Lancering af AI-assistent i mobilappen
Magnit har introduceret sin egenudviklede AI-assistent, der er blevet navngivet Mёdik (Magic), direkte i mobilappen "Magnit: Tilbud og Levering". Assistenten er udviklet internt af virksomhedens teknologiteam ved hjælp af open source-teknologier og en kommerciel tredjeparts large language model (LLM). Den gør det muligt for brugerne at vælge produkter baseret på specifikke kriterier, såsom måltidstyper. Den understøtter også forespørgsler om ordrestatus og løsning af problemer uden at kontakte kundesupport.
Fremtidige forbedringer vil udvide funktionerne til at identificere maksimale rabatter på varer, give tips til navigation i butikken, assistere ved selvbetjeningskasser og anbefale kosmetik- og hudplejeprodukter, der er skræddersyet til individuelle hudkarakteristika. Magnit positionerer dette som den første AI-assistent, der er lanceret i dagligvarehandelens mobilapplikationer.
Teknisk grundlag og indledende implementering
AI'en udnytter en hybrid tilgang: open source-rammer for kernefunktionalitet kombineret med en kommerciel LLM til avanceret behandling af naturligt sprog. Denne opsætning muliggør produktmatchning i realtid fra omfattende kataloger og trækker på strukturerede data som attributter, priser og tilgængelighed. Aktuelle funktioner er fokuseret på forespørgselsbaserede anbefalinger, der transformerer vage brugerinput – som f.eks. "ingredienser til middag" – til præcise sortimenter og dermed strømliner shoppingprocessen.
Integrationen sker oprindeligt i appen, som allerede håndterer tilbud, levering og loyalitetsprogrammer, hvilket er bekræftet af dens centrale rolle i Magnits detailhandelsdrift i flere formater. Dette integrerer AI i de daglige brugerinteraktioner uden at kræve separate værktøjer.
Konsekvenser for produktfeeds i e-handel
AI-assistenter som Mёdik påvirker direkte produktfeeds ved at muliggøre dynamisk filtrering og personalisering på forespørgsels tidspunktet. Traditionelle feeds er afhængige af statiske regler eller manuel kuratering, men LLM-drevne matchningsprocesser bruger intentioner mod feed-attributter – pris, kategori, diætmæssige behov – og accelererer relevansen uden omfattende forhåndstagging. Dette reducerer latenstiden i feed-opdateringer, da katalogændringer i realtid øjeblikkeligt forplanter sig til anbefalinger.
For dagligvarehandel i e-handel, hvor sortimenter overstiger tusindvis af SKU'er med letfordærvelige varer eller volatile tilbud, minimerer sådanne systemer eksponering for forældede data. Assistentens kriteriebaserede udvælgelse antyder vector embeddings eller semantisk søgning over feeds, hvilket forbedrer opdageligheden af long-tail-varer, som rigide feeds overser. Hvis du leder efter hjælp med dit eget product feed, skal du tjekke denne blog: /blog/product_feed/.
Øget katalogstandardisering
Katalogisering i detailhandlen lider ofte under inkonsekvente standarder på tværs af leverandører, hvilket fører til fragmenterede data. Mёdiks implementering håndhæver implicit standardisering: Ved at foretage forespørgsler på tværs af måltidstyper eller hudegenskaber kræves ensartede attributter i backend-kataloger – ernæringsprofiler, ingredienslister, dermatologiske tags. Med tiden fører dette til upstream-forbedringer, da ufuldstændige data giver dårlige anbefalinger, hvilket presser teams til at tilpasse sig nye skemaer.
I e-handel, hvor 70-80 % af katalogerne stammer fra forskellige leverandører, fungerer AI som en kvalitetsport. Ikke-standardiserede poster forringer LLM-nøjagtigheden og fremmer vedtagelsen af protokoller som GS1 eller brugerdefinerede ontologier. Magnits egenudviklede opbygning tyder på proprietære forbedringer til at håndtere regionale produktnuancer og sætter en benchmark for skalerbar kataloghygiejne.
Forbedring af product card-kvalitet og fuldstændighed
Product cards i dagligvareapps mangler ofte dybde – mangler allergener, parringer eller erstatninger – hvilket begrænser konverteringen. Mёdik adresserer dette ved at udlede fuldstændighed fra interaktioner: Ufuldstændige kort mislykkes komplekse forespørgsler og afslører huller for iterative berigelser. Fremtidige hudplejeanbefalinger vil f.eks. kræve attributter som pH-niveauer eller allergivenlige flag, hvilket tvinger til fyldigere, kontekstafhængige kort.
Dette flytter e-handel fra beskrivende til prædiktive kort, hvor AI udfylder manglende felter via udledning (f.eks. ved at ekstrapolere egnethed til måltider fra ingredienser). Resultat: højere brugertillid og færre returneringer, da anbefalinger stemmer overens med reelle behov. For indfrastruktur til indhold automatiserer det berigelsesarbejdsgange og prioriterer varer med høj trafik. At sikre, at dine product descriptions er i top, kan gøre hele forskellen. Læs mere: /blog/how_to-create-sales-driving-product-descriptions-without-spending-a-fortune/.
Accelerering af implementeringshastigheden for sortiment
Hastighed i udskrivning af nye sortimenter definerer konkurrencedygtig e-handel, især inden for promo-tung dagligvarehandel. Manuel onboarding – test af feeds, cards, kampagner – spænder over dage; AI kollapser dette til minutter. Mёdiks funktion til rabatjagt, der er planlagt til udrulning, scanner live feeds for optimale matches og muliggør øjeblikkelig udnyttelse af flashsalg eller sæsonbetonede introduktioner uden genindlæsning.
Elementer uden kode forstærker dette: Open source-baser muliggør træk-og-slip-prompt-tuning og regeloverlays, der omgår udviklerkøer. Detailhandlere kan A/B teste AI-adfærd på delmængder af sortimentet og hurtigt udrulle vindere i hele appen. I Magnits tilfælde antyder det at binde AI til selvbetjening og vejledning i butikken omnichannel-synkronisering, hvor app-læring optimerer fysiske layouts i realtid.
Synergier mellem AI uden kode og automatiseret indhold
Platforme uden kode parret med LLM'er sænker barriererne for AI-implementering, hvilket ses i Mёdiks open source-fundament. Detailhandels-tech-teams konfigurerer adfærd via visuelle grænseflader – prompt-chaining til forespørgsler, integrationshooks til ordre-API'er – uden dyb kodning. Dette demokratiserer indholdsprocesser: Markedsførere definerer anbefalingslogik, operatører håndterer supportflows og accelererer iteration.
For e-handelsinfrastruktur låser det generativt indhold op i stor skala: automatisk generering af card descriptions, promo copy eller personlige bundles fra feed-data. Magnits supportløsning via AI er et eksempel på dette, der foregriber billetter ved at syntetisere ordrehistorik og -politikker. Hypotese: Efterhånden som modeller bliver modne, vil no-code standardisere AI på tværs af kæder og komprimere udviklingscyklusser fra måneder til uger, mens tilpassede fordele opretholdes. Det er nemmere at administrere dine data til disse værktøjer med et værktøj som et price list processing program - tjek denne artikel: /blog/price-list-processing-program/.
Retailer's.ru rapporterede lanceringen og understregede dens pionerstatus inden for dagligvarer. VentureBeat dækkede relaterede AI-innovationer inden for arbejdsstyrken og fremhævede bredere platformpotentiale. Det er ofte afhængigt af det korrekte format af dine data at administrere dine e-handelsoperationer. Tjek vores dybdegående guider om CSV og JSON formater: /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ eller /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
Lanceringen af Magnits AI-assistent fremhæver en betydelig tendens mod at udnytte AI til produktsøgning og forbedre kundeoplevelsen, især i forhold til e-handel i dagligvaresektoren. Dette træk signalerer et skub for katalogstandardisering og mere omfattende produktdata til at fodre AI-modeller. For platforme som NotPIM understreger dette den stigende vigtighed af produktinformationsstyring i forhold til at understøtte sofistikerede AI-drevne funktioner. Vi ser denne udvikling som et positivt skridt mod smartere og mere effektive e-handelsoperationer.