التسوق بالذكاء الاصطناعي لا يتحرك بالسرعة التي تعتقدها العلامات التجارية

أصبح الذكاء الاصطناعي سريعًا جزءًا من طريقة بحث المستهلكين عن المنتجات. وجدت Adobe Analytics أن حركة المرور من أدوات الذكاء الاصطناعي التوليدية إلى مواقع التجزئة الأمريكية نمت بنسبة 693.4٪ خلال موسم العطلات لعام 2025 مقارنة بالعام السابق. قبل عام، اكتشفت Adobe أن 39٪ من المستهلكين الأمريكيين الذين شملهم الاستطلاع قد استخدموا بالفعل الذكاء الاصطناعي التوليدي للتسوق عبر الإنترنت، وكان البحث عن المنتجات والتوصيات من بين الاستخدامات الأكثر شيوعًا.

قامت شركات التكنولوجيا التي تقف وراء هذه الأنظمة بالاستجابة من خلال دمج التسوق مباشرةً في منتجاتها القائمة على الذكاء الاصطناعي. طورت OpenAI أبحاث التسوق في ChatGPT لمساعدة المستهلكين على مقارنة المنتجات بناءً على احتياجاتهم وتفضيلاتهم وميزانياتهم. تستخدم Google الذكاء الاصطناعي لتوليد توصيات المنتجات ورؤى التسوق، بينما وسعت Amazon مساعدها الذكائي للتسوق لمساعدة المستهلكين على البحث عن المنتجات واختيارها.

مع تزايد دور الذكاء الاصطناعي في اكتشاف المنتجات، بدأت العلامات التجارية تراقب وجودها في هذه التوصيات بنفس الحدة التي كانت تُخصصها لتصنيفات Google. يطرح المسوقون على نماذج الذكاء الاصطناعي نفس الأسئلة المتعلقة بالمنتجات مرارًا وتكرارًا، ويسجلون أي العلامات تظهر ويتابعون كيفية تغير تلك النتائج.

يمكن لهذا النهج أن يمنح المسوقين صورة مشوهة عن السرعة التي يتحرك بها التسوق بالذكاء الاصطناعي فعليًا.

إذا طرحت سؤالًا على نموذج الذكاء الاصطناعي عشر مرات، قد تحصل على عشر تركيبات مختلفة من المنتجات. قد تظهر علامة تجارية في المرتبة الأولى في إجابة واحدة، وفي المرتبة الرابعة في إجابة أخرى، وتختفي في إجابة ثالثة. إذا فسر المسوقون كل إجابة كتصنيف، فإن تلك النتائج توحي بأن موقعهم يتغير باستمرار.

مع ذلك، تُدخل النماذج التوليدية تباينًا في ردودها، ويحتاج المسوقون إلى أخذ هذا التباين في الاعتبار قبل أن يقرروا أن علامة تجارية قد اكتسبت أو فقدت موطئ قدم. الإشارة الأكثر فائدة تأتي من الأنماط التي تستمر عبر عدد كبير من محادثات التسوق ذات الصلة.

البيانات التي جمعناها عبر ما يقرب من 3,300 اتجاه توصية تسوق بالذكاء الاصطناعي تشمل 186 تركيبة من العلامات التجارية، والعبارات التحفيزية، ونماذج الذكاء الاصطناعي توضح الفرق. تغيرت الإجابات الفردية بشكل متكرر، بينما ظل التوزيع الأوسع للتوصيات أكثر استقرارًا.

بالنسبة للمسوقين، وحدة القياس مهمة بقدر أهمية البيانات نفسها.

المزيد من الاستفسارات يمكن أن يجعل التسوق بالذكاء الاصطناعي يبدو أكثر تقلبًا

قدمت تصنيفات البحث للمسوقين طريقة مألوفة لقياس الظهور الرقمي. كان للنتيجة موضع في نقطة زمنية معينة، وكان بإمكان المسوقين تتبع هذا الموضع مقارنةً بالمنافسين.

تتطلب توصيات الذكاء الاصطناعي نهج قياس مختلف لأن الأنظمة تولد إجابات بناءً على استفسار المستهلك وسياقه. توضح OpenAI، على سبيل المثال، أن نتائج التسوق في ChatGPT يمكن أن تأخذ في الاعتبار استفسار المستخدم والمعلومات السياقية. وتقول Google بالمثل إن نتائج التسوق الخاصة بها يمكن أن تعكس الصلة، ومصطلحات البحث، والنشاط السابق، وتفضيلات التسوق.

وبالتالي، يمكن للمسوق أن يطرح السؤال العام نفسه عدة مرات ويرى ظهور منتجات مختلفة.

تخيل علامة تجارية لأحذية الجري تظهر في المرتبة الأولى في إجابة واحدة، والرابعة في أخرى، ولا تظهر في إجابة ثالثة. تجعل هذه الملاحظات الثلاثة أداء العلامة يبدو غير مستقر. ومع ذلك، عبر مئات المحادثات ذات الصلة، قد تحتفظ العلامة نفسها بنسبة تقريبية ثابتة من التوصيات كل أسبوع.

تصبح هذه الفروقات مهمة مع زيادة المسوقين لتكرار مراقبتهم. إن إجراء المزيد من الاستفسارات يولد المزيد من الملاحظات، وتوفر المزيد من الملاحظات فرصًا أكبر لرؤية التباين الطبيعي. وبالتالي قد يبدو لوحة التحكم أكثر نشاطًا حتى عندما يتغير التوزيع الأوسع للتوصيات قليلًا.

يحتاج المسوقون إلى عدد كافٍ من الملاحظات لتحديد ما إذا كان هذا التحرك مستمرًا. بدون عينة تمثيلية، قد تدفعهم المراقبة اليومية للبحث عن تفسيرات لا علاقة لها بتغييرات في منتجاتهم، التسويق أو الموقع التنافسي.

تتجاوز العواقب حدود التقارير. القياس يوجه القرارات حول أين يقضي المسوقون الوقت والمال. قد تقوم شركة تُفسر كل تقلب يومي على أنه ذو معنى بتغيير محتوى المنتج بشكل متكرر، أو التحقيق في المنافسين، أو إعادة توجيه موارد التسويق قبل أن تتوفر لديها أدلة كافية لتبرير تلك القرارات.

المسوقون بحاجة إلى تحديد ما يُعَدّ ذا معنى

يتطلب قياس التسوق بالذكاء الاصطناعي حدًا يُخبر المسوقين متى تستحق التغيّر التحقيق.

اختفاء علامة تجارية من ثلاث إجابات يوفر دليلًا قليلًا على أدائها الأوسع. إذا فقدت العلامة نفسها حصة التوصية عبر مئات المحادثات ذات الصلة واستمر هذا الانخفاض لعدة أسابيع، فإن للمسوقين سببًا أقوى للتحقق.

حجم العينة مهم لأن الردود الفردية للذكاء الاصطناعي تحتوي على تباين. والوقت مهم لأن الأنماط المستمرة توفر معلومات أكثر من التغييرات المنفردة. يجب على المسوقين تحديد كليهما قبل استخدام بيانات التوصية لاتخاذ القرارات.

النموذج أيضًا مهم.

قد تكسب علامة تجارية حصة توصية في ChatGPT بينما يظل أداؤها في Gemini ثابتًا. قد يفقد المسوقون الذين يجمعون تلك الملاحظات في مقياس رؤية واحد للذكاء الاصطناعي معلومات مفيدة حول مكان حدوث التغيير.

تستند أنظمة التسوق بالذكاء الاصطناعي المختلفة إلى معلومات مختلفة وتعمل عبر تجارب منتجات مختلفة. تقول OpenAI إن أبحاث التسوق الخاصة بها يمكن أن تستخدم بيانات منتجات التجار، والمعلومات المتاحة للجمهور، ومصادر تجزئة أخرى. وتقول Google إن توصيات المنتجات المدعومة بالذكاء الاصطناعي تستند إلى بيانات التسوق المجمعة من العلامات التجارية والمتاجر ومزودي المحتوى الآخرين.

توفر هذه الاختلافات للمسوقين سببًا لفحص أنماط التوصية حسب النموذج بدلاً من افتراض أن كل نظام ذكاء اصطناعي سيتحرك في نفس الاتجاه في آن واحد.

يمكن أن توفر قاعدة أساسية تم بناؤها على مدار عدة أسابيع نقطة مرجعية. يمكن للمسوقين بعد ذلك مقارنة الملاحظات الجديدة مع تلك القاعدة والتحقق من التغييرات التي تستمر عبر عينة ذات معنى.

حصة التوصية تخبر العلامات التجارية أكثر من الترتيب

توفر حصة التوصية طريقة عملية لقياس هذه الأنماط. بدلاً من تسجيل موضع ظهور المنتج في إجابة واحدة، يمكن للمسوقين قياس مدى تكرار حصول العلامة التجارية على توصية عبر مجموعة تمثيلية من الأسئلة ذات الصلة بالمستهلك.

تخيل شركة تصنيع أحذية الجري. قد تظهر منتجاتها بشكل متكرر عندما يسأل المستهلكون عن أحذية لتدريب الماراثون ونادرًا عندما يسألون عن الجري على الطرق الوعرة. هذا الاختلاف يُخبر المسوقين بشيء مفيد حول الاحتياجات التي تربطها أنظمة الذكاء الاصطناعي بالعلامة.

يقدم تصنيف من إجابة فردية سياقًا أقل بكثير. قد يختفي الفرق بين الظهور في المرتبة الثانية والخامسة في المرة التالية التي يُطرح فيها السؤال. يوفر الفرق المستمر في حصة التوصية عبر مئات المحادثات نمطًا يمكن للمسوقين دراسته.

يمكن لحصة التوصية أيضًا مساعدة المسوقين في تحديد التحركات التنافسية. إذا كانت علامة تجارية عادةً ما تستحوذ على 30٪ من التوصيات ذات الصلة وبدأت تستحوذ على 40٪ خلال عدة أسابيع، يمكن للمسوقين تتبع مصدر هذا الارتفاع.

يمكنهم تحديد أي الأسئلة المستهلكية ساهمت أكثر في الزيادة وأي نماذج الذكاء الاصطناعي أنتجتها. من هناك، يمكنهم مراجعة التغييرات في المعلومات المتاحة لتلك الأنظمة.

قد يتطابق منتج جديد مع حاجة مستهلك معينة بشكل أقرب. قد يكون التجار قد أضافوا معلومات أكثر شمولاً عن المنتج. قد توفر مراجعات العملاء أو التغطية المستقلة دلائل إضافية للذكاء الاصطناعي حول متى يتناسب المنتج مع حالة استخدام معينة.

يجب أن يكون هدف القياس الوصول إلى هذا المستوى من التحليل. يحتاج المسوقون إلى مؤشرات تساعدهم على تحديد التغييرات التي يمكنهم التحقيق فيها بدلاً من المؤشرات التي تنتج مجرد حركة إضافية على لوحة التحكم.

التسوق بالذكاء الاصطناعي يجعل الحكايات السطحية سهلة الخطأ على أنها اتجاهات

يشجع التسوق بالذكاء الاصطناعي القياس القائم على الحكايات لأن الإجابات الفردية تشكل دليلًا مقنعًا.

يمكن أن ينتشر لقطة شاشة تُظهر منتجًا في أعلى توصية ChatGPT داخل الشركة خلال دقائق. وكذلك يمكن أن ينتشر لقطة شاشة تُظهر منافسًا رئيسيًا حيث لا يظهر منتج الشركة نفسه. كلا المثالين يشعران بالواقعية لأن الموظفين يمكنهم رؤية التوصية بأنفسهم.

ما زالت كل إجابة تمثل ملاحظة واحدة.

سيتفاقم هذه المشكلة مع اعتماد المستهلكين بشكل أكبر على الذكاء الاصطناعي أثناء البحث عن المنتجات. وجدت Adobe أن المستهلكين الذين وصلوا إلى مواقع التجزئة من مصادر الذكاء الاصطناعي التوليدي تصفحوا صفحات أكثر وكانت معدلات الارتداد أقل مقارنةً بالزوار من مصادر حركة مرور أخرى. كما وثّقت McKinsey كيف يمكن للمساعدين الذكاء الاصطناعي التوليدي التفاعل مع المستهلكين في مرحلة مبكرة من رحلة التسوق، قبل أن يقرروا ما سيشترونه.

يمنح هذا التأثير المتزايد العلامات التجارية سببًا قويًا لفهم موقعها في توصيات الذكاء الاصطناعي. كما يزيد من تكلفة استخلاص الاستنتاجات من دليل ضعيف.

تحتاج العلامات التجارية إلى عدد كافٍ من الملاحظات لتحديد مدى تكرار توصية أنظمة الذكاء الاصطناعي بمنتجاتها، وأي أسئلة المستهلكين تنتج تلك التوصيات، وكيفية تطور تلك الأنماط مع مرور الوقت. توفر القاعدة الأساسية للمسوقين السياق اللازم للتعرف على التحركات المستمرة.

عندما يحدد المسوقون ذلك التحرك، يمكنهم التحقيق في المعلومات التي تستخدمها أنظمة الذكاء الاصطناعي لفهم منتجاتهم. يمكنهم فحص دقة واكتمال وصف المنتجات، ومعلومات التجار، والمراجعات، والمصادر المستقلة، ثم تحديد ما إذا كانت تلك المصادر توفر للذكاء الاصطناعي دليلًا كافيًا لربط المنتج بالاحتياجات التي يعبر عنها المستهلكون.

الدور المتزايد للذكاء الاصطناعي في التسوق يجعل هذا القياس أكثر أهمية. يمكن للمستهلكين الآن استخدام الذكاء الاصطناعي للبحث عن المنتجات، ومقارنة الخيارات، وتضييق قرار الشراء قبل زيارة موقع أي تاجر.

تحتاج العلامات التجارية إلى فهم ما يحدث داخل تلك المحادثات، لكن زيادة المراقبة لن تُنتج تلقائيًا معلومات أفضل. القيمة تكمن في جمع عدد كافٍ من الملاحظات لتفريق التباين العادي عن الأنماط المستمرة.

ستستمر الإجابات الفردية للذكاء الاصطناعي في التغيير. يجب على المسوقين توقع ذلك. يجب أن تتركز انتباهاتهم على أنماط التوصية التي تستمر لفترة كافية، وعبر عدد كافٍ من المحادثات ذات الصلة، لتبرير اتخاذ الإجراءات.