AI-агенты в запчастях – аналитика и точки роста
Автор – Дмитрий Болховский, CEO Aftermarket-DATA© Эксперт с 25-летним опытом в автомобильной отрасли. Специализируется на ИИ-трансформации бизнеса:
- LLM/GenAI - языковые модели – автоматизация внутренних и внешних коммуникаций
- Автоматизация R&D
- Предиктивная аналитика спроса
https://t.me/s/BolkhovskyInsight
Переход к промышленным AI-агентам стал одним из системных сдвигов начала 2026 года. Если раньше бизнес использовал ИИ как интерфейс для генерации контента, — то сегодня уже речь идёт о системах, которые способны самостоятельно ставить задачи, исполнять их и контролировать результат в замкнутом цикле.
На протяжении последнего года открытый AI-стек менялся стремительно. Сначала DeepSeek, OpenAI и Gogle выпустили мощные open-source модели, практически не уступающие закрытым корпоративным решениям. ИТ-сообщество тут же начало строить на их базе открытые системы. Параллельно появились удобные RAG-библиотеки, позволяющие быстро превращать внутренние данные компании в базу знаний для AI-агентов, и инструменты оркестрации — агенты теперь собираются как конструктор из готовых модулей.
А 31 марта 2026 года произошло событие, которое резко ускорило весь процесс. Anthropic случайно выкатил в открытый доступ крупный фрагмент архитектуры Claude Code — более 500 тысяч строк кода автономных ИИ-агентов. Репозиторий разлетелся по сообществу за считанные часы.
В результате этих сдвигов промышленные AI-агенты перестали быть привилегией крупных корпораций. Порог входа снизился настолько, что вопрос уже не в доступности ИИ, а в приоритетах его внедрения — какие процессы автоматизировать в первую очередь и где это даст максимальный эффект.
В этой статье разбираем, как AI-агенты уже трансформируют рынок автозапчастей и какие конкурентные преимущества получают компании, которые начинают внедрение сейчас.
Рынок автозапчастей и автохимии не стал исключением от этого тренда.
Одним из ярких примеров внедрения ИИ стала Shell, которая разработала LubeChat для B2B-клиентов. AI-агент не просто отвечает на вопросы, а подбирает смазочные материалы под конкретную технику, сразу выдаёт спецификации и рекомендации по эксплуатации. Ключевой эффект — сокращение времени принятия решения и снижение нагрузки на инженеров поддержки. По сути, это цифровой эксперт, встроенный в канал продаж.
Valvoline реализовала модель, где AI анализирует продажи, остатки и поведение рынка, предсказывая дефицит и оптимизируя поставки. Фактически система понимает, какие продукты будут востребованы, ещё до момента заказа, что напрямую влияет на выручку и оборачиваемость
Наиболее близкий к повседневной практике aftermarket кейс представила компания Symphonize. Их AI-агент распознаёт в тексте и на картинках описание авто, VIN, и списки запчастей. Система извлекает параметры, проверяет совместимость по каталогам и формирует результат. Таким образом, AI-агент превращает «сырой» клиентский запрос в артикулы и структурированные данные, готовые для ERP и коммерческих процессов.
ПодбИИратор ©
Мы сразу проектировали ПодбИИратор © как AI-агента полного цикла. Система должна выполнять функции опытного подборщика: понимать естественные запросы, определять автомобиль по VIN или описанию, работать с каталогами, находить доп-информацию и параллельно собирать кроссы и статистику по рынку.
Для обучения ядра мы агрегировали собственные VIN-запросы, обработанные живыми экспертами, CRM-диалоги и открытые источники. Архитектура построена на RAG-пайплайне поверх открытых LLM (DeepSeek, Qwen) с гибридной схемой. Векторная база хранит эмбеддинги каталожных данных: марка, модель, год, узлы, применимость и кроссы.
По сути, модель сначала извлекает релевантные факты из базы знаний и только затем формирует ответ. Это исключает «галлюцинации» и делает результат воспроизводимым.
Например, алгоритм показал 98% точности в дешифровке VIN на тестовой выборке 1000 строк с заранее известными параметрами автомобилей. Результат существенно превосходит ведущие API сервисы дешифровки VIN, которые участвовали в бенчмарке. И дело здесь не в том, что ИИ разбирается в каталогах лучше, чем сами исходные каталоги. А в том, что мы подавали на вход живые данные, как их пишет обыкновенный клиент. Нейросеть понимает контекст: восстанавливает опечатки, различает кириллицу и латиницу, распознаёт неполные данные, сопоставляет с похожими автомобилями и сверяется с интернет-источниками.
Это и превратило ПодбИИратор из чат-бота в масштабируемый цифровой сервис: он понимает специфику автомобиля не хуже штатного эксперта, умеет верифицировать результат онлайн и дополнить его актуальными ценами и спецификациями.
Аналитика конкурентов
В качестве накладного кейса, приведём аналитику рынка фильтров, собранную AI-агентом ПодбИИратор ©
- Ассортимент брендов и средние цены брендов по товарным группам
2. 3D – ассортимент и цены для ТОП-25 популярных брендов
3. Минимальные розничные цены популярных фильтров по маркам авто. Для наглядности при разбросе цен применяется нелинейное преобразование с сохранением градации: выше цена — выше столбец. Зелёный пунктир — индекс конкуренции (Competition Index): относительное число брендов в группе; максимум по выборке = 100%.
