1С:Розница: возможности, отчёты и ИИ-агент поверх розничной сети

Компания вела розницу в «1С:Рознице 8»: кассы, продажи по магазинам, остатки, приёмки, списания, цены, ассортиментная матрица и персонал магазина жили в одной системе. Учёт был полный — по каждому чеку видно, что и где купили, по каждой точке виден остаток и выручка, а требования 54-ФЗ, ЕГАИС, «Меркурий» и «Честный знак» закрывались штатными механизмами. Не делала система одного: не собирала из этих данных решение. Свод для руководителя по-прежнему готовился в Excel, расхождения между магазинами и головным офисом разбирались по факту, а дефицит ходовой позиции и деньги в неликвиде становились видны тогда, когда их уже видно глазами. Именно этот разрыв — между данными и решением — закрывает ИИ-агент: программа, которая по заданному правилу сама читает данные из учётной системы и выполняет шаги.

«1С:Розница 8» — это не касса, а полноценный контур управления торговой точкой и сетью. Вендор описывает решение как автоматизацию всех основных бизнес-процессов отдельного магазина и крупной розничной сети: управление продажами и закупками, запасами и складом, персоналом магазина, ассортиментом и ценообразованием, маркетинговыми акциями и системами лояльности, плюс автоматизированное рабочее место кассира и оперативное формирование отчётов для мониторинга и анализа работы торговых точек. Там же названы и границы, которые важны для планирования: система поддерживает практически все виды торгового оборудования — онлайн-кассы, сканеры штрих-кодов, терминалы сбора данных, принтеры этикеток, эквайринговые терминалы; соответствует требованиям 54-ФЗ и интегрирована с ЕГАИС 3.0, ФГИС «Меркурий» и НСЦМ «Честный знак»; может работать автономно, в том числе как кассовая программа, либо как бэк-офис под управлением «1С:Управления торговлей» или «1С:Управления нашей фирмой». Это вендорское описание продукта, а не независимая оценка эффективности, — но из него прямо следует, что данные и правила в сети уже описаны, и надстраивать решение поверх есть на чём (solutions.1c.ru).

Второй важный факт — куда отрасль направляет усилия. Аналитический центр проекта STAQ (цифровизация бизнес-процессов) по итогам I полугодия 2026 года оценил долю инструментов искусственного интеллекта в цифровых экосистемах российских ритейлеров в 26%; применение ИИ в рознице за полугодие выросло на 22% год к году, и по насыщенности розница уступает только финансовому сектору. Изменилась и структура роста: около 60% прироста пришлось на операционные сценарии — управление заявками, обслуживание торгового оборудования, поддержку персонала и работу с подрядчиками, а не на витринные механики вроде рекомендаций и персонализации (cnews.ru). Аналитики STAQ сформулировали и главный риск, который стоит держать в голове до старта: там, где ИИ внедряли как отдельную технологию без привязки к операционной метрике, точность модели улучшалась, а бизнес-показатель не менялся, и постановку задачи приходилось пересматривать уже после пилота.

Третий факт — масштаб, на который ориентируются крупные игроки. X5 Group раскрыла совокупный экономический эффект от ИИ-решений около 5 млрд рублей дополнительной операционной прибыли по итогам 2025 года, а основным вкладом в EBITDA назвала модели, встроенные в прогнозирование спроса и пополнение, ценообразование, управление ассортиментом и рекомендательные механики. Компания отдельно указывает, что финансовый эффект оценивается через вклад в EBITDA, экономию операционных затрат и стоимость владения решением, а для ключевых инициатив валидируется A/B-тестами и финансовыми моделями (x5.ru). Это цифра одного игрока с выручкой в несколько триллионов рублей, и переносить её на сеть из 78 магазинов нельзя — переносится принцип: эффект появляется там, где модель встроена в процесс и у этого процесса есть измеримая операционная метрика, а не там, где технология живёт отдельно.

Коротко

«1С:Розница 8» закрывает кассы, продажи, остатки, приёмки, цены, персонал и ассортимент — данные по сети уже есть. Не закрывает она сборку данных в решение: свод, сверки и разбор отклонений делают люди в Excel. ИИ-агент подключается к базе по правам чтения, сводит продажи и остатки по каждой паре «позиция — магазин», находит дефицит, неликвид и расхождения и возвращает руководителю готовый разбор. Решения остаются за человеком.

Содержание

• Почему данные в рознице видно поздно
• Что съедает время между данными и решением
• Что делает ИИ-агент поверх «1С:Розницы»
• Какие риски это снимает
• Сколько часов это возвращает
• Что остаётся за человеком
• Чеклист: что проверить в базе до подключения агента
• Как это выглядит на практике
• Как внедрить поэтапно
• Источники

Почему данные в рознице видно поздно

Розница — это отрасль, где данных больше, чем почти везде, и где из них почти не делают решений. Разберём механику.

Отчёт показывает состояние, а решение требует сопоставления. «1С:Розница» отвечает на вопрос «что было»: сколько продали, что осталось, сколько пришло, сколько списали. Решение требует другого — свести продажи с остатками, сравнить этот магазин с соседним, сопоставить позицию с матрицей и понять, что делать дальше. Это не одно и то же действие: первое делает система, второе делает человек, и делает его в другой программе.

Данные по каждому чеку есть, но сведены они руками. Аналитический ресурс «Чек Индекс» «Платформы ОФД» работает с данными чеков от каждой третьей кассы в стране — это 33% касс и розничного оборота РФ, более 21 млн товарных позиций в потоковой обработке и свыше 70 млн чеков ежедневно (checkindex.ru). По этим же данным в июне 2026 года средний чек покупки товаров за одно посещение торговой точки составил 108 рублей по молочным продуктам (+3% к июню 2025 года), 281 рубль по мясной гастрономии (+7%) и 281 рубль по хлебобулочным изделиям (+9%). Вывод из этих цифр простой: корзина и цены двигаются каждый месяц, а свод по сети в большинстве компаний собирается по итогам месяца и в Excel. Между скоростью спроса и скоростью решения образуется разрыв в один цикл.

Расхождения между точками никому не принадлежат. Восемьдесят магазинов — это восемьдесят наборов данных: где-то приёмка оформлена задним числом, где-то списание прошло не той причиной, где-то остаток в системе разошёлся с полкой, где-то возврат завис между точкой и головным офисом. Каждое расхождение мелкое, но их сумма — это недостачи, излишки и позиции, по которым непонятно, продали товар или потеряли. Разбирать это регулярно некому: у коммерческого блока есть своя работа, у директора магазина — своя смена.

Правило «что считать отклонением» не зафиксировано. Что такое дефицит: ноль на остатке или ноль при спросе? Какой простой считать излишним запасом, а какой — страховым? Сколько месяцев без продаж означают вывод позиции из матрицы? Пока правила живут в голове у аналитика, каждый спор решается по должности, а не по цифре, и результат нельзя проверить.

Отрасль уже переставила ИИ из витрины в бэк-офис. По оценке STAQ, три четверти прироста последних полутора лет сместились в операционные сценарии, а топ-3 задач, для которых российские ритейлеры применяют ИИ, выглядят так: классификация и маршрутизация сервисных заявок, прогнозирование отказов торгового и инженерного оборудования и поддержка диспетчеров и директоров магазинов. Заметьте, что в этом списке нет ничего про покупателя: речь о том, чтобы сеть работала ровно при том же штате. Это вендорская аналитика (центр проекта STAQ, публикация CNews), то есть заинтересованная оценка рынка, — но направление она показывает честно.

Без операционной метрики эффекта не будет. Формулировка STAQ из того же обзора: устойчивый результат появляется там, где ИИ работает внутри сквозного процесса и его эффект измеряется операционной метрикой, а не точностью модели. Поэтому в этом разборе мы с самого начала называем метрику — часы на свод и сверки, число открытых расхождений, доля позиций с нулевым остатком при спросе, срок от отклонения до решения, — и только потом говорим про технологию.

Практический вывод: проблема розничной сети не в отсутствии данных. Данные есть, они полные и по ним видно всё. Проблема в том, что между базой и решением нет регулярной процедуры, а ручная процедура не выдерживает масштаба сети. Смежные процессы устроены так же: как из этих данных получается расчёт по каждой паре «позиция — магазин» — в материале про управление ассортиментом в 1С:Рознице, а как считать спрос на будущие периоды — в разборе прогнозирования спроса в 1С и WMS (WMS (Warehouse Management System — система управления складом)).

Что съедает время между данными и решением

Разложим путь от «в базе всё есть» до «решение принято» — он повторяется в большинстве сетей почти дословно:

• Выгрузка и сведение. Продажи по позициям и точкам, остатки, приёмки, списания, цены за период. Данные лежат в «1С:Рознице», но чтобы получить из них одну таблицу, нужна выгрузка, сведение и снятие дублей.
• Нормализация номенклатуры. Одна позиция под двумя названиями, разные упаковки в одной карточке, товары без категории, позиции, которые завели вручную в магазине. Без этого любое сравнение точек даёт мусор.
• Сверка расхождений. Остаток в системе против продаж и приёмок, закрытие смен, возвраты, списания с непонятной причиной. Самая неприятная часть работы: она всегда выявляет чужие ошибки.
• Классификация позиций. Что ходовое, что сезонное, что продаётся только в одном магазине из семидесяти восьми. Обычно делается раз в год и устаревает за первые месяцы.
• Сравнение магазинов. Где позиция продаётся, где нет, отличается ли картина от соседних точек с похожим трафиком. Требует одинаковой базы сравнения — иначе точки с разным потоком покупателей сравниваются напрямую.
• Расчёт денег. Сколько выручки недобрали на дефиците, сколько денег лежит в неликвиде, сколько стоит расхождение. Этот пункт пропускается чаще остальных: результат неприятен, а решение по нему требует согласования.
• Подготовка решения. Что вывести, что ввести, где поправить цену, что отправить на промо, — с учётом минимальной партии поставщика и места на полке.
• Согласование и передача. Решение нужно донести до магазинов, оформить и потом проверить, что получилось. История решений при этом нигде не остаётся.

Каждый пункт выглядит мелочью. Вместе они дают задержку в месяц, из-за которой решение по сети принимается по прошлому спросу. Именно здесь работают агенты по закупкам и снабжению и решения по управлению остатками на складе — они снимают части той же ручной работы.

Что делает ИИ-агент поверх «1С:Розницы»

Агент не заменяет систему и не становится ещё одним окном, которое надо открывать. Он подключается к тому, что уже работает, и возвращает результат туда же — в рабочее место коммерческого блока и руководителя.

1. Читает продажи по позициям и магазинам. То, что уже фиксируется на кассах: чеки, количество, выручка, скидки, время продаж.
2. Читает остатки, приёмки и списания. Сколько товара в каждом магазине, что в пути, что списали и по какой причине, что вернулось от покупателя.
3. Читает номенклатуру, цены и матрицу. Как позиция заведена, в каких магазинах она должна быть, по какой цене продаётся и участвует ли в акции.
4. Сводит данные по сети и нормализует. Строит единую таблицу по периоду, находит дубли и позиции без категории и помечает их как замечание — но не правит справочник сам.
5. Считает спрос по паре «позиция — магазин». Отдельно по каждой точке, с учётом сезонности и рваности продаж, а не средним по сети.
6. Ищет отклонения. Дефицит ходовых позиций, излишки и неликвид, расхождения между магазинами и головным офисом, кассовые расхождения и возвраты без владельца.
7. Собирает отчёт для руководителя. Не сотню строк выгрузки, а короткий разбор: что происходит в сети, где это стоит денег, какое решение нужно и до какой даты оно актуально.
8. Ведёт журнал. «Отклонение → владелец → действие → результат»: кто получил сигнал, что решил, помогло ли. Журнал закрывает человек, и он же остаётся доказательной базой.

Меняется не учёт, а горизонт: дефицит становится видно до пустой полки, неликвид — пока в нём ещё есть деньги, которые можно вернуть скидкой или перераспределением между точками, а расхождение — до того, как оно превратилось в недостачу. Важная деталь в том, что «1С:Розница» описывает не только кассу: по вендорскому описанию решение автоматизирует управление продажами и закупками, запасами и складом, персоналом магазина, ассортиментом и ценообразованием, а функционал настраивается под принятую в компании методику управления ассортиментом. То есть правила, матрица и данные уже описаны в системе — агенту есть на что опираться, и ни одна система при этом не заменяется. Если в сети живёт ещё и клиентский сервис, его обращения — отдельный слой данных, который агент читает так же, как продажи; а связка агента с учётным контуром в целом разобрана в материале про ИИ-агента для 1С.

Какие риски это снимает

Часы — не главный аргумент, они идут следом. Ставка выше: в рознице решение стоит денег сразу, а ошибка становится видна через месяц-два, когда её уже не исправить задним числом. Разберём риски по одному и назовём, чем каждый платится.

Отчёт приходит, когда решение уже неактуально

Свод по сети собирается к середине следующего месяца. К этому моменту часть товара уже распродана не по той цене, часть промо прошло без нужного запаса, а сезонная позиция опоздала на две недели. Решение принимается по прошлому спросу, и каждый цикл это стоит одинаково: не проданная по нужной цене выручка и промо, которое ушло в убыток. В типовом расчёте ниже эта работа занимает 16 часов в месяц — то есть не просто месяц задержки, а 24 000 рублей рабочего времени при стоимости часа 1 500 рублей, потраченных на то, чтобы узнать состояние сети с опозданием.

Расхождения между магазинами и головным офисом без владельца

Приёмка оформлена задним числом, списание прошло не той причиной, остаток на полке не совпал с системой, возврат завис между точкой и офисом. Каждое расхождение мелкое, но у него нет имени: никто не отвечает за то, чтобы оно было закрыто. За квартал таких строк набираются сотни, и часть из них — уже недостача, которую нельзя предъявить ни магазину, ни смене. Сверка и разбор отклонений — 12 часов в месяц, то есть 18 000 рублей по той же ставке, и ещё не оценённые потери, которые за этими расхождениями прячутся.

Кассовые расхождения, возвраты и списания разбираются задним числом

Смена закрыта с расхождением, возврат оформлен без причины, списание проведено «на бой» без акта. Разбирается это в конце месяца и почти всегда формально: доказательств уже нет, камеры перезаписаны, смена ушла в отпуск. Вопрос не в сумме одного случая, а в том, что без регулярного разбора списание становится способом закрыть любую проблему — и сеть платит за это постоянно. Разбор кассовых расхождений, возвратов и списаний — 10 часов в месяц, 15 000 рублей.

Дефицит ходового товара на части точек

Ходовой товар — тот, за которым приходят. Когда его нет в конкретном магазине, покупатель уходит не с пустыми руками, а в соседнюю точку, и часть таких походов становится привычкой. Централизованная матрица этого не видит: позиция в целом по сети продаётся хорошо, а в трёх магазинах её нет неделями. Чем позже это видно, тем дороже: упущенная выручка считается не складскими деньгами, а потерянными чеками. Отдельно про это — в разборе управления ассортиментом.

Деньги, замороженные в неликвиде

Неликвид — закупленный товар, который не продаётся: он занимает место в зале и в запасе, и в итоге списывается. Чем раньше позиция видна, тем дешевле из неё выйти: скидка или перераспределение между магазинами дешевле списания, а списание дешевле, чем позиция, которая лежит ещё сезон. В масштабе всей отрасли это измеряется процентами оборота: X5 Group, называя управление ассортиментом среди направлений с наибольшим вкладом в EBITDA, показывает, что речь идёт не о косметической экономии, а о миллиардах рублей в год на крупной сети.

Регуляторный риск: расхождения в данных для 54-ФЗ, ЕГАИС, «Честного знака» и «Меркурия»

«1С:Розница» закрывает требования регуляторов штатными механизмами, но качество данных зависит от людей: неверная причина списания, отсутствие документа на возврат, несоответствие приёмки и накладной. Оценивается такой риск не рублём напрямую, а сценарием: при проверке или при разборе расхождения с данными государственной системы сеть предъявляет документы, которых не хватает, и разбирательство идёт по факту отсутствия подтверждения, а не по факту нарушения. У регулярного автоматического разбора расхождений здесь ровно одна задача — сделать так, чтобы к моменту вопроса документы были в порядке.

Зависимость от одного человека, который умеет собрать свод

В большинстве сетей есть сотрудник, который «знает, как выгрузить»: помнит, какие отчёты соединить, где поправить руками, в каких магазинах данные традиционно грязные. Его отпуск или уход останавливает управленческий контур: свод просто не собирается, пока кто-то не разберётся заново. Риск не в человеке, а в том, что процедура не описана и не воспроизводится. Агент переводит её в правило: набор данных, формулы, пороги и формат разбора зафиксированы и воспроизводятся без носителя.

Сеть растёт, а бэк-офис — нет

Каждые пять новых магазинов добавляют объём данных, но не добавляют людей: коммерческий блок остаётся тем же. Дальше выбор из двух плохих: либо нанимать аналитиков пропорционально числу точек, либо сокращать глубину разбора — то есть снова решать по интуиции. STAQ описывает это как главное следствие операционного ИИ в рознице: сеть может расширяться без пропорционального роста дежурных и диспетчерских служб. Это вендорская оценка рынка, но она совпадает с арифметикой: часы на свод растут линейно от числа магазинов, а часы на разбор готового свода — нет.

Сколько часов это возвращает

Часы — следствие, но их полезно посчитать, чтобы понимать масштаб. Типовой расчёт для сети из 78 магазинов и матрицы около 7 000 позиций, где отчёты и решения готовятся раз в месяц. Вводные берите свои — методика не меняется.

Показатель	Вручную	С агентом
Магазинов в сети	78	78
Свод продаж, остатков и приёмок по точкам	16 часов в месяц	3 часа (проверка разбора)
Сверка расхождений «магазины — головной офис»	12 часов в месяц	3 часа
Разбор кассовых расхождений, возвратов, списаний	10 часов в месяц	3 часа
Дефицит ходовых позиций и неликвид по точкам	9 часов в месяц	3 часа
Подготовка решений по ценам, промо и матрице	7 часов в месяц	5 часов (спорные позиции и переговоры)
Всего в месяц	54 часа	17 часов
Возвращённое время	—	37 часов в месяц
В деньгах при стоимости часа 1 500 рублей	—	55 500 рублей в месяц

Арифметика открытая: 16 + 12 + 10 + 9 + 7 = 54 часа в месяц. С агентом человек не собирает выгрузки и не сравнивает магазины вручную, а проверяет готовый разбор и решает по спорным позициям: 3 + 3 + 3 + 3 + 5 = 17 часов. Разница — 37 часов в месяц, то есть почти пять рабочих дней одного сотрудника, при стоимости часа 1 500 рублей это 55 500 рублей в месяц. На трёх товарных направлениях, где решения готовятся ежемесячно, счёт идёт уже о 111 часах, то есть о 166 500 рублях в месяц. Формулировка «типовой расчёт» здесь принципиальна: это математика на заявленных вводных, а не чей-то замер, и реальный эффект зависит от того, насколько различаются магазины и сколько позиций приходится пересматривать. Возвращённые часы — не главный результат: главный в том, что решение по сети появляется в том же цикле, в котором изменился спрос, а не через месяц после него.

Что остаётся за человеком

Границу ответственности нужно задать до пилота, а не после первой недостачи:

• Решение по матрице, ценам и промо — только человек. Агент готовит разбор и предложение, коммерческий директор и категорийный менеджер принимают решение.
• Права менять данные у агента отсутствуют. Никаких операций в системе: только чтение, расчёт и предложение. Справочники, цены, документы и закрытие смен — не его зона.
• Правила задаёт человек. Что считаем дефицитом, какой срок без продаж означает вывод, какие позиции нельзя выводить никогда — обязательная матрица, социальные товары, позиции под конкретный магазин.
• Местные договорённости остаются в силе. Позиция, которая не продаётся по сети, но нужна конкретной точке, остаётся: агент показывает факт, а не отменяет решение руководителя.
• Разбор спорных расхождений — за человеком. Агент находит расхождение и показывает, где оно возникло, но объяснение и взыскание — работа людей.
• Полный журнал. Любое предложение объяснимо: на какой истории, каком спросе и каком правиле оно построено. Это же и доказательная база для разговора с поставщиком и магазином.

Чеклист: что проверить в базе до подключения агента

Это тот же чеклист, с которого мы начинаем каждый проект в рознице. Он бесполезен как список «посмотреть», но работает как список работ: пункты 1–3 закрываются за день-два, пункты 4–6 обычно занимают неделю, и именно они определяют, насколько быстро появится первый разбор.

1. Данные и история — Продажи по позициям и магазинам выгружаются с детализацией до чека минимум за 12 месяцев — без года истории сезонность не считается. — Остатки магазинов на конец дня сходятся с фактическими хотя бы в большинстве точек. — Приёмки и списания доступны с причинами, а не одной строкой «корректировка».

2. Номенклатура — Позиции с дублирующими названиями и разными упаковками в одной карточке — есть список, а не догадки. — Позиции без категории и без атрибутов (поставщик, группа, единица измерения) — посчитаны. — Матрица в системе совпадает с той, по которой реально работают магазины.

3. Правила — Зафиксировано, что считаем дефицитом: ноль на остатке, ноль при спросе или запас ниже минимального. — Зафиксировано, сколько месяцев без продаж означает вывод позиции из матрицы. — Перечислены позиции, которые не выводятся никогда.

4. Контур данных — Описано, что агент читает: продажи, остатки, приёмки, списания, цены, матрицу. — Определено, куда возвращается разбор: рабочее место коммерческого блока, отчёт руководителю, а не отдельный чат. — Решено, какие данные уходят во внешнюю модель, а какие остаются внутри сети.

5. Метрика — Названы четыре числа до старта: часы на свод и сверки, число открытых расхождений, доля позиций с нулевым остатком при спросе, срок от отклонения до решения. — Известно, откуда эти числа берутся сейчас, — иначе через месяц не с чем сравнивать.

6. Права и границы — Права агента описаны явно: чтение и расчёт, без записи. — Определён человек, который закрывает журнал и отвечает за решения.

Как это выглядит на практике

В ритейле наши проекты начинались одинаково — не с агента, а с инвентаризации данных. Мы сверяли, что действительно живёт в учёте, а что в таблицах сотрудников: где одна позиция заведена под двумя названиями, где остатки магазинов расходятся с фактическими, где матрица в системе отличается от той, по которой работают точки. Дальше фиксировали правила: что считаем дефицитом, что — неликвидом, по какой паре «позиция — магазин» принимаем решение и сколько месяцев без продаж означает вывод. Запрос со стороны бизнеса звучал так: «мы узнаём, что позиция не продаётся, когда её уже пора списывать». Первый цикл «продажи → расчёт по точкам → разбор → решение → проверка» запускался на одной товарной группе и части магазинов: сравнивать точки с разным трафиком без нормализации бессмысленно, поэтому сначала данные, потом сравнения. В работе с сетью общепита логика оказалась той же: там проект начинался с платного индивидуального старта — диагностики и настройки инструмента под конкретное рабочее место, а не с большого внедрения. Основную работу в обоих случаях дали подготовка данных и правила, а не модель: как только номенклатура и правила сходятся, регулярный расчёт по 7 000 позиций становится процедурой, а не проектом на квартал.

Практический вывод: начинать надо не с агента, а с правила «что мы считаем отклонением». Пока правило не зафиксировано, автоматизация будет быстрее приносить спорные решения. Смежные задачи устроены похожим образом: как в ритейле работают с ценами и промо — в статье про ценообразование в рознице, как устроена доставка из магазинов и с распределительного центра — в разборе маршрутизации доставки. Если учётной системы пока нет и нужно понять, какие позиции уходят в ноль, есть шаблон складского учёта в Excel: он считает остаток по каждому наименованию и подсвечивает позиции ниже минимального запаса.

Как внедрить поэтапно

1. Выберите одну товарную группу и часть магазинов. Десять-двадцать позиций и пять-семь точек, где разница в спросе особенно заметна. Так результат проверяется за месяц, а не за квартал.
2. Сверьте данные. Номенклатура, категории, остатки, история продаж минимум за год. Расхождения — не помеха, а первый список задач: именно они съедают время коммерческого блока.
3. Зафиксируйте правила. Что считаем дефицитом, сколько месяцев без продаж означает вывод, какие позиции нельзя выводить никогда. Правило пишется один раз и переиспользуется.
4. Опишите контур данных. Что агент читает (продажи, остатки, приёмки, списания, цены, матрица) и куда возвращает разбор — в рабочее место коммерческого блока, а не в отдельный чат.
5. Прогоните расчёт на закрытых периодах. Так появляется эталон: известно, какие позиции в тот период действительно были дефицитными и что не продавалось, — и видно, что агент пропустил или где ошибся.
6. Ограничьте права явно. Чтение и расчёт. Без права менять матрицу, цены, документы и справочники.
7. Померьте четыре числа. Часы на свод и сверки, число открытых расхождений, доля позиций с нулевым остатком при спросе, срок от отклонения до решения. Именно они, а не презентация, — основание расширять пилот на следующую группу и на всю сеть.

Что в итоге

«1С:Розница 8» — это полный контур данных: кассы, продажи, остатки, приёмки, списания, цены, матрица, персонал и отчётность по сети, плюс соответствие требованиям регуляторов и совместимость с торговым оборудованием. Всё, что нужно для управления розницей, в системе есть. Чего в ней нет — процедуры, которая каждый месяц превращает эти данные в решение: свод, сверки, расчёт по парам «позиция — магазин» и разбор отклонений делает человек в другой программе. Пока это так, сеть платит рисками: отчётом, который приходит к решению с опозданием; расхождениями между магазинами и офисом без владельца; кассовыми расхождениями, которые разбираются задним числом; дефицитом ходовой позиции на части точек; деньгами в неликвиде; вопросами к документам при проверке; зависимостью от одного человека, который умеет собрать свод, — и невозможностью расти без роста бэк-офиса. Направление при этом подтверждено рынком: доля ИИ-инструментов в цифровых экосистемах российских ритейлеров достигла 26% по итогам I полугодия 2026 года, и шесть из десяти пунктов прироста пришли в операционные сценарии, а не в работу с покупателем.

Агент поверх «1С:Розницы» закрывает именно разрыв между данными и решением: часы идут следом (37 часов в месяц, или 55 500 рублей при ставке 1 500 рублей в час, по типовому расчёту), а первым результатом становится управляемость — отклонение видно в момент появления, у каждого пункта есть владелец, а решение принимается человеком и остаётся в журнале. Если хотите понять, где ваша сеть теряет на своде и расхождениях, начните с одной товарной группы и нескольких магазинов и пройдите чеклист из шести пунктов. Остальные материалы по этому направлению собраны в разделе ИИ в ритейле.

Источники

• «1С», описание решения «1С:Розница 8»: автоматизация торговой деятельности магазинов и торговых сетей — управление продажами и закупками, запасами и складом, персоналом магазина, ассортиментом и ценообразованием, маркетинговыми акциями и системами лояльности, рабочее место кассира, оперативное формирование отчётов для мониторинга и анализа работы торговых точек; поддержка торгового оборудования; соответствие 54-ФЗ, интеграция с ЕГАИС 3.0, ФГИС «Меркурий», НСЦМ «Честный знак»; работа автономно или как бэк-офис под «1С:Управление торговлей»; вендорское описание продукта: solutions.1c.ru
• CNews, материал «По итогам I полугодия 2026 года инструменты ИИ занимают 26% цифровых экосистем российских ритейлеров» (11.09.2026), данные аналитического центра проекта STAQ: доля ИИ-инструментов в цифровых экосистемах российских ритейлеров — 26%, рост применения ИИ в рознице за полугодие — 22% год к году, около 60% прироста пришлось на операционные сценарии; топ-3 задач — классификация и маршрутизация сервисных заявок, прогнозирование отказов торгового и инженерного оборудования, поддержка диспетчеров и директоров магазинов; заинтересованная вендорская оценка рынка: cnews.ru
• X5 Group, пресс-релиз «ИИ-решения принесли X5 5 млрд рублей дополнительной операционной прибыли» (01.06.2026): совокупный экономический эффект от внедрения ИИ-решений — около 5 млрд рублей дополнительной операционной прибыли по итогам 2025 года; основной вклад в EBITDA обеспечили модели в прогнозировании спроса и пополнении, ценообразовании, управлении ассортиментом и рекомендательных механиках; эффект оценивается через вклад в EBITDA, экономию операционных затрат и стоимость владения, для ключевых инициатив валидируется A/B-тестами и финансовыми моделями: x5.ru
• Аналитический ресурс «Чек Индекс» («Платформа ОФД»): данные чеков от каждой третьей кассы в стране — 33% касс и розничного оборота РФ, более 21 млн товарных позиций в потоковой обработке, свыше 70 млн чеков ежедневно; средний чек покупки товаров за одно посещение торговой точки в июне 2026 года — молочные продукты 108 ₽ (+3% к июню 2025 года), мясная гастрономия 281 ₽ (+7%), хлебобулочные изделия 281 ₽ (+9%): checkindex.ru
• Retail.ru, авторская колонка директора по аналитике ГК «Сантехника-Онлайн» «Искусственный интеллект в логистике и управлении ассортиментом: сферы применения, плюсы и недостатки»: разбор контура «прогноз продаж → нормативный и страховой запас → управление ассортиментом», включая выбор стратегии между риском дефицита и риском излишка; использовано как российская практика, конкретные цифры эффекта автор не раскрывает: retail.ru
• IBM, обзорная статья об искусственном интеллекте в рознице: направления применения ИИ — прогнозирование спроса, управление запасами, ассортимент и ценообразование; использована как зарубежный референс общего характера: ibm.com