Lancering van AI Assistant in Mobiele App
Magnit heeft zijn eigen AI-assistent, genaamd Mёdik (Magic), direct in de mobiele app "Magnit: Promoties en Bezorging" geïntroduceerd. De assistent is in-house ontwikkeld door het technologie-team van het bedrijf met behulp van open-source technologieën en een commercieel large language model (LLM) van derden. Hiermee kunnen gebruikers producten selecteren op basis van specifieke criteria, zoals maaltijdtypen. Hij ondersteunt ook vragen over de orderstatus en het oplossen van problemen zonder contact op te nemen met de klantenservice.
Toekomstige verbeteringen zullen de mogelijkheden uitbreiden om maximale kortingen op artikelen te identificeren, navigatietips in de winkel te geven, te assisteren bij zelfbedieningskassa's en cosmetica- en huidverzorgingsproducten aan te bevelen die zijn afgestemd op de individuele huideigenschappen. Magnit positioneert dit als de eerste AI-assistent die in de mobiele applicaties van de supermarktsector wordt gelanceerd.
Technische Basis en Initiële Implementatie
De AI maakt gebruik van een hybride aanpak: open-source frameworks voor kernfunctionaliteit in combinatie met een commercieel LLM voor geavanceerde natuurlijke taalverwerking. Deze opzet maakt real-time productmatching mogelijk van enorme catalogi, waarbij gebruik wordt gemaakt van gestructureerde gegevens zoals attributen, prijzen en beschikbaarheid. De huidige functies richten zich op op vragen gebaseerde aanbevelingen en transformeren vage invoer van gebruikers - zoals "ingrediënten voor het avondeten" - in precieze assortimenten, waardoor het winkelontdekkingsproces wordt gestroomlijnd.
De integratie vindt native plaats in de app, die al promoties, bezorging en loyaliteitsprogramma's afhandelt, zoals blijkt uit de centrale rol in de multi-format retailactiviteiten van Magnit. Dit embedt AI in de dagelijkse gebruikersinteracties zonder dat er aparte tools nodig zijn.
Implicaties voor Productfeeds in E-Commerce
AI-assistenten zoals Mёdik beïnvloeden productfeeds direct door dynamische filtering en personalisatie mogelijk te maken op het moment van de query. Traditionele feeds vertrouwen op statische regels of handmatige curatie, maar LLM-gestuurde matching vergelijkt de intentie van de gebruiker met feedattributen — prijs, categorie, dieetwensen — en versnelt zo de relevantie zonder uitputtende pre-tagging. Dit vermindert de latentie bij feed updates, aangezien real-time cataloguswijzigingen direct worden doorgevoerd in de aanbevelingen.
Voor e-commerce in de supermarktbranche, waar het assortiment duizenden SKU's overtreft met bederfelijke of promotionele volatiliteit, minimaliseren dergelijke systemen de blootstelling aan verouderde gegevens. De op criteria gebaseerde selectie van de assistent hint op vector embeddings of semantische zoekopdrachten over feeds, waardoor de vindbaarheid van long-tail artikelen wordt verbeterd die starre feeds over het hoofd zien. Als je hulp zoekt met je eigen product feed, bekijk dan deze blog: /blog/product_feed/.
Catalogusstandaardisatie Verhogen
Catalogiseren in de detailhandel lijdt vaak aan inconsistente standaarden tussen leveranciers, wat leidt tot gefragmenteerde gegevens. De implementatie van Mёdik dwingt impliciete standaardisatie af: door vragen te stellen over maaltijdtypen of huideigenschappen, eist het uniforme attributen in backend catalogi - voedingsprofielen, ingrediëntenlijsten, dermatologische tags. Na verloop van tijd leidt dit tot verbeteringen in de upstream, aangezien onvolledige gegevens slechte aanbevelingen opleveren, waardoor teams worden gedwongen zich aan te passen aan opkomende schema's.
In e-commerce, waar 70-80% van de catalogi afkomstig is van diverse leveranciers, fungeert AI als een kwaliteitsdeur. Niet-standaard vermeldingen verminderen de nauwkeurigheid van het LLM, wat de acceptatie van protocollen zoals GS1 of aangepaste ontologieën bevordert. De in-house build van Magnit suggereert bedrijfseigen verfijningen om regionale productnuances aan te pakken, en zet een benchmark voor schaalbare catalogushygiëne.
Het Verbeteren van de Kwaliteit en Volledigheid van Product Cards
Product cards in supermarkt-apps missen vaak diepgang - ontbrekende allergenen, combinaties of vervangingen - wat de conversie beperkt. Mёdik pakt dit aan door volledigheid af te leiden van interacties: onvolledige cards falen in complexe queries, waardoor lacunes zichtbaar worden voor iteratieve verrijking. Toekomstige huidverzorgingsaanbevelingen vereisen bijvoorbeeld attributen zoals pH-niveaus of hypoallergene vlaggen, waardoor vollere, contextbewuste cards noodzakelijk worden.
Dit verschuift e-commerce van beschrijvende naar voorspellende cards, waarbij AI ontbrekende velden invult via inferentie (bijvoorbeeld het extrapoleren van de geschiktheid van een maaltijd uit ingrediënten). Resultaat: meer vertrouwen van de gebruiker en minder retouren, aangezien de aanbevelingen overeenkomen met de werkelijke behoeften. Voor content infrastructuur automatiseert het verrijkingsworkflows en geeft het prioriteit aan artikelen met veel verkeer. Zorg ervoor dat je productbeschrijvingen top-notch zijn en het verschil kunnen maken. Lees meer: /blog/how_to-create-sales-driving-product-descriptions-without-spending-a-fortune/.
De Snelheid van Assortimentsimplementatie Versnellen
Snelheid in het aanbieden van nieuwe assortimenten definieert concurrerende e-commerce, vooral in de promo-zware supermarktbranche. Handmatige onboarding - het testen van feeds, cards, promoties - duurt dagen; AI brengt dit terug tot minuten. De kortingsjachtfunctie van Mёdik, die in de planning staat, scant live feeds voor optimale matches, waardoor flash sales of seizoensgebonden introducties direct zichtbaar worden zonder opnieuw te crawlen.
No-code elementen versterken dit: open-source bases maken drag-and-drop prompt tuning en regeloverlays mogelijk, waardoor developer queues worden omzeild. Retailers kunnen AI-gedrag A/B testen op subsets van het assortiment, waarbij winnaars snel app-breed worden ingezet. In het geval van Magnit wijst het koppelen van AI aan zelfbedieningskassa's en begeleiding in de winkel op omnichannel synchronisatie, waarbij app-leren de fysieke lay-outs in realtime optimaliseert.
No-Code AI en Content Automation Synergieën
No-code platforms in combinatie met LLM's verlagen de barrières voor AI-implementatie, zoals te zien is in de open-source basis van Mёdik. Retail tech teams configureren gedrag via visuele interfaces — prompt chaining voor queries, integratiehaken voor order-API's — zonder diepgaande codering. Dit democratiseert content processen: marketeers definiëren aanbevelingslogica, operations behandelen ondersteuningsstromen en versnellen de iteratie.
Voor e-commerce infrastructuur ontgrendelt het generatieve content op schaal: automatisch genereren van card beschrijvingen, promo copy of gepersonaliseerde bundels uit feed data. De ondersteuningsresolutie van Magnit via AI is hier een voorbeeld van, door tickets te voorkomen door ordergeschiedenis en beleidsregels te synthetiseren. Hypothese: naarmate de modellen volwassener worden, zal no-code AI in ketens standaardiseren, waardoor ontwikkelingscycli van maanden naar weken worden gecomprimeerd met behoud van aangepaste randen. Het beheren van je data voor deze tools wordt eenvoudiger met een tool als een prijslijstverwerkingsprogramma - bekijk dit artikel: /blog/price-list-processing-program/.
Retailer's.ru meldde de lancering en onderstreepte daarmee de pioniersstatus in de supermarktbranche. VentureBeat behandelde gerelateerde innovaties op het gebied van personeels-AI, en belichtte het bredere platformpotentieel. Het beheren van je e-commerce activiteiten hangt vaak af van de juiste indeling van je gegevens. Bekijk onze diepgaande gidsen over de CSV- en JSON-indelingen: /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ of /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
De lancering van de AI-assistent van Magnit benadrukt een significante trend naar het benutten van AI voor productontdekking en het verbeteren van de consumentenervaring, vooral met betrekking tot e-commerce in de supermarktsector. Deze stap signaleert een push voor catalogusstandaardisatie en rijkere productgegevens om AI-modellen te voeden. Voor platforms zoals NotPIM onderstreept dit het toenemende belang van product information management bij het ondersteunen van geavanceerde AI-gestuurde functionaliteiten. We zien deze ontwikkeling als een positieve stap naar slimmere en efficiëntere e-commerce activiteiten.