Lansering av AI-assistent i mobilappen
Magnit har introducerat sin egenutvecklade AI-assistent, kallad Mёdik (Magic), direkt i mobilappen "Magnit: Kampanjer och Leveranser". Assistenten, som utvecklats internt av företagets teknikteam med hjälp av open-source-teknologier och en kommersiell stor språkmodell (LLM) från tredje part, gör det möjligt för användare att välja produkter baserat på specifika kriterier, såsom måltidstyper. Den stöder också förfrågningar om orderstatus och lösning av problem utan att kontakta kundtjänst.
Framtida förbättringar kommer att utöka möjligheterna att identifiera maximala rabatter på varor, tillhandahålla tips för navigering i butik, hjälpa till vid självbetjäningskassor och rekommendera kosmetika och hudvårdsprodukter skräddarsydda efter individuella hudegenskaper. Magnit positionerar detta som den första AI-assistenten som lanserats i dagligvaruhandelns mobilapplikationer.
Teknisk grund och initial implementering
AI:n utnyttjar en hybridansats: open-source-ramverk för kärnfunktionalitet kombinerat med en kommersiell LLM för avancerad bearbetning av naturligt språk. Denna uppsättning möjliggör produktmatchning i realtid från enorma kataloger, baserat på strukturerad data som attribut, priser och tillgänglighet. Aktuella funktioner fokuserar på frågebaserade rekommendationer och omvandlar vaga användarinput – som "ingredienser för middag" – till exakta sortiment, vilket effektiviserar processen för upptäckt av produkter.
Integrationen sker internt i appen, som redan hanterar kampanjer, leveranser och lojalitetsprogram, vilket framgår av dess centrala roll i Magnits detaljhandelsverksamhet i flera format. Detta bäddar in AI i dagliga användarinteraktioner utan att kräva separata verktyg.
Konsekvenser för produktfeeds inom e-handel
AI-assistenter som Mёdik påverkar direkt produktfeeds genom att möjliggöra dynamisk filtrering och personalisering vid frågetillfället. Traditionella feeds förlitar sig på statiska regler eller manuell kurering, men LLM-drivna matchningsprocesser bearbetar användarintentionen mot feedattribut – pris, kategori, kostbehov – vilket påskyndar relevansen utan omfattande förtagging. Detta minskar latensen i feeduppdateringar, eftersom katalogförändringar i realtid sprids omedelbart till rekommendationer.
För dagligvaruhandelns e-handel, där sortimenten överstiger tusentals SKU:er med förgänglig eller kampanjrelaterad volatilitet, minimerar sådana system exponering för föråldrad data. Assistentens kriteriebaserade urval antyder vektorinbäddningar eller semantisk sökning över feeds, vilket förbättrar upptäckbarheten av långsvansartiklar som styva feeds förbiser. Om du behöver hjälp med din egen produktfeed, kolla in den här bloggen: /blog/product_feed/.
Förbättring av katalogstandardisering
Katalogisering inom detaljhandeln lider ofta av inkonsekventa standarder mellan leverantörer, vilket leder till fragmenterad data. Mёdiks implementering tvingar fram en implicit standardisering: genom att söka över måltidstyper eller hudegenskaper kräver den enhetliga attribut i backendkataloger, näringsprofiler, ingredienslistor, dermatologiska taggar. Med tiden driver detta uppströmsförbättringar, eftersom ofullständig data ger dåliga rekommendationer, vilket pressar team att anpassa sig till nya scheman.
Inom e-handel, där 70–80 % av katalogerna härrör från olika leverantörer, fungerar AI som en kvalitetsgrind. Icke-standardiserade poster försämrar LLM-noggrannheten och främjar antagandet av protokoll som GS1 eller anpassade ontologier. Magnits interna byggnation antyder egna förfiningar för att hantera regionala produktnyanser, vilket sätter en måttstock för skalbar kataloghygien.
Förbättring av produktkorts kvalitet och fullständighet
Produktkort i livsmedelsappar saknar ofta djup – allergener, kombinationer eller ersättningar saknas – vilket begränsar konverteringen. Mёdik åtgärdar detta genom att härleda fullständighet från interaktioner: ofullständiga kort misslyckas med komplexa frågor, vilket avslöjar luckor för iterativ berikning. Framtida hudvårdsrekommendationer kommer till exempel att kräva attribut som pH-nivåer eller allergivänliga flaggor, vilket tvingar fram fylligare, kontextmedvetna kort.
Detta skiftar e-handeln från beskrivande till prediktiva kort, där AI fyller i saknade fält via inferens (t.ex. extrapolering av måltidshållbarhet från ingredienser). Resultat: högre användarförtroende och färre returer, eftersom rekommendationerna överensstämmer med verkliga behov. För innehållsinfrastrukturen automatiserar den berikningsarbetsflöden och prioriterar högfrekventa artiklar. Att säkerställa att dina produktbeskrivningar är förstklassiga kan göra hela skillnaden. Läs mer: /blog/how_to-create-sales-driving-product-descriptions-without-spending-a-fortune/.
Påskynda utrullningshastigheten för sortiment
Hastighet i att mata ut nya sortiment definierar konkurrenskraftig e-handel, särskilt inom kampanjstark dagligvaruhandel. Manuell onboarding – testning av feeds, kort, kampanjer – spänner över dagar; AI kollapsar detta till minuter. Mёdiks funktion för att jaga rabatter, som planeras lanseras, skannar live feeds efter optimala matchningar, vilket möjliggör omedelbar visning av flashförsäljning eller säsongsintroduktioner utan omkravning.
Inga kod-element förstärker detta: open-source-baser tillåter drag-and-drop-promptjustering och regelöverlägg, vilket kringgår utvecklarköer. Återförsäljare kan A/B-testa AI-beteenden på delmängder av sortimentet och snabbt distribuera vinnare i hela appen. I Magnits fall förebådar att knyta AI till självutcheckning och vägledning i butik en omnikanalsynkronisering, där inlärningar i appen optimerar fysiska layouter i realtid.
Synergier för kodfri AI och automatisering av innehåll
Kodfria plattformar i kombination med LLM sänker hindren för AI-implementering, vilket framgår av Mёdiks open-source-grund. Återförsäljningsteknikteam konfigurerar beteenden via visuella gränssnitt – promptkedjning för frågor, integrationskrokar för order-API:er – utan djup kodning. Detta demokratiserar innehållsprocesser: marknadsförare definierar rekommendationslogik, drift hanterar supportflöden och påskyndar iterering.
För e-handelsinfrastrukturen låser det upp generativt innehåll i stor skala: genererar automatiskt kortbeskrivningar, kampanjkopior eller personliga paket från feeddata. Magnits supportlösning via AI exemplifierar detta, förebygger ärenden genom att syntetisera orderhistorik och policyer. Hypotes: allt eftersom modellerna mognar kommer kodfritt att standardisera AI över kedjor, komprimera utvecklingscykler från månader till veckor samtidigt som anpassade kanter bibehålls. Att hantera dina data för dessa verktyg underlättas med ett verktyg som ett prislistbehandlingsprogram – kolla in den här artikeln: /blog/price-list-processing_program/.
Retailer's.ru rapporterade lanseringen och underströk dess pionjärstatus inom dagligvaruhandeln. VentureBeat täckte relaterade innovationer inom arbetskrafts-AI och lyfte fram bredare plattformspotential. Att hantera dina e-handelsoperationer är ofta beroende av rätt format på dina data. Kolla in våra djupgående guider om CSV- och JSON-formaten: /blog/csv-format-how-to-structure-product-data-for-smooth-integration/ eller /blog/json-format-how-one-store-turned-chaos-into-fast-synchronization/
Lanseringen av Magnits AI-assistent belyser en betydande trend mot att utnyttja AI för produktupptäckt och förbättra konsumentupplevelsen, särskilt när det gäller e-handel inom dagligvaruhandeln. Detta drag signalerar ett tryck för katalogstandardisering och rikare produktdata för att mata AI-modeller. För plattformar som NotPIM understryker detta den ökande vikten av produkthantering för att stödja sofistikerade AI-drivna funktioner. Vi ser denna utveckling som ett positivt steg mot smartare och effektivare e-handelsoperationer.