«Магнит» доверил ИИ проверку овощей и фруктов: нейросеть будет искать дефекты и помогать сокращать списания
🥦 «Магнит» доверил ИИ проверку овощей и фруктов: нейросеть будет искать дефекты и помогать сокращать списания
11 ноября «Магнит» объявил о запуске пилота по автоматизации контроля качества плодоовощной продукции в одном из распределительных центров.
📸 Как работает технология
Сотрудник фотографирует поступившие овощи и фрукты на планшет. Нейросеть анализирует изображения и автоматически заполняет часть контрольного листа. Окончательное решение о качестве партии принимает специалист.
Целевая точность распознавания — более 95%. Это пока плановый показатель, а не подтверждённый результат испытаний.
Дополнительно компания изучает видеоаналитику для контроля соблюдения процедур приёмки, включая подготовку весового оборудования и последовательность проверки.
В перспективе «Магнит» хочет создать единую цифровую систему, которая объединит фотографии, результаты лабораторных исследований, данные о поставщиках и температурных режимах. Это позволит отслеживать качество партии от поставщика до магазина.
🏪 Что уже делают конкуренты
🔴 «Лента». Удалённая приёмка работает с 2021 года. В октябре 2026-го технологию внедрили в дальневосточной сети «Реми». Отдельно компания тестирует нейросети: совпадение их оценок с выводами специалистов превышало 90%. За четыре года списания овощей и фруктов из-за низкого качества сократились на 20% — благодаря удалённой приёмке и другим мероприятиям, а не только ИИ.
🟢 «ВкусВилл». Ещё в 2024 году внедрил нейросеть для выявления дефектов по фотографиям. Сотрудники дарксторов отправляют снимки в Telegram-бот и получают рекомендации: продавать, уценить или списать. На момент запуска решение работало более чем в 60 дарксторах.
🟠 X5. Использует скоринговую модель приёмки овощей и фруктов, но применение нейросетей именно для анализа их фотографий публично не подтверждено.
📉 Зачем ритейлерам ИИ
Ошибки при приёмке приводят к дополнительным расходам на перевозку, хранение и списание испорченной продукции. При этом чрезмерно строгая проверка может обернуться необоснованными отказами поставщикам.
Поэтому важна не только точность распознавания, но и сокращение реальных потерь, снижение числа ошибочных отказов и прозрачность претензий.
«Магнит» пока находится на стадии пилота: компания не раскрыла стоимость проекта, достигнутую точность и ожидаемую экономию. Решение входит в пятилетнюю программу сокращения товарных потерь.
Источники: «Магнит», 11 ноября 2026 года; «Группа Лента», Lenta Tech, «ВкусВилл», X5; анализ EcomHub Research.
Подробнее
«Магнит» доверил ИИ проверку овощей и фруктов: как торговые сети автоматизируют приёмку и борются со списаниями
12 ноября 2026 года
«Магнит» начал тестировать искусственный интеллект для контроля качества овощей и фруктов при поступлении в распределительные центры. Нейросеть анализирует фотографии продукции, сделанные сотрудниками с помощью планшетов, и автоматически заполняет часть контрольного листа. Окончательное решение пока остаётся за специалистом. Компания рассчитывает достичь точности распознавания более 95% и в перспективе создать цифровую систему, которая позволит отслеживать качество каждой партии от поставщика до магазинной полки. Однако «Магнит» не первый российский ритейлер, автоматизирующий контроль свежей продукции. «ВкусВилл» ещё в 2024 году внедрил нейросеть для выявления дефектов овощей и фруктов, а «Лента» с 2021 года развивает удалённую приёмку и уже испытывает машинное зрение. Совсем недавно, 29 октября, «Лента» объявила о распространении этой технологии на дальневосточную сеть «Реми». Сравнение проектов показывает, что крупнейшие ритейлеры движутся к одной цели — сократить товарные потери и зависимость качества от человеческого фактора, но используют для этого разные технологические подходы.
«Магнит» начал проверять поступающие овощи и фрукты с помощью нейросети
11 ноября 2026 года «Магнит» сообщил о запуске пилотного проекта по использованию искусственного интеллекта для контроля качества плодоовощной продукции.
Эксперимент проводится на базе одного из распределительных центров компании.
Технология интегрируется в существующий процесс мобильной приёмки.
Сотрудник распределительного центра фотографирует поступившие овощи и фрукты с помощью планшета.
Изображения передаются в систему, которая анализирует визуальные характеристики продукции и автоматически заполняет часть сведений в контрольном листе.
После этого специалист по качеству проверяет результаты и подтверждает их.
Таким образом, искусственный интеллект пока не принимает окончательное решение о допуске товара в продажу.
Он выполняет часть операций, которые раньше требовали ручного заполнения документов и визуальной оценки.
По информации «Магнита», мобильная приёмка уже действует во всех распределительных центрах сети.
Но это не означает, что искусственный интеллект внедрён на всех объектах.
Мобильная приёмка работает во всех распределительных центрах, а ИИ-анализ качества овощей и фруктов пока тестируется на одном.
Это принципиальное различие для оценки масштаба проекта.
По итогам эксперимента компания планирует создать единую цифровую систему управления качеством, объединяющую мобильное приложение, веб-платформу и облачную инфраструктуру.
Точность более 95%: пока цель, а не результат
«Магнит» обозначил целевой показатель точности распознавания — более 95%.
Однако компания не сообщила, что такой результат уже достигнут.
Не раскрыты и параметры испытаний.
Например, неизвестно, сколько изображений использовалось для проверки модели, какие виды овощей и фруктов она способна распознавать и как часто ошибается при определении различных дефектов.
Поэтому показатель 95% следует рассматривать как техническую цель проекта.
Для практического применения искусственного интеллекта в приёмке одной общей цифры недостаточно.
Возможны два принципиально разных типа ошибок.
Первый — система не замечает дефект.
Например, нейросеть оценивает партию как соответствующую требованиям, хотя часть продукции имеет повреждения или признаки порчи.
В результате некачественный товар может попасть в дальнейшую логистическую цепочку.
Второй — система ошибочно признаёт нормальную продукцию дефектной.
В таком случае торговая сеть рискует необоснованно отклонить поставку, а производитель — столкнуться с дополнительными затратами и претензиями.
Эти ошибки имеют разную экономику.
В первом случае повышается вероятность потерь внутри торговой сети и жалоб покупателей.
Во втором — возникают конфликты с поставщиками и риск необоснованного списания пригодной продукции.
Поэтому для оценки эффективности системы важны не только общая точность, но и доли пропущенных дефектов и ложных срабатываний.
Отдельно необходимо проверять работу алгоритмов на разных сортах, размерах и степенях зрелости продукции.
Например, особенности окраски яблок или томатов могут быть естественными характеристиками сорта, а не признаком ухудшения качества.
Нейросеть проверяет не только товары, но и соблюдение процедуры приёмки
Второе направление пилота «Магнита» связано с видеоаналитикой.
Компания оценивает возможность автоматически контролировать соблюдение сотрудниками регламентов приёмки.
Среди примеров названы подготовка весового оборудования и последовательность осмотра продукции.
Это отдельная технологическая задача.
Одно дело — определить состояние овоща или фрукта по фотографии.
Другое — проверить, правильно ли сотрудник выполняет процедуру контроля.
Например, система потенциально может фиксировать, проводились ли необходимые операции, использовалось ли предусмотренное оборудование и соблюдалась ли последовательность действий.
Но пока «Магнит» только оценивает возможность применения видеоаналитики для этих целей.
Компания не заявляла, что такой контроль уже действует в полном объёме.
Экономический смысл направления заключается в стандартизации.
Даже при наличии подробных инструкций качество приёмки может зависеть от опыта и внимательности конкретного сотрудника.
Один специалист замечает повреждение товара, другой может пропустить его.
Один проводит все предусмотренные операции, другой сокращает процедуру из-за высокой нагрузки.
Цифровая фиксация делает процесс более проверяемым.
Она также позволяет разбирать спорные ситуации с поставщиками на основании сохранённых материалов, а не только объяснений сотрудников.
Однако сам факт видеозаписи не гарантирует правильности принятого решения.
Для этого необходимы единые стандарты оценки и возможность независимой проверки результатов.
От планшета на складе — к цифровой истории каждой партии
В «Магните» рассматривают внедрение ИИ как часть более масштабной программы управления качеством.
Компания планирует объединять в единой системе результаты входного контроля, фотографии и видеозаписи, аналитические данные, лабораторные исследования и результаты аудитов поставщиков.
Отдельное направление — мониторинг соблюдения температурных режимов в логистической цепочке.
В дальнейшем предполагается отслеживать каждую партию овощей и фруктов на всём пути от поставщика до магазинной полки.
Это существенно расширяет назначение системы.
Сейчас проверка проводится на этапе поступления продукции в распределительный центр.
Но качество скоропортящихся товаров зависит от всей цепочки поставок.
Например, партия может соответствовать установленным требованиям при отгрузке от производителя, но потерять качество в результате нарушения температурного режима при транспортировке.
Или поступить на распределительный центр в хорошем состоянии, но испортиться позднее из-за неправильного хранения.
Если результаты проверки связывать с конкретной партией, температурой, сроками перевозки и последующими списаниями, можно устанавливать вероятные причины потерь.
Это уже не просто автоматизация визуального осмотра.
Речь идёт о создании цифрового контура управления качеством, который позволит анализировать причины ухудшения продукции на разных этапах её движения.
По словам директора департамента по качеству группы компаний «Магнит» Владимира Габараева, свежие овощи и фрукты являются одной из ключевых категорий ритейла, а контроль их качества традиционно сильно зависел от опыта сотрудников.
Компания рассчитывает сделать этот процесс более объективным и уменьшить потери, связанные с человеческим фактором.
Проект включён в пятилетнюю программу «Магнита» по сокращению товарных потерь.
При этом количественные результаты пилота и ожидаемая экономия пока не раскрыты.
«Лента»: совсем недавно удалённую приёмку внедрили в сети «Реми»
Наиболее интересный российский пример для сравнения — «Группа Лента».
29 октября 2026 года компания объявила о внедрении удалённой приёмки овощей и фруктов в дальневосточной торговой сети «Реми».
Эту новость EcomHub Research уже подробно разбирал в отдельном материале.
Система предусматривает разделение физического осмотра товара и экспертного решения.
Сотрудник распределительного центра выполняет необходимые операции с поступившей продукцией.
Он показывает образцы через камеры высокого разрешения, проводит измерения и выполняет указания проверяющего.
Специалист по качеству находится не на складе, а в удалённом мониторинговом центре.
Он наблюдает за процедурой по видеосвязи, оценивает продукцию и принимает решение.
Результаты проверки сохраняются в цифровой системе.
При этом сама технология для «Ленты» не новая.
Компания использует удалённую приёмку с 2021 года, а в середине 2023 года начала масштабировать её.
Новость октября 2026 года заключается в распространении решения на приобретённую региональную сеть.
Чем подход «Ленты» отличается от проекта «Магнита»
Главное различие — в организации принятия решения.
«Магнит» тестирует нейросеть, которая непосредственно анализирует фотографии товаров и заполняет часть контрольного листа.
«Лента» прежде всего разделяет сотрудников, физически работающих с поставкой, и специалистов, принимающих решение о качестве.
В её действующей системе удалённой приёмки ключевая роль остаётся за человеком.
Это позволяет централизовать экспертизу и уменьшить зависимость от квалификации конкретного сотрудника склада.
Но технологическая стратегия «Ленты» также предполагает дальнейшую автоматизацию.
Компания уже испытывает машинное зрение и нейросети для оценки свежей продукции.
Таким образом, проекты постепенно сближаются, хотя находятся на разных этапах развития.
«Лента» уже испытывает ИИ с совпадением экспертных оценок более 90%
В декабре 2025 года «Группа Лента» сообщила о тестировании технологий машинного зрения совместно с нейросетями для удалённой приёмки овощей и фруктов.
По информации Lenta Tech, одно из решений демонстрировало совпадение оценок алгоритма с выводами специалистов мониторингового центра более чем в 90% случаев.
Это важный результат.
Но его нельзя напрямую сравнивать с целевыми 95%, обозначенными «Магнитом».
Во-первых, у «Ленты» речь идёт о совпадении оценки системы с мнением инспектора.
Во-вторых, «Магнит» пока не раскрыл методику расчёта целевой точности.
В-третьих, неизвестно, насколько сопоставимы виды продукции и проверяемые дефекты.
Поэтому утверждать, что одна система технически лучше другой, на основании этих процентов нельзя.
При этом «Лента» изучает ещё одно направление — гиперспектральные камеры.
В отличие от обычной фотографии, такие устройства фиксируют отражение света в большем количестве спектральных диапазонов.
Это потенциально позволяет оценивать характеристики продукции, которые трудно определить визуально.
Например, технология может использоваться для анализа зрелости фруктов.
В сообщении Lenta Tech говорится об испытаниях решения на цитрусовых.
Однако гиперспектральная оценка также требует настройки под конкретные виды и сорта продукции.
Компания не сообщала, что эта технология уже массово используется на всех распределительных центрах.
Важно и другое: в октябрьском сообщении о внедрении удалённой приёмки в «Реми» не подтверждалось, что нейросети используются непосредственно на всех объектах этой сети.
Поэтому действующую удалённую приёмку и экспериментальные ИИ-инструменты «Ленты» необходимо рассматривать отдельно.
У «Ленты» уже есть результат: списания сократились на 20% за четыре года
В отличие от «Магнита», который только начал пилот, «Лента» раскрывала результаты многолетней программы контроля качества.
По данным компании, за четыре года количество списаний овощей и фруктов по причине низкого качества снизилось совокупно на 20%.
Однако важно учитывать формулировку самого ритейлера.
Сокращение списаний на 20% стало результатом удалённой приёмки и других мероприятий, а не исключительно работы видеокамер или искусственного интеллекта.
На потери свежей продукции влияет множество факторов.
Среди них — качество поставок, соблюдение температурных режимов, длительность транспортировки, упаковка, оборачиваемость и условия хранения в магазинах.
Даже самая точная нейросеть не сможет предотвратить порчу продукции, если на последующих этапах нарушаются условия хранения.
Поэтому оценивать эффективность ИИ необходимо в составе всей системы управления качеством.
Особенно интересен опыт «Ленты» с точки зрения взаимодействия с поставщиками.
В удалённой приёмке используются механизмы случайного назначения проверок и специалистов.
Это ограничивает возможность неформального влияния на решение о качестве партии.
Для поставщиков фото- и видеофиксация также создаёт дополнительные доказательства при возникновении разногласий.
Таким образом, технология решает не только задачу сокращения списаний, но и проблему прозрачности приёмки.
«ВкусВилл» использует ИИ для проверки овощей и фруктов ещё с 2024 года
Другой подтверждённый российский пример — «ВкусВилл».
В июле 2024 года компания сообщила о внедрении искусственного интеллекта для распознавания дефектов овощей и фруктов в дарксторах.
Решение разработано совместно с технологическим стартапом Art Intelligence.
Оно работает через чат-бот в Telegram.
Сотрудник фотографирует товар и отправляет изображение в систему.
Нейросеть анализирует состояние продукции и предлагает дальнейшие действия.
Например, она может рекомендовать списать товар или отправить его на продажу по сниженной цене.
Система также предоставляет информацию о возможных дефектах соответствующего вида продукции.
В основе решения используются алгоритмы компьютерного зрения и нейронная сеть, обученная на фотографиях, которые сотрудники ранее направляли технологам.
По данным компании на момент анонса, ответ формировался менее чем за две секунды.
В июле 2024 года инструмент уже использовался более чем в 60 дарксторах.
В перечень распознаваемых категорий входили цитрусовые, яблоки, бананы, кабачки, томаты и капуста.
Компания планировала расширять перечень продукции и масштабировать решение.
Однако актуальное количество объектов, на которых система действует в ноябре 2026 года, публично не подтверждено.
Поэтому нельзя утверждать, что технология уже внедрена во всех дарксторах сети.
Чем решение «ВкусВилла» отличается от системы «Магнита»
Важное отличие заключается в этапе контроля.
«Магнит» тестирует ИИ преимущественно при поступлении продукции в распределительный центр.
«ВкусВилл» применял нейросеть для оценки состояния товаров в дарксторах, где собираются заказы для доставки покупателям.
Это более поздний этап движения продукции.
Овощи и фрукты могут поступить на склад в хорошем состоянии, но получить повреждения или начать портиться во время последующего хранения.
Поэтому регулярная оценка непосредственно перед продажей также необходима.
В результате подходы двух компаний скорее дополняют друг друга.
Один направлен на контроль входящего качества.
Другой помогает определять, какую продукцию можно продавать, какую следует уценить и какую необходимо списать.
Для полноценной системы управления качеством нужны оба уровня проверки.
X5: стандартизированная приёмка, но не подтверждённая нейросетевая оценка фруктов
Ещё один крупный игрок, развивающий цифровизацию контроля качества, — X5.
Компания управляет торговыми сетями «Пятёрочка», «Перекрёсток» и «Чижик».
На официальном сайте X5 подробно описана процедура закупки и приёмки овощей и фруктов.
Она предусматривает проверку сопроводительных документов, условий транспортировки, упаковки, маркировки и качественных характеристик продукции.
При оценке учитываются сортность, цветность и другие признаки.
В распределительных центрах X5 применяется скоринговая модель приёмки.
Её задача — стандартизировать процесс и снизить риск попадания некачественных продуктов в магазины.
Компания также использует рейтинг поставщиков, который влияет на распределение объёмов поставок.
Однако в публичном описании скоринговой системы не подтверждено использование нейросети для автоматической оценки фотографий овощей и фруктов.
Поэтому считать её прямым аналогом нового ИИ-пилота «Магнита» некорректно.
При этом X5 действительно развивает компьютерное зрение в других направлениях контроля качества, в частности для проверки упаковки готовой еды.
Таким образом, у компании существуют технологические компетенции, связанные с машинным зрением, но публично подтверждённые решения необходимо различать по назначению.
Скоринговая модель приёмки фруктов и нейросетевая проверка изображений — не одно и то же.
Кто из российских ритейлеров продвинулся дальше
На основании подтверждённых публичных данных можно выделить четыре подхода.
«Магнит» — ИИ на этапе входного контроля. Пилот в одном распределительном центре. Нейросеть анализирует фотографии и заполняет часть чек-листа, специалист подтверждает результат. Целевая точность — более 95%.
«Лента» — удалённая приёмка и отдельные испытания нейросетей. Система дистанционного экспертного контроля используется с 2021 года, в октябре 2026 года распространена на «Реми». В отдельных тестах оценки ИИ совпадали с мнением инспекторов более чем в 90% случаев.
«ВкусВилл» — ИИ для выявления дефектов перед продажей. С 2024 года работает система распознавания овощей и фруктов по фотографиям в дарксторах. На момент анонса она использовалась более чем на 60 объектах.
X5 — скоринговая приёмка. Применяется стандартизированная модель оценки качества на распределительных центрах. Использование нейросетей именно для проверки фотографий фруктов и овощей публично не подтверждено.
Следовательно, «Магнит» не является первым российским ритейлером, применяющим компьютерное зрение для оценки свежей продукции.
Однако его проект отличается стремлением встроить нейросетевой контроль в единую цифровую систему, охватывающую движение партии от поставщика до магазина.
При этом «Лента» уже располагает многолетним опытом удалённой приёмки, а «ВкусВилл» ранее внедрил ИИ для более оперативного принятия решений о качестве отдельных товаров.
Почему контроль овощей и фруктов становится одним из главных направлений автоматизации
Категория свежих овощей и фруктов существенно отличается от большинства упакованных товаров.
У одинаковых по наименованию продуктов может быть разное фактическое качество.
Одна партия яблок может содержать преимущественно неповреждённые плоды.
Другая — иметь заметную долю механических повреждений, хотя документы и условия поставки формально совпадают.
Кроме того, качество продукции меняется во времени.
Упакованный промышленный товар при правильном хранении часто сохраняет характеристики в течение длительного периода.
Свежие овощи и фрукты продолжают созревать, терять влагу и изменять свои свойства.
Поэтому решение о приёмке непосредственно влияет на последующие списания.
Если некачественная продукция поступила в распределительный центр, торговая сеть может понести дополнительные расходы на её транспортировку, хранение и распределение по магазинам.
Если дефект обнаружен поздно, товар уже мог пройти несколько логистических операций.
В таком случае стоимость ошибки увеличивается.
В то же время чрезмерно строгая приёмка может приводить к необоснованному отказу от пригодных партий.
Это особенно чувствительно для производителей и поставщиков скоропортящихся продуктов.
Поэтому задача автоматизации заключается не в максимальном количестве отказов, а в повышении точности оценки.
Правильно работающая система должна уменьшать и пропуск некачественной продукции, и необоснованную отбраковку.
Экономический эффект: важнее предотвратить потери, чем просто ускорить проверку
Главное потенциальное преимущество новых технологий заключается в сокращении совокупных товарных потерь.
Для оценки результата необходимы несколько показателей.
Первый — доля продукции, признанной не соответствующей требованиям непосредственно при поступлении.
Второй — объём списаний после приёмки, в распределительных центрах и магазинах.
Третий — доля уценённой продукции.
Четвёртый — количество претензий покупателей, связанных с качеством.
Пятый — расходы на проведение проверок и обработку спорных поставок.
Только совместный анализ этих показателей позволяет понять, приносит ли новая система экономический эффект.
Например, увеличение количества отклонённых партий не обязательно означает улучшение качества.
Возможно, алгоритм стал слишком строго оценивать допустимые внешние особенности продукции.
И наоборот, сокращение отказов при приёмке не всегда является положительным результатом, если впоследствии растёт объём списаний в магазинах.
Поэтому для «Магнита» главным результатом пилота должна стать не только точность распознавания фотографий.
Гораздо важнее установить, сокращаются ли реальные товарные потери и улучшается ли качество продукции, которую получает покупатель.
Пока компания не раскрыла исходный уровень списаний, бюджет проекта, стоимость эксплуатации или ожидаемую экономию.
Поэтому рассчитывать конкретную окупаемость технологии на основании публичных данных преждевременно.
ИИ не сможет полностью заменить специалистов по качеству
При всех преимуществах машинного зрения существуют ограничения.
Обычная фотография позволяет оценить прежде всего видимые характеристики товара.
Алгоритм может искать повреждения, пятна, изменение окраски и другие внешние признаки.
Но не все показатели качества определяются по изображению.
Например, фотография не позволяет достоверно установить наличие определённых химических загрязнителей, микробиологические показатели или внутренние дефекты, не проявляющиеся на поверхности.
Для этого могут потребоваться лабораторные исследования, специальные датчики и другие методы контроля.
Даже внешний осмотр зависит от условий съёмки.
Освещение, расположение плодов, качество камеры и состояние упаковки способны влиять на результат.
Кроме того, одна фотография не обязательно характеризует всю партию.
Если часть продукции находится внутри коробки, необходимо правильно организовать отбор образцов.
Поэтому автоматизация требует не только хорошей нейросети, но и стандартизированного процесса получения изображений.
Именно это делает интересным второе направление эксперимента «Магнита» — видеоаналитику соблюдения процедуры приёмки.
Без контроля самого процесса даже технически точная модель может получать неполные или некачественные данные.
Что изменится для поставщиков
Внедрение ИИ-контроля может изменить не только внутренние процессы торговых сетей, но и отношения с производителями.
Сегодня качество поставленной партии часто становится предметом разногласий.
Поставщик считает продукцию соответствующей спецификации.
Торговая сеть выявляет дефекты и принимает решение о частичном или полном отказе.
В таких ситуациях большое значение имеют документы, результаты измерений и фотографии.
Если процесс проверки становится стандартизированным и результаты сохраняются в цифровой системе, появляется возможность более предметно разбирать спорные случаи.
Для добросовестных поставщиков это потенциальное преимущество.
Но при использовании нейросетей возникает вопрос ответственности за ошибку алгоритма.
Например, если система неверно определила дефект и партия была отклонена, кто должен инициировать повторную проверку?
Может ли поставщик получить изображения и результаты анализа?
Сохраняется ли право требовать экспертной оценки человеком?
Каким образом исправленная информация попадёт в историю поставки?
Ответы на эти вопросы важны для практического внедрения.
Особенно если в будущем автоматические оценки начнут влиять на рейтинг поставщика и распределение объёмов закупок.
Без прозрачной процедуры обжалования цифровизация может не устранить конфликты, а лишь перенести их на уровень алгоритмов.
Оценка EcomHub Research: ритейл переходит от проверки партий к управлению качеством всей цепочки
Новость «Магнита» отражает более широкую тенденцию российского продуктового ритейла.
Крупные сети постепенно превращают контроль качества из последовательности отдельных проверок в единую цифровую систему.
Ранее основной акцент делался на стандартизации процедур и фиксации результатов.
«Лента» разделила физическую приёмку и принятие экспертных решений, создав систему удалённого контроля.
X5 внедрила скоринговую модель оценки качества овощей и фруктов.
«ВкусВилл» использовал нейросеть, чтобы сотрудники дарксторов могли быстрее принимать решения об уценке и списании.
Теперь «Магнит» тестирует автоматический анализ фотографий непосредственно на этапе поступления продукции в распределительный центр.
Следующий логичный этап — объединение данных о качестве в единую историю каждой партии.
Тогда торговая сеть сможет сопоставлять состояние товара при поставке, температуру хранения, сроки транспортировки и конечный результат продажи.
Это создаст возможность не только фиксировать потери, но и точнее определять, на каком этапе они возникают.
Впрочем, пока технология «Магнита» находится на стадии пилота, а её финансовая эффективность не подтверждена опубликованными результатами.
У «Ленты» есть более продолжительная история применения дистанционной приёмки и данные о сокращении списаний, хотя их нельзя полностью приписывать одному технологическому решению.
«ВкусВилл» располагает подтверждённым опытом использования нейросетевого распознавания, но на другом этапе движения товара.
Поэтому вопрос о том, какая сеть разработала наиболее эффективную систему, пока остаётся открытым.
Главное изменение заключается в другом: качество овощей и фруктов всё меньше должно зависеть исключительно от субъективной оценки конкретного приёмщика.
Цифровые системы дают возможность устанавливать единые стандарты, сохранять доказательства, анализировать ошибки и связывать качество поставок с последующими потерями.
Для продуктового ритейла это направление имеет очевидную экономическую ценность.
Но реальный успех будет измеряться не количеством внедрённых камер и нейросетей, а снижением списаний, сокращением необоснованных отказов поставщикам и качеством свежих продуктов на полках магазинов.
Источники
- «Магнит», 11 ноября 2026 года. «Магнит» начал применять ИИ для контроля качества овощей и фруктов. Сообщение компании, опубликованное CNews. Описание пилота, целевая точность, перспективы цифровой системы контроля качества.
https://www.cnews.ru/news/line/2026-11-11_magnit_nachal_primenyat
- Shopper’s, 12 ноября 2026 года. «Магнит» начал использовать ИИ для контроля качества овощей и фруктов. Подробности пресс-релиза ритейлера, переданного редакции.
- «Группа Лента», 29 октября 2026 года. «Группа Лента» внедрила удалённую приёмку овощей и фруктов в сети «Реми». Сообщение компании, опубликованное Retail.ru. Данные о внедрении и снижении списаний.
- EcomHub Research, 29 октября 2026 года. «Лента» проверяет овощи по видеосвязи: как удалённая приёмка помогает сокращать списания и контролировать поставщиков. Ранее опубликованный подробный разбор внедрения в «Реми», технологии и экономики проекта.
- Lenta Tech. «Группа Лента» тестирует искусственный интеллект в удалённой приёмке овощей и фруктов. Официальное описание машинного зрения, результатов испытаний и гиперспектральных камер.
- CNews, 2 декабря 2025 года. «Группа Лента» тестирует искусственный интеллект в удалённой приёмке овощей и фруктов. Подробности испытаний нейросетей.
https://www.cnews.ru/news/line/2025-12-02_gruppa_lenta_testiruet
- CNews, 31 июля 2024 года. «Искусственный интеллект следит за качеством фруктов и овощей во „ВкусВилле“». Данные о внедрении чат-бота, разработчике Art Intelligence и количестве подключённых дарксторов.
https://www.cnews.ru/news/line/2024-07-31_iskusstvennyj_intellekt
- X5, официальный сайт. «Закупки фруктов и овощей». Описание скоринговой модели приёмки, стандартов качества и оценки поставщиков.
https://www.x5.ru/ru/suppliers/quality/fruits-and-vegetables/
- ПАО «Магнит», 22 июля 2026 года. «Магнит» внедрил компьютерное зрение в магазинах больших форматов для контроля выкладки и улучшения сервиса. Предшествующий опыт применения компьютерного зрения в розничной сети.
