Менеджеры маркетплейсов на жестких правилах обещали порядок, однако тесты разработчиков показали, что фиксированные скрипты не справляются с базовой диагностикой продаж. Бизнес на маркетплейсах перерастает примитивные скрипты: селлерам нужен не интерфейс к API, а автономный аналитик с жесткими лимитами ответственности. Сколько стоит содержать агента, который сам пересчитывает цены и копается в чужих рекламных бюджетах? Ответ на этот вопрос кроется в экономике инференса моделей и стоимости обработки ошибок, которые разработчики пока удерживают за счет жестких лимитов на шаги и процессорное время. Прямой доступ к управлению рекламными ставками и ценообразованием требует колоссальных вычислительных затрат на каждый токен, особенно когда агент совершает итеративные ошибки, пытаясь интерпретировать неструктурированные отчеты маркетплейсов. Стоимость каждого ошибочного запроса к API складывается не только из цены процессорного времени базовой модели, но и из риска каскадных сбоев, когда некорректно сформированный рекламный бюджет уходит в минус за считанные секунды автономной работы. В условиях, когда разработчики вынуждены оплачивать каждый повторный прогон модели при сбое интеграции, реальная юнит-экономика автономного агента начинает съедать всю маржинальность селлера, если вовремя не ограничить глубину рефлексии алгоритма.
Первая версия AI-менеджера честно показывала таблицу с данными, но оставляла вывод человеку. Из ста двадцати проанализированных фраз тридцать две не соответствовали заготовленному списку правил.
Из ста двадцати проанализированных фраз тридцать две не соответствовали заготовленному списку правил. Каждая новая просьба требовала новой ветки кода, а читатели прошлой статьи обнаружили два бага, связанных с тем, что решения принимает жесткий код.
Теперь во второй версии разработчики перевернули схему, позволив модели самостоятельно выбирать инструменты и порядок действий, что многократно увеличивает количество токенов на обработку одного бизнес-кейса и заставляет тщательно просчитывать окупаемость каждого автономного действия.
Автономия под замком: как архитектура сдерживает агента
Дать модели прямой доступ к кабинету с ценами и рекламными бюджетами — решение, после которого плохо спится. Чтобы избежать хаоса, разработчики обложили систему жесткими лимитами: ход агента ограничен восемью шагами и ста пятьюдесятью секундами общего времени.
В новой версии ход агента ограничен восемью шагами и ста пятьюдесятью секундами общего времени. Упавший инструмент не приводит к падению всего хода, так как модель получает ошибку в текстовом виде и решает, что делать дальше.
Инструменты снабдили четкими инструкциями, а данные перед передачей модели подрезали до двухсот строк, чтобы снизить нагрузку на инференс и минимизировать расходы на обработку избыточного контекста, который напрямую влияет на стоимость каждого запуска.
Управление рисками: кто принимает финальное решение
Вопрос контроля над ценообразованием остается главным препятствием для полной автоматизации. Для предотвращения бесконтрольных изменений запись в систему осуществляется только после подтверждения владельцем слова да. Модель не имеет права выполнять правки ночью по таймеру или применять цены, которые владелец видел вчера.
Проверку подтверждения выполняет код, а не сама модель, исключая несанкционированные действия и защищая селлера от финансовых потерь при случайных галлюцинациях алгоритма в управлении рекламными кампаниями.
Что было раньше
Раньше автоматизация торговли упиралась в жесткие списки правил, где десятки поисковых фраз выбивались из шаблонов, а теперь модели сами выбирают инструменты и порядок действий в кабинете маркетплейса. Разработчики намеренно загнали эту автономию в коридор из восьми шагов и ста пятидесяти секунд, чтобы предотвратить каскадные сбои в расчетах. Защитный код просто не пропускает правки ставок и цен без прямого подтверждения владельца словом «да». Сможет ли агент доказать свою окупаемость в условиях, когда каждое автономное решение требует ручного подтверждения владельца кабинета?