Вайб-кодинг в e-commerce: где AI реально экономит недели, а где только создаёт иллюзию скорости

Первая реакция клиента, когда я говорю про AI в работе, — настороженность. Иногда прямо в лоб спрашивают: «а зачем тогда вы, если это делает нейросеть?»

Отвечаю всегда одинаково: AI не заменяет 15 лет в операционном e-commerce. Он меняет то, сколько времени у меня уходит на то, чтобы этот опыт превратился в конкретную цифру или документ для клиента.

Что реально ускоряется

Раньше аудит карточек на маркетплейсе или черновик финансовой модели «маркетплейс vs свой канал» — это дни. Собрать таблицу, прикинуть первые расчёты, набросать структуру. Сейчас с Perplexity, Google AI Studio, Gemini и вайб-кодингом черновой каркас готов за пару часов.

Важно: не готовое решение. Скелет, с которым можно сразу сесть с клиентом и обсуждать содержание, а не тратить первую встречу на то, чтобы просто собрать таблицу с нуля у него на глазах.

Пример из практики (иллюстративный, не реальный кейс клиента, но типичная задача): нужно быстро прикинуть, что будет с прибылью бренда, если снизить зависимость от одного маркетплейса на 20% в пользу своего сайта за год. Раньше — расчётная таблица вручную, несколько итераций, каждая правка переменной означает пересчёт заново. С AI черновая модель с переменными — логистика, комиссия площадки, конверсия сайта, средний чек — собирается за один заход. Дальше уже начинается моя работа: настроить модель под реальные цифры именно этого бизнеса.

Что не ускоряется — и слава богу

А вот интерпретация цифр — это то, что AI не делает и, честно, не должен. Он не знает, что для конкретного бренда сезонность важнее логистики, а не наоборот. Не знает, что у клиента уже был неудачный опыт запуска своего магазина два года назад, и это меняет весь набор рекомендаций. Не отличит цифру, которая красиво смотрится в моменте, от цифры, на которой можно строить стратегию на год вперёд.

За годы в Madame Coco — запуск омниканальной платформы с нуля, интеграция 29 офлайн-магазинов в единую систему — и в Cleanelly, где выводили бренд в лидеры категории на маркетплейсах, я видела достаточно ситуаций, где «правильная по модели» цифра оказывалась неправильной по контексту конкретного бизнеса. Модель это не видит. Это видит человек, который сидел в переговорке и слышал, что клиент на самом деле имел в виду, когда сказал «нам нужен рост».

Вывод

Вайб-кодинг — не про то, чтобы AI думал вместо эксперта. Про то, чтобы эксперт тратил время на суждение, а не на сборку черновиков вручную. На первый взгляд разница техническая. На деле — именно она решает, получает клиент реальную стратегию или красиво оформленный шаблон, который через месяц окажется мимо цели.