AI nakupování se nepohybuje tak rychle, jak si značky myslí

AI se rychle stala součástí toho, jak spotřebitelé zkoumají produkty. Adobe Analytics zjistila, že návštěvnost z generativních AI nástrojů na americké maloobchodní weby vzrostla o 693,4 % během vánoční sezóny 2025 ve srovnání s předchozím rokem. O rok dříve Adobe zjistila, že 39 % dotázaných amerických spotřebitelů již použilo generativní AI pro online nakupování, přičemž výzkum produktů a doporučení patřily k nejčastějším využitím.

Technologické společnosti stojící za těmito systémy reagovaly tím, že do svých AI produktů začlenily nákup přímo. OpenAI vyvinula výzkum nákupů v ChatGPT, aby pomohla spotřebitelům porovnávat produkty podle jejich potřeb, preferencí a rozpočtu. Google používá AI k vytváření doporučení produktů a nákupních poznatků, zatímco Amazon rozšířil svého AI nákupního asistenta, aby pomohl spotřebitelům zkoumat a vybírat produkty.

Jak AI získává větší roli při objevování produktů, značky začaly sledovat svou přítomnost v těchto doporučeních s intenzitou, kterou dříve věnovaly hodnocením v Googlu. Marketéři opakovaně kladou AI modelům stejné otázky o produktech, zaznamenávají, které značky se objevují, a sledují, jak se tyto výsledky mění.

Takový přístup může marketérům poskytnout zkreslený obraz o tom, jak rychle se AI nákupy ve skutečnosti pohybují.

Pokud položíte AI modelu stejnou otázku desetkrát, můžete získat deset různých kombinací produktů. Značka může být v jedné odpovědi první, v další čtvrtá a v další vůbec chybět. Pokud marketéři každou odpověď vykládají jako žebříček, tyto výsledky naznačují, že jejich pozice se neustále mění.

Generativní modely však do svých odpovědí zavádějí variabilitu a marketéři ji musí zohlednit, než rozhodnou, že značka získala nebo ztratila pozici. Užitečnější signál pochází z vzorců, které přetrvávají napříč velkým počtem relevantních nákupních konverzací.

Data, která jsme shromáždili napříč přibližně 3 300 trendy AI nákupních doporučení zahrnujícími 186 kombinací značek, výzev a AI modelů, ilustrují rozdíl. Individuální odpovědi se měnily často, zatímco širší rozdělení doporučení zůstávalo mnohem konzistentnější.

Pro marketéry je jednotka měření stejně důležitá jako samotná data.

Více dotazů může učinit AI nákupy více volatilními

Pořadí ve vyhledávání nabízelo marketérům známý způsob měření digitální viditelnosti. Výsledek v určitém okamžiku zaujímal konkrétní pozici a marketéři ji mohli sledovat vůči konkurentům.

Doporučení AI vyžadují jiný přístup k měření, protože systémy vytvářejí odpovědi podle dotazu a kontextu spotřebitele. OpenAI například vysvětluje, že nákupní výsledky ChatGPT mohou zohledňovat dotaz uživatele a kontextové informace. Google podobně uvádí, že jeho nákupní výsledky mohou odrážet relevanci, hledané výrazy, předchozí aktivitu a nákupní preference.

Marketér tak může několikrát položit stejnou obecnou otázku a pokaždé vidět jiné produkty.

Představte si značku běžeckých bot, která se v jedné odpovědi objeví první, v další čtvrtá a ve třetí vůbec. Tato tři pozorování vyvolávají dojem nestabilního výkonu značky. Napříč stovkami relevantních konverzací však může stejná značka získávat každý týden přibližně stejný podíl doporučení.

Rozdíl nabývá na významu, když marketéři zvyšují četnost sledování. Více dotazů přináší více pozorování a ta nabízejí více příležitostí zaznamenat běžnou variabilitu. Panel proto může působit stále živěji, i když se celkové rozložení doporučení mění jen nepatrně.

Marketéři potřebují dostatek pozorování, aby zjistili, zda pohyb přetrvává. Bez reprezentativního vzorku je každodenní sledování může zavést k hledání vysvětlení, která mají jen málo společného se změnami produktů, marketingu nebo konkurenční pozice.

Důsledky přesahují reporting. Měření ovlivňuje rozhodnutí o tom, kam marketéři investují čas a peníze. Firma, která každý denní výkyv pokládá za významný, může opakovaně měnit produktový obsah, zkoumat konkurenci nebo přesouvat marketingové zdroje dříve, než pro taková rozhodnutí získá dostatek důkazů.

Marketéři potřebují definovat, co je považováno za smysluplné

Měření nakupování s AI potřebuje práh, který marketérům řekne, kdy změna zasluhuje prošetření.

Zmizení značky ze tří odpovědí nabízí jen málo důkazů o jejím celkovém výkonu. Pokud však tatáž značka ztrácí podíl doporučení ve stovkách relevantních nákupních konverzací a pokles trvá několik týdnů, mají marketéři silnější důvod situaci zkoumat.

Velikost vzorku je důležitá, protože jednotlivé odpovědi AI se liší. Čas je důležitý, protože trvalé vzorce poskytují více informací než izolované změny. Marketéři by měli obojí určit dříve, než data o doporučeních využijí k rozhodování.

Záleží také na modelu.

Značka může získávat podíl doporučení v ChatGPT, zatímco její výkon v Gemini zůstává stabilní. Marketéři, kteří tato pozorování spojí do jediného skóre viditelnosti v AI, mohou přijít o užitečnou informaci, kde ke změně došlo.

Různé nákupní systémy AI čerpají z různých informací a nabízejí odlišné produktové prostředí. OpenAI uvádí, že její nákupní průzkum může využívat produktová data obchodníků, veřejně dostupné informace o produktech a další maloobchodní zdroje. Google uvádí, že jeho doporučení produktů podporovaná AI čerpají z dat služby Shopping agregovaných od značek, obchodů a dalších poskytovatelů obsahu.

Tyto rozdíly dávají marketérům důvod zkoumat vzorce doporučení podle modelu, místo aby předpokládali, že se všechny systémy AI budou současně pohybovat stejným směrem.

Základní úroveň vytvořená během několika týdnů může posloužit jako referenční bod. Marketéři s ní pak mohou porovnávat nová pozorování a zkoumat změny přetrvávající v dostatečně významném vzorku.

Podíl doporučení říká značkám více než pořadí

Podíl doporučení nabízí praktický způsob, jak tyto vzorce měřit. Místo zaznamenávání pozice produktu v jedné odpovědi mohou marketéři měřit, jak často je značka doporučována v reprezentativním souboru relevantních spotřebitelských otázek.

Uvažujme výrobce běžeckých bot. Jeho produkty se mohou často objevovat při dotazech na boty pro maratonský trénink a zřídka při dotazech na trailový běh. Tento rozdíl dává marketérům užitečnou informaci o potřebách, které systémy AI se značkou spojují.

Pořadí v jediné odpovědi poskytuje mnohem méně kontextu. Rozdíl mezi druhým a pátým místem může při dalším položení otázky zmizet. Stálý rozdíl v podílu doporučení napříč stovkami konverzací dává marketérům vzorec, který lze zkoumat.

Podíl doporučení může také pomoci identifikovat konkurenční posuny. Pokud značka obvykle získává 30 procent relevantních doporučení a po několik týdnů začíná získávat 40 procent, mohou marketéři dohledat původ tohoto růstu.

Mohou určit, které spotřebitelské otázky k růstu přispěly nejvíce a které modely AI jej vytvořily. Poté mohou zkoumat změny informací dostupných těmto systémům.

Nový produkt může lépe odpovídat určité potřebě spotřebitele. Obchodníci mohli doplnit úplnější produktové informace. Zákaznické recenze nebo nezávislé články mohou systémům AI poskytnout další důkazy o tom, kdy se produkt hodí pro konkrétní použití.

Cílem měření by mělo být dosáhnout této úrovně analýzy. Marketéři potřebují metriky, které pomáhají identifikovat změny hodné prozkoumání, nikoli takové, které pouze vytvářejí více pohybu na panelu.

AI nákupy usnadňují zaměňování anekdot za trendy

Nakupování s AI podporuje měření podle jednotlivých příkladů, protože samostatné odpovědi působí jako přesvědčivé důkazy.

Snímek obrazovky s produktem na prvním místě doporučení ChatGPT se může během několika minut rozšířit po celé firmě. Totéž platí pro snímek, kde je hlavní konkurent, ale vlastní produkt chybí. Oba příklady působí konkrétně, protože zaměstnanci doporučení vidí na vlastní oči.

Jedna odpověď stále představuje jediné pozorování.

Tento problém poroste s tím, jak se spotřebitelé budou při průzkumu produktů více spoléhat na AI. Adobe zjistilo, že spotřebitelé přicházející na maloobchodní weby ze zdrojů generativní AI procházeli více stránek a měli nižší míru okamžitého opuštění než návštěvníci z jiných zdrojů provozu. McKinsey také zdokumentovalo, jak mohou asistenti generativní AI oslovovat spotřebitele v dřívějších fázích nákupní cesty, ještě než se rozhodnou, co koupí.

Rostoucí vliv dává značkám silný důvod porozumět své pozici v doporučeních AI. Zároveň zvyšuje cenu závěrů vyvozených ze slabých důkazů.

Značky potřebují dostatek pozorování, aby zjistily, jak často systémy AI doporučují jejich produkty, které otázky tato doporučení vyvolávají a jak se vzorce vyvíjejí v čase. Základní úroveň dává marketérům kontext potřebný k rozpoznání trvalého pohybu.

Když marketéři tento pohyb identifikují, mohou prozkoumat informace, které systémy AI používají k pochopení jejich produktů. Mohou posoudit přesnost a úplnost popisů produktů, údajů obchodníků, recenzí a nezávislých zdrojů a určit, zda dávají AI dostatek důkazů ke spojení produktu s potřebami vyjádřenými spotřebiteli.

Rostoucí role AI při nakupování činí toto měření stále důležitějším. Spotřebitelé dnes mohou s AI zkoumat produkty, porovnávat možnosti a zužovat nákupní rozhodnutí ještě před návštěvou webu obchodníka.

Značky potřebují vědět, co se v těchto konverzacích děje, ale více sledování automaticky nepřinese lepší informace. Hodnota vzniká nasbíráním dostatečného počtu pozorování k oddělení běžné variability od přetrvávajících vzorců.

Jednotlivé odpovědi AI se budou dál měnit. Marketéři s tím mají počítat. Jejich pozornost patří vzorcům doporučení, které trvají dostatečně dlouho a objevují se v dostatečném počtu relevantních konverzací, aby odůvodnily konkrétní kroky.