ИИ для подбора и закупки автозапчастей: гид для бизнеса
Закупщик ищет тормозные колодки для Hyundai Solaris, параллельно уточняя наличие фильтров для «Газели» у трёх поставщиков. В итоге колодки заказаны не той модификации, а фильтры дешевле на соседнем маркетплейсе. Искусственный интеллект для подбора и закупки автозапчастей сокращает этот процесс до минут, убирая ручные ошибки и показывая аналоги с ценами из нескольких источников одновременно.
Рынок автозапчастей в России: почему иномарки и отечественные марки требуют разного подхода
Вторичный рынок автозапчастей в России к концу 2023 года достиг примерно 30 млрд долларов. Из них около 21 млрд приходится на запчасти для иномарок и около 6,2 млрд на детали для отечественных брендов, по данным Автостата. Остаток приходится на грузовой транспорт и коммерческую технику. Разница в 3,4 раза между основными сегментами объясняет, почему закупщики иномарочных запчастей работают с кратно большим каталогом артикулов, поставщиков и ценовых разбросов.
За пять лет, с 2018 по 2023-й, ёмкость рынка выросла на 36%, фиксирует Коммерсантъ. При этом оценка Fit Service говорит: дефицита в целом нет, для 90% необходимых запчастей решения находятся без критических задержек. Проблема не в наличии деталей на рынке. Проблема в скорости, с которой закупщик находит нужную позицию по адекватной цене среди тысяч предложений.
Сложность растёт ещё и потому, что покупатели массово переходят в онлайн. Объём онлайн-продаж автозапчастей и автоаксессуаров в 2023 году достиг 276 млрд рублей, прибавив 8% к прошлому году, пишет РБК. На Avito к сентябрю 2023-го набралось свыше 50,8 млн объявлений о продаже запчастей, рост на 115% за год. Навигация в этом объёме вручную превращается в полноценную рабочую смену для одного сотрудника.
Как ИИ подбирает автозапчасти по VIN и фото
Нейросеть для поиска и заказа автозапчастей работает по двум основным входам: VIN-код и фотография детали.
По VIN алгоритм определяет модель, год выпуска, модификацию двигателя и подбирает оригинальные детали с аналогами. Процесс занимает 5-10 секунд. Для сравнения: менеджер на телефоне тратит на ту же операцию от 3 до 15 минут, листая каталоги TecDoc или Laximo.
Компьютерное зрение решает другую задачу. Системы на базе GPT-4 Vision и аналогичных моделей распознают автозапчасти по фотографиям для стандартных деталей: определяют тип, считывают маркировку, находят замену в каталогах. Для авторазборок технология используется для создания карточек товаров по фотографиям — алгоритм распознаёт деталь, фиксирует повреждения и заполняет описание. Насколько это сокращает время оприходования по сравнению с ручным вводом, зависит от качества фотографий и полноты обучающей базы конкретного сервиса.
Фотоподбор пока остаётся вспомогательным инструментом, VIN-подбор берёт на себя основную нагрузку. Для нестандартных деталей или нечитаемой маркировки процент ошибок заметно выше, чем при работе с VIN.
Автоматизация закупки запчастей для СТО и автопарков
Владелец автосервиса на 6-8 постов обрабатывает в день 15-25 заказ-нарядов. Каждый наряд содержит от 2 до 12 позиций запчастей. Это 30-300 артикулов в сутки, которые нужно найти, сравнить по цене у 3-5 поставщиков, проверить наличие на складе и оформить заказ.
ИИ-боты автоматизируют значительную часть этого потока: механик отправляет VIN и название узла в чат-бот, через несколько секунд получает оригинал и 2-3 аналога с актуальными ценами. Практические кейсы описывают системы, обученные на каталогах TecDoc, Laximo и OEM-базах, которые выдают подборку по одному VIN или фото.
Для автопарков, где стоят одновременно Renault Logan, LADA Vesta и несколько китайских кроссоверов, ИИ-агент в мессенджере закрывает ещё одну задачу. Как описывает обзор DocPart, такие агенты уточняют марку, модель и VIN, проверяют наличие, цены, отвечают на вопрос «подойдёт ли деталь на мою машину» и передают сложные запросы живому менеджеру с уже собранным контекстом. Менеджер подключается к нестандартным случаям вместо того, чтобы вручную обрабатывать каждый запрос.
Иномарки против отечественных: в чём разница для ИИ-систем
Каталог запчастей для массовых иномарок охватывает десятки тысяч артикулов с учётом поколений и модификаций. Каталог для российских марок значительно компактнее. ИИ-подбор по VIN работает точнее там, где база данных глубже и стандартизированнее, то есть у крупных иномарочных брендов с международными каталогами.
Для отечественных марок ситуация другая. Каталоги меньше, зато номенклатура аналогов размыта: одну и ту же деталь могут производить десятки заводов с разным уровнем качества и слегка отличающимися размерами. Алгоритм подбирает позицию по артикулу, но выбор между аналогами требует сопоставления репутации производителя и пользовательских отзывов — эту задачу большинство ИИ-сервисов базового уровня выполняют неполно или не выполняют вовсе.
На рынке автозапчастей есть ещё один фактор: китайские машины и параллельный импорт. Каталоги для них наполняются медленнее, OEM-базы обновляются с задержкой. Нейросети, обученные на международных базах, могут определять тип детали и оригинальный номер, автоматически строя списки совместимости для разных моделей. Но для новых китайских марок обучающих данных пока меньше, а значит, точность подбора ниже.
Сервисы вроде PartFinder от Schaeffler помогают механикам идентифицировать нужную деталь по фото или описанию, и такие инструменты используются в первую очередь для работы с иномарками, где глобальная база артикулов наиболее полна.
Какие ИИ-сервисы для автозапчастей уже работают в России
Рынок уже сегментировался. По данным сравнительного обзора, среди ключевых решений выделяются:
Ta-Dam ориентирован на СТО и закупку у поставщиков. Основная задача: мастер вводит VIN, получает подборку с ценами от подключённых оптовиков, заказывает в один клик.
MaxGPT.pro работает как нейросеть-каталог для аналитики и e-commerce. Подходит тем, кто продаёт запчасти через маркетплейсы и онлайн-магазины и хочет автоматизировать заполнение карточек, кросс-референсы и рекомендации аналогов.
«Механик» позиционируется как маркетплейс с умным каталогом для конечных автовладельцев, но его база данных может использоваться и для B2B-сценариев.
Отдельное направление — автоматизация работы с фотографиями на маркетплейсах. Алгоритмы компьютерного зрения анализируют изображения деталей, распознают параметры товара, формируют категории, артикулы и списки совместимости без ручной работы. Это снижает трудозатраты на добавление позиций, особенно для продавцов с большим и непостоянным ассортиментом.
Ключевое условие работоспособности любого из этих сервисов — качество исходных данных. Без чистки базы поставщиков, без привязки к актуальным остаткам и без регулярного обновления каталогов ИИ-сервис будет выдавать устаревшие позиции вне зависимости от точности алгоритмов.
Что учесть при внедрении ИИ в закупку запчастей
Спрос на новые запчасти в 2023 году опережал спрос на б/у детали на 35%, а темпы прироста спроса на новые вдвое превосходили рост спроса на подержанные. ИИ-система должна учитывать это смещение: приоритет в выдаче новых деталей, а б/у варианты как резервный канал для снятых с производства позиций.
Интеграция с учётными системами (1С, складские программы) определяет, станет ли ИИ-бот частью процесса или останется отдельным инструментом. Если бот подбирает деталь, но заказ всё равно вбивается вручную в 1С, выигрыш по времени съедается на последнем этапе.
Ответственность за ошибки подбора пока лежит на заказчике. Если нейросеть предложила деталь, а она не подошла, возврат оформляется по стандартным правилам поставщика. Ни один из существующих ИИ-сервисов не берёт на себя финансовую ответственность за неверный подбор. Для СТО с высоким оборотом запчастей стоит закладывать в бюджет резерв на возвраты при переходе на автоматизированную закупку, постепенно снижая эту долю по мере обучения системы на собственных данных.
Безопасность VIN-данных тоже требует внимания. VIN содержит информацию о конкретном автомобиле, и передача таких данных в облачный сервис должна регулироваться договором обработки данных с провайдером.
Итоги: зачем закупщику искусственный интеллект для подбора и закупки автозапчастей
На рынке объёмом в десятки миллиардов долларов с быстро растущим онлайн-каналом ручной подбор запчастей становится узким местом: объём предложений и скорость изменения цен опережают возможности одного менеджера. ИИ-системы подбирают детали по VIN за секунды, берут на себя маршрутизацию типовых заявок и помогают автоматизировать заполнение карточек товаров.
Разница между иномарками и отечественными автомобилями для ИИ сводится к глубине каталожной базы. Для иномарок она глубже и стандартизированнее, для отечественных марок компактнее, но с размытой номенклатурой аналогов. Китайский сегмент пока отстаёт по качеству данных.
Разумный способ начать — подключить один из доступных сервисов (Ta-Dam, MaxGPT.pro или аналог) на ограниченной группе артикулов. В течение первого месяца фиксировать процент ошибок подбора и среднее время обработки заявки. Если ошибки укладываются в приемлемый для бизнеса порог, а время обработки заметно сокращается, — расширять охват на весь ассортимент. Если нет — разбирать причины: качество базы, актуальность остатков или настройки интеграции.
