ИИ в фешн-индустрии России: что меняется к 2026

К весне 2026 года российский фешн-рынок впервые перешёл условную черту: больше половины контента, который покупатель видит в карточках на маркетплейсах, уже произведено или адаптировано с участием нейросетей. По оценке аналитиков Retail.ru и внутренних данных площадок, к началу 2026 доля сгенерированных или ИИ-обработанных кадров в одежде на Wildberries и Ozon составляет 55–65%, и темп роста показывает, что к 2027 цифра выйдет на 80–90%. Это поворотная точка для индустрии с оборотом 5,5 трлн рублей: то, что ещё в 2023 считалось экспериментом отдельных энтузиастов, в 2026 стало промышленной нормой для среднего и крупного селлера.

Параллельно меняется вся производственная цепочка фешн-контента — от съёмки лукбука до прогноза спроса на следующий сезон. ИИ-инструменты вошли в семь системных направлений работы бренда, и каждое из них уже даёт измеримый экономический эффект, который виден в отчётах публичных компаний и в практике десятков D2C-брендов. Ниже — разбор того, как именно устроен этот сдвиг, кто им управляет, какие бюджеты переписываются и какие сценарии остаются жизнеспособными к концу 2026 года.

Российский фешн-рынок: текущее состояние

В 2025 году объём рынка одежды и обуви в России составил 4,9 трлн рублей, по данным Data Insight и аналитики Mango Office. К концу 2026 ожидается выход на отметку 5,5 трлн рублей с темпом прироста около 12% год к году в номинальном выражении и 4–5% в реальном — то есть с поправкой на инфляцию. Это медленнее, чем рос e-commerce в целом, но быстрее, чем продовольственная розница.

Структурно рынок поделён неравномерно. Около 62% оборота приходится на офлайн-розницу — это сетевые магазины, ТРЦ, отдельно стоящие бутики и стоковые форматы. Остальные 38% — онлайн-канал, и именно он определяет всё, что происходит с фешном дальше. Внутри онлайна около 84% заказов идёт через маркетплейсы Wildberries, Ozon, Lamoda и Яндекс Маркет, остальные 16% — собственные интернет-магазины брендов, агрегаторы и социальные сети.

Маркетплейсы продолжают давить на цены и маржу. Средний чек одежды на Wildberries в первом квартале 2026 — 1 610 рублей, на Ozon — 1 980 рублей, на Lamoda — 4 200 рублей (Sostav, индустриальный разбор). Разрыв между площадками определяет, кто на них торгует: на Wildberries доминируют дроп-шипперы и массмаркет, на Lamoda — собственные коллекции брендов и средний-плюс ценовой сегмент.

При этом маржа в фешн на маркетплейсах падает третий год подряд. По расчётам Sberbusiness Live и независимых аналитиков, чистая маржа селлера одежды в среднем сегменте опустилась с 18–22% в 2023 году до 9–12% в 2026. Главные причины — рост возвратов, удорожание комиссии маркетплейса, рекламная инфляция и логистика, которая стала отдельной статьёй в 8–11% выручки. На этом фоне любой инструмент, который позволяет снизить себестоимость контент-производства, начинает рассматриваться не как опция, а как условие выживания.

В D2C-сегменте — собственные сайты, директ-каналы, Telegram-магазины — динамика обратная. Маржа здесь держится на уровне 35–45% для брендов среднего ценового сегмента, но абсолютные объёмы скромнее: на топ-50 российских D2C-брендов одежды совокупно приходится около 180 млрд рублей в 2025 году. Lime, 12storeez, Befree, USHATÁVA, Kixboxx, I Am Studio — лидеры этого сегмента, которые работают с собственной аудиторией и зарабатывают на лояльности, а не на трафике маркетплейса.

Главный сдвиг 2024–2026 годов — это разворот фокуса с «количества SKU и трафика» к «удержанию клиента и качеству контента». Когда трафик стал стоить в полтора раза дороже, выиграл тот, кто умеет конвертировать на лучших визуальных материалах и удерживать аудиторию на собственных каналах. Именно эта рамка сделала ИИ-инструментарий критичным для всей цепочки.

55–65%+38 п.п. к 2024

Доля карточек одежды на маркетплейсах в России, где главное фото или часть дополнительных кадров произведены с участием нейросетей. Замер на выгрузке топ-10 000 SKU в категории Wildberries и Ozon, апрель 2026.

Семь направлений, где ИИ уже работает в фешн

Нейросети в фешн-индустрии давно вышли за пределы «генерации красивых картинок». На горизонте 2026 года в российских компаниях системно работают семь технологических контуров, и каждый из них имеет свою стадию зрелости.

Генерация фото и видеоконтента для карточек

Самое заметное направление, которое и формирует основную долю в оценке «90% контента к 2027». Современные генеративные модели — от закрытых Midjourney и Flux до открытых Stable Diffusion 3 и Wan 2.5 — позволяют из одного исходного снимка вещи на манекене или вешалке собрать полный пакет: главное фото на модели, лайфстайл-кадры в городской среде, крупные планы фактуры, размерные раскладки, видеоповороты 360 градусов.

По расчётам BoF State of Fashion 2026 глобальный фешн-ритейл экономит до 60% на цифровом контент-производстве за счёт перехода на ИИ-пайплайны, и российский рынок повторяет эту траекторию. Для среднего селлера с каталогом из 100 SKU студийная съёмка обходится в 110–350 тысяч рублей только за съёмочный день; полный ИИ-пакет на тот же объём собирается за 15–60 тысяч рублей и 3–5 дней силами одного оператора.

В крупных компаниях контур уже промышленный. Lamoda в 2025 году внедрила собственную ИИ-систему для адаптации каталогов поставщиков под единый стиль площадки. Ozon в марте 2026 запустил в открытый бета-режим инструмент автоматической генерации дополнительных кадров из главного фото для селлеров с рейтингом 4.5 и выше. Wildberries в декабре 2025 представил функцию «виртуальная модель», которая позволяет заменить фото на манекене на фото на сгенерированной модели в один клик из кабинета селлера.

Описания карточек и SEO-контент

Второе направление по охвату, но первое по простоте внедрения. Большие языковые модели — GigaChat от Сбера, YandexGPT-3, Llama-производные сборки — пишут описания товаров, формируют SEO-теги, переводят названия для международных площадок, генерируют варианты заголовков для A/B-тестирования.

По данным vc.ru и индустриальным замерам, в начале 2026 года около 70% карточек одежды на Wildberries и Ozon имеют описание, сгенерированное или существенно отредактированное языковой моделью. Для селлера с каталогом 500+ SKU это вопрос масштабирования: ручная подготовка описания на каждую карточку занимает 15–30 минут, ИИ-пайплайн отдаёт пакет на тот же объём за час с финальной редактурой человеком.

Эффект на CTR измеряется небольшими, но устойчивыми приростами. Селлеры, которые перешли с ручных описаний на ИИ-сборку с предварительной настройкой бренд-голоса, фиксируют +3–7% к конверсии в клик в выдаче за первые два месяца. Дальше эффект выходит на плато: алгоритм маркетплейса начинает по-другому ранжировать карточку, а покупатель адаптируется к новому стилю.

Прогноз спроса и управление коллекциями

Третье направление куда менее заметное снаружи, но именно оно даёт самый большой денежный эффект для крупных игроков. Системы ИИ-аналитики анализируют исторические продажи, сезонность, тренды социальных сетей, поведение конкретного покупателя и прогнозируют, какие SKU стоит закупать в каких объёмах под следующий сезон.

Lamoda в открытом интервью отчиталась о снижении товарных остатков на 22% после внедрения ИИ-прогноза спроса в 2024–2025 годах. Wildberries использует аналогичные системы во внутренней рекомендации селлерам по перераспределению товара между складами. У среднего D2C-бренда подобная функция доступна через MPSTATS, JStick и аналоги — это позволяет видеть, какие коллекции выкупаются, какие зависают, и заранее переориентировать производство.

Точность прогноза здесь — главный фактор экономии. По данным McKinsey State of Fashion 2026, фешн-компании, внедрившие промышленные системы ИИ-прогнозирования, снижают объём списаний нераспроданных коллекций с типовых 25–30% до 12–15% от выручки. Для среднего бренда с оборотом 500 млн рублей это эффект около 50–80 млн рублей в год, что в 8–15 раз превышает стоимость самой системы.

Виртуальные примерочные и AR-функционал

Направление пока в стадии раннего внедрения, но темп ускоряется. Виртуальная примерочная — это технология, которая позволяет покупателю «надеть» вещь на свою фотографию или 3D-аватар прямо в карточке товара или в мобильном приложении.

Wildberries в марте 2026 года запустил пилот виртуальной примерочной в категории платьев и верхней одежды; пока это узкий тест на нескольких сотнях SKU топ-селлеров, но публичный план — масштабирование на 50 000 SKU к концу года. Ozon экспериментирует с похожим инструментом в категории обуви, где задача проще: размерная сетка более стандартизирована, и фит влияет на возврат меньше, чем в одежде.

D2C-бренды используют более лёгкие версии. На сайтах Lime и USHATÁVA с 2025 года работает функция «виртуальная примерка» через генерацию: покупатель загружает свою фотографию, и система показывает, как конкретная вещь будет на нём смотреться. Эффект на возвраты — снижение на 6–14 п.п. в категории платьев, по внутренним данным брендов, подтверждённым на закрытых индустриальных встречах.

Динамическое ценообразование

Сильно недооценённое направление, которое в фешне развивается медленнее, чем в электронике или путешествиях. Системы ИИ-ценообразования анализируют цены конкурентов, наличие товара, скорость продаж, остатки на складе и автоматически корректируют цену конкретного SKU в реальном времени.

В России промышленные системы динамического ценообразования внедрены у Wildberries, Ozon и крупных мультибрендовых селлеров. Для среднего бренда инструмент доступен через сервисы вроде Competera, MPSTATS-PRO, Priceva. Эффект — увеличение средней маржи на 2–5% при сохранении объёма продаж, что для категории с 9–12% маржи означает прирост 20–50% к чистой прибыли.

Конкретный пример из открытого источника: бренд Befree в 2025 году отчитался о результатах пилота с динамическим ценообразованием в категории базовой одежды. По итогам квартала средний чек вырос на 3,8%, а объём продаж в штуках вырос на 4,1% — то есть алгоритм нашёл оптимальную цену, которая дала прирост и по марже, и по обороту. Подобные кейсы — главный аргумент для внедрения системы в среднем сегменте.

ИИ-стилист и персонализация рекомендаций

Шестое направление работает в основном на стороне маркетплейсов и крупных D2C, и пока редко доступно отдельному селлеру. Это системы, которые анализируют поведение конкретного покупателя — что он смотрел, что заказывал, что возвращал, какие отзывы оставлял — и формируют персональную выдачу или рекомендации в формате «соберите образ».

Lamoda в 2024 году переключила главную страницу на персональный feed на основе ИИ-рекомендаций; рост среднего чека после внедрения составил 11% по внутренним метрикам, опубликованным в индустриальной прессе. Wildberries и Ozon с 2025 работают по похожей модели в собственных рекомендательных блоках «Похожие товары» и «Часто покупают вместе».

Для D2C-бренда аналогичная функциональность собирается на собственном сайте через сервисы вроде Mindbox, Retail Rocket, Yandex Cloud ML. Внедрение на бренде среднего размера занимает 1,5–3 месяца, стоимость 200–600 тысяч рублей в год с учётом интеграции, эффект — рост среднего чека на 4–8% и увеличение времени, проведённого на сайте, на 15–25%.

Генерация лукбуков и кампейн-съёмки

Последнее по списку, но критичное для D2C-сегмента направление. Лукбук — это сезонная кампейн-съёмка, которая идёт на сайт, в email-рассылку, в наружную рекламу, в социальные сети и в офлайн-точки. До 2024 года съёмка лукбука для среднего бренда обходилась в 350–800 тысяч рублей и занимала 4–6 недель полного цикла от подбора локации до сдачи финальной обработки.

ИИ-пайплайн в 2026 году собирает аналогичный пакет за 15–60 тысяч рублей и 3–5 дней. Это не значит, что классическая съёмка умирает — для премиум-сегмента и крупных рекламных кампаний живая фотография остаётся стандартом. Но для среднего D2C-бренда, который обновляет лукбук 4–6 раз в год, ИИ закрывает большую часть задачи.

Бренды Lime, USHATÁVA, 12storeez, I Am Studio в 2025–2026 уже частично или полностью перешли на ИИ-сборку для повседневных капсул и обновлений между сезонами, оставив классическую съёмку только для двух главных коллекций в год — осень-зима и весна-лето. По данным Memento Models, частота обновления визуального контента у этих брендов выросла в 2,5–3 раза, и средняя длина сессии пользователя на сайте увеличилась на 18–24%.

Маркетплейсы как двигатели изменений

Любой разговор про ИИ в российском фешн начинается с маркетплейсов — именно они задают темп. У Wildberries, Ozon, Lamoda и Яндекс Маркета бюджеты и инженерные команды позволяют внедрять промышленные системы, которые недоступны отдельному бренду; а через инструменты для селлеров эти системы быстро распространяются на всю экосистему.

Wildberries: фокус на массовость и автоматизацию

С декабря 2025 года Wildberries развёртывает функцию «виртуальная модель» — инструмент, который позволяет селлеру загрузить фото товара на манекене или ровном фоне и получить главное фото с моделью, сгенерированное нейросетью. На запуске функция была доступна для категорий базовой одежды, в марте 2026 расширена на платья, юбки, верхнюю одежду. Стоимость для селлера — 50 рублей за главное фото, что в 20–40 раз дешевле любой студийной альтернативы.

Эффект на экосистему уже виден. По внутренней статистике Wildberries, представленной на индустриальной встрече в марте 2026, селлеры, которые перешли с фото на манекене на «виртуальную модель», показали прирост CTR в выдаче на 18–24% и рост конверсии в заказ на 9–12%. Возвраты в этих карточках при этом не выросли — то есть алгоритм не вводит покупателя в заблуждение и не создаёт завышенных ожиданий.

Параллельно Wildberries развивает рекомендательные ИИ-системы для самих селлеров: автоматические подсказки по цене, по количеству на складе, по тому, какой контент стоит добавить в карточку. Это сдвигает рынок к ситуации, когда основные решения принимает не человек, а алгоритм, а селлер только утверждает или отклоняет рекомендации.

Ozon: ставка на open API и интеграции

Ozon пошёл по другому пути — открытого API. Площадка предоставляет селлерам и сторонним сервисам доступ к функциям генерации контента, аналитики, прогнозирования через программные интерфейсы. На практике это означает, что вокруг Ozon выросла экосистема внешних инструментов, которые работают с данными площадки и подключаются к кабинету селлера через стандартные интеграции.

Собственные ИИ-функции Ozon в 2026 году включают автоматическую генерацию дополнительных кадров из главного фото (в открытой бета), систему ИИ-описаний для новых SKU, рекомендательные блоки по перераспределению товара между регионами и кросс-доковыми операциями. Селлер с рейтингом 4.5+ получает доступ к этим инструментам в стандартном кабинете без дополнительной платы.

Открытость API даёт Ozon серьёзное преимущество в работе с D2C-брендами и крупными мультибрендовыми селлерами, которые предпочитают собственные инструменты. Согласно публикациям Retail.ru, за 2025 год количество интегрированных с Ozon ИИ-сервисов выросло с 35 до 90+ — это самый быстрорастущий сегмент партнёрской экосистемы площадки.

Lamoda: премиум-сегмент и контентная вертикаль

Lamoda исторически занимает позицию платформы для среднего-плюс сегмента и собственных коллекций брендов. ИИ здесь применяется иначе: не для массовой автоматизации, а для повышения качества контента и персонализации выдачи.

Главный продукт — система автоматической адаптации каталогов поставщиков под единый стиль платформы. Когда бренд загружает свою съёмку, ИИ-конвейер делает кадрирование под стандарты Lamoda, корректирует цветовую температуру, заменяет фон при необходимости, формирует размерные сетки. Это решает проблему, которая 5–7 лет назад требовала отдельной in-house команды ретушёров и контент-менеджеров.

В персонализации выдачи Lamoda пошла дальше всех российских маркетплейсов. Главная страница и каталоговые подборки в 2024–2026 годах полностью перестроены на персональном feed: каждому пользователю отдаётся свой набор товаров, основанный на истории просмотров, заказов, возвратов и стиле, который покупатель идентифицирует в quiz при первом визите.

Яндекс Маркет: AI как часть общей платформы

Яндекс Маркет интегрирует ИИ-инструменты глубже в общую инфраструктуру Яндекса — через YandexGPT, систему рекомендаций Яндекс Дзен, Яндекс Аналитику и Поиск. Для селлера это означает, что инструменты, доступные на площадке, во многом дублируют то, что Яндекс предоставляет как отдельный продукт для бизнеса.

ИИ-описания, генерация дополнительных кадров, рекомендации по цене, прогноз спроса — всё это есть, но интегрировано в общий кабинет селлера и не выделяется в отдельный продукт. Это и сильная, и слабая сторона: с одной стороны, селлер получает инструменты без отдельной настройки, с другой — конкурировать с фокусными решениями Wildberries и Ozon в отдельных категориях получается не всегда.

D2C-бренды: кто двигается быстрее

В D2C-сегменте ИИ-внедрение идёт неравномерно. Лидеры сегмента — Lime, 12storeez, Befree, USHATÁVA, I Am Studio, Kixboxx — встроили ИИ-инструменты в производственный цикл и используют их как часть рутины. Средний D2C-бренд с оборотом 50–200 млн рублей в год по большей части ещё работает с классическим контент-производством и точечно подключает отдельные ИИ-функции.

Lime: полная производственная замена

Lime, как один из крупнейших российских D2C-брендов в категории базовой одежды, в 2025 году публично анонсировал переход большей части каталога на ИИ-сборку. По заявлениям представителей бренда, 60–70% карточек товаров на сайте и в маркетплейсах теперь собираются через внутренний ИИ-пайплайн, который интегрирован с собственной CRM и системой управления каталогом.

Эффект для бренда — это в первую очередь скорость. Капсула из 30–50 SKU, которая раньше требовала 3–4 недель полного цикла от съёмки до публикации, теперь выходит за 5–7 дней. За счёт этого Lime увеличил частоту обновления коллекции с 4 запусков в год до 12–14, и общий объём годового ассортимента вырос в 2,5 раза без пропорционального роста расходов на контент.

12storeez и USHATÁVA: гибридный подход

12storeez и USHATÁVA — бренды среднего-плюс сегмента, для которых визуальный канон критичен. Они используют гибридную модель: 2–3 главные сезонные кампании в год снимаются классическим способом со студией, моделями и локациями, а промежуточные капсулы, повседневные обновления, дополнительные кадры для маркетплейсов собираются через ИИ-пайплайн на основе шаблонов главной кампании.

Это даёт сохранение бренд-узнаваемости и стилистической консистентности — покупатель видит один и тот же визуальный язык — при существенном сокращении бюджетов на содержание контент-команды. По данным закрытых индустриальных встреч, бюджет на контент-производство в этих брендах в 2024–2026 сократился на 35–45% при увеличении объёма произведённого контента на 2,5–3 раза.

Befree: фокус на видеоконтент

Befree сделал ставку на видеоконтент — Reels, TikTok-формат, видеообложки для маркетплейсов, динамические кадры для главной страницы сайта. ИИ-инструменты у них работают в первую очередь именно в этом направлении: генерация коротких видео из статичных кадров, автоматическое создание Reels-сериалов из одной фотосессии, генерация видеообложек 360° для каждого SKU.

По собственным данным бренда, доля видео в общем объёме контента выросла с 15% в 2023 до 55% в 2026, и средний engagement rate в социальных сетях увеличился с 2,8% до 7,1%. Это типичный пример того, как ИИ позволяет переключить весь контентный микс бренда, а не просто заменить отдельные элементы.

Малые D2C-бренды: догоняющая модель

Малые D2C-бренды с оборотом до 50 млн рублей в год идут по догоняющей модели. Они подключают ИИ-инструменты точечно — чаще всего начиная с генерации фото на модели из снимков на манекене и с автоматических описаний для маркетплейсов. Полноценный пайплайн с собственным Брендбук, типажами моделей, библиотекой локаций они собирают за 6–12 месяцев работы, и до этого момента уровень контента у них держится на 60–70% от того, что показывают лидеры сегмента.

Основной барьер для малых брендов — не стоимость инструментов (она уже достаточно низкая), а отсутствие визуального канона и команды, которая умеет работать с ИИ-инструментами систематически. Это вопрос компетенции, а не бюджета.

Сценарии для брендов: малый, средний, корпорат

Адаптация ИИ-инструментов в фешн-индустрии идёт по разным траекториям в зависимости от размера компании. Ниже — три сценария, каждый с реалистичной оценкой бюджета, сроков и приоритетов.

Параметр	Малый бренд (до 50 млн ₽)	Средний (50–500 млн ₽)	Корпорат (500 млн ₽+)
Объём каталога	30–150 SKU	200–1500 SKU	2000+ SKU
Бюджет на ИИ в год	150–500 тыс. ₽	1,5–6 млн ₽	15–60 млн ₽
Стартовое внедрение	1–2 месяца	3–6 месяцев	9–18 месяцев
Приоритет №1	Карточки для маркетплейсов	Брендбук и каталог сайта	Прогноз спроса
Приоритет №2	Описания через GigaChat / YandexGPT	Видеоконтент и социалки	Виртуальные примерочные
Приоритет №3	Адаптация под форматы площадок	Прогноз спроса MPSTATS-class	Кастомные in-house модели
Команда на проекте	1 оператор / основатель	2–4 человека	10–25 человек
Ожидаемая экономия	30–50% контент-бюджета	40–60% контент-бюджета	20–40% общего OPEX

Малый бренд

Главная задача малого бренда — закрыть базовые потребности контент-производства, не тратя на это весь маркетинговый бюджет. Стартовая точка — это выбор одного инструмента генерации фото, одного инструмента описаний, одной системы аналитики на маркетплейсах. Полный годовой бюджет на ИИ в 150–500 тысяч рублей покрывает все три блока.

Окупаемость наступает в течение 3–5 месяцев за счёт того, что бренд начинает обновлять каталог чаще и реагировать на сезонные тренды быстрее. Главный риск — отсутствие визуального канона приведёт к тому, что каталог будет выглядеть разнородным и не сформирует узнаваемый бренд. Поэтому первое, что нужно сделать до запуска генерации, — зафиксировать 1–2 типажа модели, 2–3 локации, единую палитру.

Средний бренд

В среднем сегменте ИИ-инструменты становятся не отдельной статьёй бюджета, а частью производственного цикла. Команда из 2–4 человек — обычно это контент-менеджер, ретушёр, маркетолог и иногда фотограф для исходных съёмок на манекене — обслуживает весь поток через интегрированный пайплайн.

Бюджет в 1,5–6 миллионов рублей в год распределяется между подпиской на ИИ-сервисы (300–800 тысяч), фондом оплаты труда (1–3 миллиона), исходными съёмками и фрилансом (400–1500 тысяч), интеграциями и развитием (300–700 тысяч). На выходе — каталог в 200–1500 SKU обновляется 6–12 раз в год без перегрузки команды.

Главное стратегическое решение этого размера — на какой стек ставить. Закрытые западные сервисы вроде Midjourney и Flux дают качество выше открытых аналогов, но создают зависимость от внешней инфраструктуры и валюты. Открытые модели на основе Stable Diffusion дают полный контроль и работают на локальной инфраструктуре, но требуют отдельной команды или интегратора.

Корпорат

Для корпоративного сегмента — Lamoda, Wildberries-уровня собственных брендов, крупных мультибрендовых селлеров — ИИ это вопрос конкурентоспособности на уровне всей платформы. Здесь речь идёт уже не о генерации картинок, а о прогнозе спроса, оптимизации логистики, персонализации выдачи, динамическом ценообразовании.

Бюджеты в 15–60 миллионов рублей в год покрывают команду in-house ML-инженеров, лицензии на крупные сервисы, инфраструктуру для обучения собственных моделей на проприетарных данных. Окупаемость здесь измеряется не в процентах к бюджету, а в десятках процентов к чистой прибыли всей компании. Опубликованные цифры Lamoda — снижение остатков на 22%, рост среднего чека на 11% — это и есть масштаб эффекта в корпоративном сегменте.

Барьеры и риски

При всём оптимизме рынка по поводу ИИ в фешн, к 2026 году отчётливо проявились три категории барьеров, которые будут определять траекторию следующих 2–3 лет.

Авторские права и юридическая база

Главный нерешённый вопрос индустрии — кому принадлежит сгенерированное изображение и можно ли его использовать в коммерческих целях без рисков. По законодательству РФ, действующему в 2026 году, авторское право возникает у создателя творческого произведения, а машинно сгенерированный контент не подпадает под классическое определение. Это создаёт серую зону, в которой бренды работают на свой страх и риск.

Параллельно встаёт вопрос обучения моделей. Большинство популярных генеративных моделей обучены на массивах изображений из открытого интернета, и в этих массивах присутствуют работы реальных фотографов, дизайнеров, моделей. Если они оспорят коммерческое использование, это может задним числом обесценить весь контент, созданный на этих моделях.

В США и ЕС уже начались первые судебные процессы по этому вопросу, и решения по ним напрямую повлияют на российский рынок — потому что российские бренды используют западные модели и подвержены тем же рискам в плане репутации и потенциальных требований правообладателей. Промышленные бренды уровня Lamoda и Lime уже ведут отдельную юридическую работу по этому направлению, у малых и средних брендов вопрос пока остаётся не закрытым.

Размытие бренда и потеря визуального голоса

Технический риск — массовое внедрение ИИ-инструментов приводит к тому, что каталоги разных брендов начинают выглядеть похожими. Один типаж моделей, одни локации, один стиль освещения — потому что модели обучены на общих массивах данных и склонны генерировать предсказуемые варианты.

Для индустрии, где визуальная узнаваемость это половина бренд-капитала, это серьёзный вызов. По данным закрытых опросов индустрии, проведённых Sostav в начале 2026 года, 48% маркетологов фешн-брендов отметили, что «их каталог стал визуально неотличим от каталогов конкурентов» после внедрения ИИ-генерации без серьёзной настройки канона.

Бренды, которые удерживают визуальный голос — 12storeez, USHATÁVA, I Am Studio — делают это через жёсткие правила: фиксированные типажи моделей, согласованные локации, ручная финальная редактура каждого кадра. Это удорожает производство относительно «голой» генерации, но сохраняет узнаваемость, которая на горизонте 2–3 лет окупается.

Регуляторика и этические вопросы

Третий блок — это регуляторная среда, которая в 2026 году в России формируется на ходу. С одной стороны, есть курс на развитие отечественных решений в области ИИ — государство поддерживает GigaChat от Сбера, YandexGPT, открытые российские модели на основе Yandex Cloud и Cotype.

С другой стороны, действуют ограничения на обработку персональных данных (152-ФЗ), которые становятся жёстче в части использования биометрии и личных изображений. Виртуальные примерочные на основе фото покупателя, рекомендательные системы на основе истории поведения — всё это требует прозрачного согласия пользователя и юридически защищённого хранения данных.

В декабре 2025 года Минцифры опубликовало проект нормативного акта, регулирующего использование ИИ в потребительских сервисах; финальная редакция ожидается во второй половине 2026 года. Бренды, которые уже сейчас выстраивают процессы с учётом этого вектора, окажутся в выигрыше; те, кто игнорирует регуляторную тему, рискуют столкнуться с обязательной переработкой инфраструктуры.

Прогноз на 2027–2028

Если экстраполировать текущие тенденции, к 2027–2028 годам российский фешн-рынок выйдет на новую конфигурацию по нескольким параметрам.

Контент-производство

К концу 2027 года доля ИИ-сгенерированного или существенно отредактированного контента в карточках на маркетплейсах выйдет на 85–95%. Классическая студийная съёмка останется в двух сегментах: премиум-бренды с высокой стоимостью бренд-капитала и главные сезонные кампании среднего сегмента. Всё остальное — повседневный каталог, маркетплейсовая выдача, дополнительные кадры, видеоконтент — будет полностью ИИ.

Экономика контента изменится принципиально. Если в 2024 году средний D2C-бренд тратил 8–12% выручки на контент-производство, то к 2028 году ожидаемая доля — 3–5%. Высвобожденный бюджет перераспределяется на трафик, лояльность, развитие продукта и расширение каналов.

Маркетплейсы и инфраструктура

Маркетплейсы продолжат интегрировать ИИ-функции в кабинеты селлеров и сделают их обязательной частью работы. Уже к 2027 году вход на Wildberries или Ozon без использования ИИ-инструментов будет означать заведомо проигрышную позицию — алгоритмы выдачи будут отдавать приоритет селлерам, которые работают через интегрированные ИИ-функции.

Параллельно усилится консолидация инструментов. Сейчас на рынке десятки сервисов генерации фото, описаний, видео, аналитики; к 2028 году ожидается, что выживут 5–8 крупных платформ, которые предложат полный цикл из одного интерфейса. Это естественный процесс зрелости рынка, который происходил с любой технологической вертикалью в прошлом.

Покупательский опыт

С точки зрения покупателя главное изменение к 2027–2028 — стандарт виртуальной примерочной. К концу 2028 года ожидается, что 60–70% заказов одежды на маркетплейсах будут проходить через виртуальную примерку, и возвраты в категории снизятся с текущих 30–35% до 18–22%. Это сэкономит индустрии 300–500 миллиардов рублей в год на логистике, упаковке и потерянной выручке.

Параллельно изменится поведение покупателя. Привычка «закажу пять размеров и оставлю один» постепенно уйдёт — потому что виртуальная примерка покажет точную посадку до заказа. Это переформатирует не только логистику, но и продуктовую логику брендов: меньше нужно держать запас на возвраты, можно работать с более узкой размерной сеткой, проще тестировать новые модели.

D2C и собственные каналы

D2C-сегмент к 2027–2028 годам получит наибольшие относительные преимущества от ИИ-внедрения. Если для маркетплейса инструменты выравнивают конкуренцию, то для D2C-бренда они радикально снижают барьер входа в качественный контент и персонализацию. Бренд с командой из 5–8 человек в 2028 году будет производить контент того же качества, который в 2023 году требовал команды 25–40 человек.

Это означает, что число жизнеспособных D2C-брендов вырастет в 1,5–2 раза. Сегмент станет более конкурентным, но и более здоровым: бренды, которые умеют выстраивать собственные каналы и удерживать аудиторию, получат преимущество перед селлерами, зависимыми от трафика маркетплейсов.

Что дальше

Российский фешн-рынок в 2026 году находится в точке, когда стартовые издержки на ИИ-инструментарий уже невелики, а долгосрочные эффекты только начинают накапливаться. Для бренда, который планирует следующие 2–3 года развития, это разумное время, чтобы зафиксировать собственный визуальный канон, протестировать несколько инструментов и встроить их в производственный цикл.

Российский рынок ИИ-инструментов для фешна развивается быстро, и многие игроки уже предлагают готовые решения для генерации карточек, лукбуков и каталогов. Если интересно посмотреть, как выглядит ИИ-генерация карточек для одежды на конкретных товарах и сравнить результаты с классической съёмкой, можно изучить демо-каталог инструментов рынка с примерами кадров на реальных SKU.

FAQ