а система предлагает визуально оформленные и доступные для покупки комплекты из ассортимента бренда. По сути, поиск по каталогу превращается в разговор с цифровым стилистом.
Такая модель решает сразу несколько задач. Пользователю не нужно самостоятельно просматривать десятки категорий, искать сочетания и сопоставлять товары. Для бренда это способ увеличить глубину взаимодействия с ассортиментом и перевести рекомендацию непосредственно в товарную воронку.
McKinsey и Business of Fashion прогнозируют, что объем покупок, которые будут проходить через ИИ-агентов, потенциально может достичь 3−5 трлн долларов к 2030 году. Для онлайн-ретейла это означает новый способ обнаружения товаров: покупатель все чаще будет формулировать потребность, а не искать конкретный товар по каталогу.
Для брендов это меняет требования к общей инфраструктуре. Чтобы попасть в рекомендации ИИ, недостаточно просто иметь красивый сайт: необходимы качественные данные о товарах, понятные характеристики, структурированный контент и техническая доступность информации.
2. ИИ-ассистенты в России
В России покупатели тоже постепенно начинают использовать нейросети не только для консультаций, но и непосредственно для поиска товаров. По данным «Яндекса», с начала 2026 года трафик из «Алисы AI» в российский онлайн-ретейл вырос в 4,6 раза. Еженедельно около 11 млн человек обращаются к «Алисе» за консультациями по товарам, а покупательские задачи уже занимают 12% всех запросов в чате.
В «Яндексе» рассчитывают, что к 2030 году до 10% продаж на рынке онлайн-торговли могут проходить с участием ИИ-сценариев.
3. Рекомендательные системы
Еще один давно известный, но продолжающий развиваться сценарий — персональные рекомендации. Вместо универсального каталога пользователю показывают товары с учетом истории просмотров, покупок, характеристик продукта и контекста текущего поведения. Для фэшн это особенно важно, поскольку одного товара часто недостаточно: покупателю нужны сочетания, альтернативы, аксессуары и дополнительные категории. Бренды и маркетплейсы связывают данные о товаре с поведением пользователя, чтобы увеличивать вероятность следующего клика и покупки.
4. ИИ-поиск
Западные бренды пошли дальше и объединили рекомендации с генеративным ИИ: системы учатся понимать задачу пользователя — например, подобрать комплект для определенного мероприятия или дополнить уже выбранный образ. ИИ сам формирует подборку и ведет пользователя к покупке. ASOS в 2026 году запустил собственного стилиста внутри ChatGPT, а Daydream предлагает фэшн-брендам встроить ИИ-поиск непосредственно на свои сайты.
5. Виртуальная примерка
Если ИИ-стилисты снимают вопрос «что мне выбрать?», то виртуальная примерочная отвечает на другой ключевой вопрос: «как эта вещь будет выглядеть на мне?» Современные решения позволяют загрузить фотографию и получить визуализацию выбранного товара на пользователе. Для брендов это особенно важно, потому что статичная карточка не показывает человеку собственную фигуру, пропорции и сочетание вещи с внешностью.
Глобальные ретейлеры уже масштабируют такие технологии. В феврале 2026 года ASOS объявил о запуске гибридной виртуальной примерки в партнерстве с AI fashion platform AIUTA. Покупатель может либо загрузить собственную фотографию, либо выбрать ИИ-сгенерированного виртуального персонажа, похожего на него. На старте технология распространялась примерно на 10 000 товаров в iOS-приложении.
Еще более показательный пример — Zalando. Платформа развивает комплексную систему size&fit, которая включает рекомендации по размеру, работу с измерениями тела и 3D-виртуальную примерку. В реальных пилотах с виртуальной примеркой Zalando сообщала о снижении возвратов до 40%. По данным компании, сочетание алгоритмических рекомендаций, измерений тела и других size&fit-инструментов уже помогло предотвратить 8% возвратов, связанных с размером, за год.
6. Виртуальная примерка уже становится массовым инструментом и в России
Российский рынок движется в ту же сторону. В январе 2026 года «Яндекс Маркет» запустил виртуальную примерку в сегменте Ultima. Функция работает прямо в карточке товара: пользователь загружает фотографию в полный рост, а генеративная модель MMDiT анализирует позу, композицию и одежду на человеке и показывает, как будет выглядеть выбранная вещь. Система также может дополнить образ аксессуарами или другими предметами гардероба.
На этом фоне интересен и подход российских фэшн-брендов, которые подключают не отдельное приложение, а готовый виджет непосредственно к собственному интернет-магазину. Например, Glenfield интегрировал looksy.tech в карточку товара и увеличил конверсию в 1,5 раза. Покупатель загружает фотографию и получает виртуальную примерку непосредственно в процессе выбора, не переходя на внешний сервис.
7. Оптимизация запасов и цепочки поставок
Самый менее заметный для покупателя, но один из самых финансово значимых сценариев — использование ИИ внутри операционной модели. Компании работают с огромным количеством SKU, сезонностью, короткими жизненными циклами товаров и высокой стоимостью ошибки в прогнозировании. Избыточный запас превращается в скидки и нереализованный товар, а недостаточный — в упущенные продажи.
H&M вместе с Google Cloud начала создавать единую цифровую систему для работы с данными еще в 2022 году. Она помогает компании анализировать информацию о товарах и покупателях, быстрее реагировать на изменения спроса и не накапливать лишние товары. В третьем квартале 2025 года H&M одновременно отчиталась о росте операционной прибыли на 40% и снижении запасов на 9% год к году. Компания связывала улучшение результатов с более эффективным управлением ассортиментом, маржинальностью, запасами и издержками.
Что будет дальше
Следующий этап развития fashion-tech — переход от отдельных ИИ-функций к единому сценарию покупки. ИИ уже помогает искать товары, подбирать образы, отвечать на вопросы и рекомендовать размер. Далее нужно связать эти возможности между собой и передать алгоритмам большую часть пути от поиска до покупки.
Для брендов это означает еще одно изменение: конкурировать придется не только за внимание человека, но и за то, чтобы их товары правильно находили и рекомендовали ИИ-ассистенты.