Нужна ли PIM для такого процесса?

Для небольшого каталога можно использовать другую мастер-систему. При множестве категорий, языков и каналов PIM упрощает схемы, версии и правила качества.

Может ли агент публиковать карточки полностью автоматически?

Да, если для класса товаров определены проверенные источники и формальные валидаторы, политика канала допускает автоматическую публикацию, агент имеет узкие права, а качество подтверждено на эталонном наборе. Неоднозначные случаи остаются в очереди эксперта.

Нужно ли обучать собственную модель?

Не обязательно. Часто достаточно готовой модели, корпоративных справочников, поиска, правил и качественного набора примеров. Решение принимается после пилота.

AI-native обогащение товарного каталога: процесс и контроль

AI-native обогащение товарного каталога: как построить сквозной процесс с контролем качества

13.11.2026 Здесь AI-native означает, что ИИ встроен во весь поток обработки товара - от классификации и поиска характеристик до проверки исключений и публикации.

Обогащение каталога обычно распределено между поставщиками, контент-менеджерами, товарными экспертами и несколькими системами.

Один сотрудник исправляет название, другой ищет характеристики, третий проверяет изображение, четвёртый адаптирует карточку под маркетплейс.

Очередь растёт вместе с ассортиментом

AI-native процесс меняет организацию работы: система собирает и проверяет типовые данные, показывает происхождение каждого значения и передаёт человеку неоднозначные случаи.

Эксперт задаёт правила, разбирает исключения и подтверждает спорные значения.

Типовые поля система обрабатывает автоматически.

Ранее мы описывали отдельных агентов для импорта прайсов и дообогащения карточек.

Здесь фокус другой:

целевая операционная модель всего процесса
роли ERP и PIM
происхождение данных
контроль конфликтов
очередь исключений

AI-native обогащение товарного каталога: как построить сквозной процесс с контролем качества

Чем процесс отличается от отдельного AI-сервиса

Отдельный сервис может сгенерировать описание или найти характеристику. Сквозной процесс должен ответить на дополнительные вопросы: - какой товар поступил; - к какой категории он относится; - какие поля обязательны для этой категории и канала; - откуда можно брать данные; - как разрешать противоречия; - какие значения допустимы; - кто подтверждает сомнительный результат; - куда публикуется карточка; - как исправление влияет на следующие товары.

Без этих правил AI создаёт ещё один источник данных, который приходится проверять вручную.

Целевой поток

Прайс, файл или API поставщика создаёт входящую запись.

Система определяет товар, бренд, модель и возможные дубли.

Агент классифицирует товар и выбирает схему атрибутов.

Источники опрашиваются в установленном порядке.

Значения нормализуются по корпоративным справочникам.

Валидаторы проверяют формат, полноту и согласованность.

Уверенные результаты записываются в черновик карточки.

Исключения попадают в очередь товарного эксперта.

Подтверждённая карточка передаётся в PIM, ERP и каналы продаж.

Исправления превращаются в новые правила или примеры для тестирования.

Приоритет источников задаётся отдельно для каждого поля

Поле	Предпочтительный источник	Что проверять
Корпоративная категория и внутренний идентификатор	PIM/MDM и утверждённые справочники	Версию схемы и владельца правила
Техническая характеристика	Производитель или профильная отраслевая база	Модель, дату и единицу измерения
Цена и доступность	ERP или конкретный поставщик	Юридическое лицо, валюту, период действия
Собственный артикул поставщика	Поставщик	Связь с внутренним товаром и упаковкой
Изображение и документ	Производитель либо правообладатель	Соответствие товару и право использования
Кандидат для заполнения пробела	Открытый интернет	Первоисточник, дату и необходимость подтверждения

Устаревшее внутреннее значение не должно автоматически побеждать актуальный официальный источник. Приоритет зависит от поля, даты, назначения и полномочий источника. Поисковая выдача помогает найти кандидата, но не становится мастер-данными без проверки.

Категория определяет схему

У телевизора, промышленного подшипника и рубашки разные обязательные атрибуты.
Поэтому процесс начинается с классификации.
После неё система понимает: - набор обязательных полей; - единицы измерения; - допустимые значения; - правила вариантов; - требования каналов; - необходимые документы и изображения.
Ошибка категории распространяется на всю карточку.
Для пограничных случаев полезно показывать несколько кандидатов и признаки, на которых основан выбор.

Сначала нормализация атрибутов, затем генерация описаний

Коммерческое описание заметно пользователю, но операционные потери часто создают другие поля: - миллиметры записаны как сантиметры; - цвет существует в нескольких вариантах написания; - бренд и производитель смешаны; - одна модель заведена как несколько товаров; - числовое значение хранится текстом; - GTIN относится к другой упаковке; - варианты не связаны общей моделью. AI может предложить соответствие, но запись в справочник должна проходить формальные проверки.

Единицы, типы, диапазоны и уникальность надёжнее контролировать обычным кодом.

Как работать с противоречиями

Если поставщик указывает один вес, а производитель другой, система не должна молча выбирать удобное значение.
Для каждого конфликта сохраняются: - оба значения; - источник и дата; - правило приоритета; - уровень уверенности; - решение эксперта; - причина исключения.
Повторяющийся конфликт становится кандидатом на новое правило.
Единичный случай остаётся в журнале карточки.

Очередь исключений

В рабочую очередь экспертов должны попадать карточки с конфликтами, низкой уверенностью или отсутствующими обязательными данными. Исключения можно группировать: - товар не идентифицирован; - возможный дубль; - не определена категория; - обязательный атрибут не найден; - источники противоречат друг другу; - изображение не соответствует товару; - значение не проходит справочник или диапазон; - канал отклонил карточку; - действие требует юридического или коммерческого решения.

Приоритет очереди задаётся бизнесом:

стоимость товара
срок запуска
канал
поставщик
доля заполненности
риск ошибки

Оценить, где ИИ даст эффект в вашем процессе

Почта clients@kt.team Telegram @kt_team_it

Человек управляет правилами

Исправление эксперта может использоваться на трёх уровнях: 1. Разовая корректировка.

Меняется только конкретная карточка

2. Правило. Например, определённое название поставщика всегда соответствует корпоративному бренду. 3. Тестовый пример.

Случай добавляется в набор, на котором проверяют следующую версию агента.

Автоматически превращать каждое исправление пользователя в глобальное правило опасно.

Ошибка или локальное исключение распространится на весь каталог.

Публикацию правил должен подтверждать ответственный за данные.

Что измерять

Качество - полнота обязательных атрибутов; - точность категории; - доля карточек без конфликтов; - количество дублей; - доля отклонений каналами; - число исправлений после публикации. Производительность процесса - время от поступления товара до готовой карточки; - доля карточек, прошедших автоматически; - размер очереди исключений; - среднее время решения исключения; - количество ручных действий на карточку. Управляемость - доля значений с указанным источником; - количество правил без владельца; - возраст непроверенных данных; - расхождения между PIM, ERP и каналами.

Метрика «сколько текстов сгенерировал AI»

не показывает, стал ли каталог быстрее и точнее.

Роли систем

Система	Ответственность
ERP	Учётный товар, закупочные данные, остатки и цены в своей области
PIM/MDM	Мастер-карточка, атрибуты, справочники, версии и качество
AI-контур	Классификация, поиск кандидатов, извлечение, нормализация и объяснение
Интеграционный слой	Доставка данных, повторы, статусы и маршрутизация ошибок
Каналы продаж	Собственные требования, модерация и обратная связь
BI	Аналитика качества, сроков и производительности процесса

AI-контур не заменяет владельца мастер-данных. Он ускоряет подготовку и обработку исключений.

Требования каналов нужно учитывать до публикации

Спецификация Google Merchant Center показывает, что категория, GTIN, вариантные атрибуты и изображения должны соответствовать требованиям канала; ошибки могут привести к отклонению товара. У маркетплейсов и B2B-площадок действуют собственные схемы. Поэтому карточку проверяют для конкретного назначения. Полная карточка PIM может требовать преобразования перед каждым каналом, но источник мастер-значения остаётся единым.

Как запустить пилот

1. Выбрать одну категорию Категория должна иметь заметный поток новых товаров, понятных экспертов и доступные источники. 2. Зафиксировать схему и эталон
Определяются обязательные атрибуты, справочники и набор вручную проверенных карточек. 3.
Подключить ограниченный набор источников
Лучше начать с внутренней базы, сайта производителя и одного поставщика.
Большое число источников усложняет разрешение конфликтов. 4. Настроить очередь исключений
Пилот должен включать работу эксперта, иначе невозможно измерить реальную долю автоматизации. 5. Сравнить с текущим процессом
Измеряются время, ручные действия, полнота и ошибки на одинаковой выборке. 6. Расширять по одному измерению
После категории можно добавлять поставщиков, источники, каналы или новые типы атрибутов.
Одновременное расширение затрудняет поиск причины ухудшения.

Как подготовиться к будущим требованиям к данным

Товарная информация становится частью регуляторного и межкорпоративного обмена. GS1 определяет цифровой паспорт продукта как набор данных, относящихся к конкретному товару и доступных через электронный носитель данных. Даже если конкретная категория пока не подпадает под обязательные требования, происхождение атрибутов, идентификаторы и версии уже полезно хранить структурированно.

ИИ ускоряет сбор данных, но владелец каталога сохраняет ответственность за правила проверки и публикацию.

Вывод

AI-native обогащение каталога - это управляемый производственный процесс.

Агент классифицирует товар, ищет сведения и предлагает значения.

Правила проверяют формат и справочники.

Эксперт решает исключения

PIM хранит подтверждённую карточку и происхождение данных. KT.Team может обследовать текущий поток, выбрать категорию для пилота, собрать карту источников и атрибутов, настроить очередь исключений и измерить качество на эталонном наборе карточек.

Источники

- Google Merchant Center. Product data specification: https://support.google.com/merchants/answer/7052112 - Google Merchant Center. Rich product description pages: https://support.google.com/merchants/answer/9479464 - GS1. Data Quality Framework for Brand Owners: https://www.gs1.org/sites/default/files/docs/gs1_dataquality_bestpractice_framework_brandowners.pdf - GS1. What is a Digital Product Passport: https://support.gs1.org/support/solutions/articles/43000758761-what-is-a-digital-product-passport-