AI‑shopping bevæger sig ikke så hurtigt, som mærker tror

AI er hurtigt blevet en del af, hvordan forbrugere undersøger produkter. Adobe Analytics fandt, at trafikken fra generative AI‑værktøjer til amerikanske detailhandelswebsteder voksede med 693,4 % i feriesæsonen 2025 sammenlignet med året før. Et år tidligere fandt Adobe, at 39 % af de adspurgte amerikanske forbrugere allerede havde brugt generativ AI til online‑shopping, hvor produktundersøgelse og anbefalinger var blandt de mest almindelige anvendelser.

De teknologivirksomheder, der står bag disse systemer, har reageret ved at integrere shopping direkte i deres AI‑produkter. OpenAI har udviklet shopping‑forskning i ChatGPT for at hjælpe forbrugere med at sammenligne produkter ud fra deres behov, præferencer og budgetter. Google bruger AI til at generere produktanbefalinger og shopping‑indsigter, mens Amazon har udvidet sin AI‑shoppingassistent for at hjælpe forbrugere med at undersøge og vælge produkter.

Efterhånden som AI får en større rolle i produktopdagelse, er mærker begyndt at holde øje med deres tilstedeværelse i disse anbefalinger med den intensitet, de tidligere reserverede til Googles placeringer. Marketingfolk stiller AI‑modeller de samme produktspørgsmål gentagne gange, registrerer hvilke mærker der dukker op, og følger, hvordan resultaterne ændrer sig.

Den tilgang kan give marketingfolk et forvrænget billede af, hvor hurtigt AI‑shopping faktisk bevæger sig.

Stiller man et AI‑model det samme spørgsmål ti gange, kan man få ti forskellige produktkombinationer. Et mærke kan dukke op som nummer ét i ét svar, som nummer fire i det næste og slet ikke forekomme i et tredje. Hvis marketingfolk fortolker hvert svar som en rangering, antyder resultaterne, at deres position konstant ændrer sig.

Generative modeller indfører variation i deres svar, men marketingfolk skal tage højde for denne variabilitet, før de konkluderer, at et mærke har vundet eller mistet terræn. Det mere brugbare signal kommer fra mønstre, der vedvarer på tværs af et stort antal relevante shopping‑samtaler.

Data, vi indsamlede fra omkring 3.300 AI‑shopping‑anbefalingstrends, der involverede 186 kombinationer af mærker, prompts og AI‑modeller, illustrerer forskellen. Individuelle svar ændrede sig hyppigt, mens den bredere fordeling af anbefalinger forblev meget mere konsistent.

For marketingfolk er måleenheden lige så vigtig som selve dataene.

Flere forespørgsler kan få AI‑shopping til at fremstå mere volatil

Søgerangeringer gav marketingfolk en velkendt måde at måle digital synlighed på. Et resultat indtog en position på et bestemt tidspunkt, og marketingfolk kunne følge den position i forhold til konkurrenterne.

AI‑anbefalinger kræver en anden målemetode, fordi systemerne genererer svar ud fra en forbrugers forespørgsel og kontekst. OpenAI forklarer for eksempel, at ChatGPT‑shoppingresultater kan tage højde for brugerens forespørgsel og kontekstuelle information. Google siger på tilsvarende måde, at deres shoppingresultater kan afspejle relevans, søgeord, tidligere aktivitet og shoppingpræferencer.

Som følge heraf kan en marketingperson stille det samme generelle spørgsmål flere gange og se forskellige produkter dukke op.

Forestil dig et løbesko‑mærke, der i ét svar vises først, i et andet fjerde og i et tredje slet ikke. Disse tre observationer får mærkets præstation til at se ustabil ud. På tværs af hundredvis af relevante samtaler kan det samme mærke dog fange omtrent den samme procentdel af anbefalingerne hver uge.

Skelnen bliver vigtig, når marketingfolk øger hyppigheden af deres overvågning. Jo flere forespørgsler, jo flere observationer, og flere observationer giver flere muligheder for at se normal variation. Et dashboard kan derfor fremstå mere aktivt, selvom den bredere fordeling af anbefalinger ændrer sig meget lidt.

Marketingfolk har brug for tilstrækkeligt mange observationer for at afgøre, om bevægelsen vedvarer. Uden et repræsentativt udsnit kan daglig overvågning få dem til at lede efter forklaringer, der har ringe sammenhæng med ændringer i deres produkter, markedsføring eller konkurrenceposition.

Konsekvenserne rækker ud over rapportering. Måling driver beslutninger om, hvor marketingfolk bruger tid og penge. En virksomhed, der fortolker hver daglig svingning som meningsfuld, kan gentagne gange ændre produktindhold, undersøge konkurrenter eller omdirigere marketingressourcer, før den har tilstrækkelige beviser til at begrunde disse beslutninger.

Marketingfolk skal definere, hvad der tæller som meningsfuldt

Måling af AI‑shopping kræver en tærskel, der fortæller marketingfolk, hvornår en ændring fortjener undersøgelse.

Et mærke, der forsvinder fra tre svar, giver kun lidt bevis for dets bredere præstation. Hvis det samme mærke mister andel af anbefalingerne på tværs af hundredvis af relevante shopping‑samtaler, og dette fald fortsætter i flere uger, har marketingfolk en stærkere grund til at undersøge det.

Stikprøvestørrelsen betyder noget, fordi individuelle AI‑svar indeholder variation. Tid er vigtig, fordi vedvarende mønstre giver mere information end isolerede ændringer. Marketingfolk bør fastlægge begge dele, før de bruger anbefalingsdata til at træffe beslutninger.

Modellen spiller også en rolle.

Et mærke kan øge sin andel af anbefalingerne i ChatGPT, mens dets præstation i Gemini forbliver stabil. Marketingfolk, der kombinerer disse observationer til en enkelt AI‑synlighedsscore, kan miste nyttig information om, hvor ændringen fandt sted.

Forskellige AI‑shopping‑systemer trækker på forskellig information og fungerer gennem forskellige produktoplevelser. OpenAI siger, at deres shopping‑forskning kan bruge forhandlerens produktdata, offentligt tilgængelig produktinformation og andre detailkilder. Google siger, at deres AI‑understøttede produktanbefalinger bygger på Shopping‑data, der er samlet fra mærker, butikker og andre indholdsudbydere.

Disse forskelle giver marketingfolk en grund til at undersøge anbefalingsmønstre pr. model i stedet for at antage, at alle AI‑systemer vil bevæge sig i samme retning på samme tid.

Et grundlag opbygget over flere uger kan give referencepunktet. Marketingfolk kan derefter sammenligne nye observationer med dette grundlag og undersøge ændringer, der vedvarer på tværs af en meningsfuld stikprøve.

Andel af anbefalinger fortæller mærker mere end rangering

Andel af anbefalinger giver en praktisk måde at måle disse mønstre på. I stedet for at registrere, hvor et produkt fremkom i ét svar, kan marketingfolk måle, hvor ofte et mærke får en anbefaling på tværs af et repræsentativt sæt af relevante forbruger‑spørgsmål.

Overvej en producent af løbesko. Dens produkter kan dukke hyppigt op, når forbrugere efterspørger sko til maratontræning, og sjældent, når de spørger om trail‑løb. Denne forskel fortæller marketingfolk noget nyttigt om de behov, som AI‑systemerne knytter til mærket.

En rangering fra et enkelt svar giver meget mindre kontekst. Forskellen mellem at fremkomme som nummer to og fem kan forsvinde, næste gang nogen stiller spørgsmålet. En konsistent forskel i andel af anbefalinger på tværs af hundredvis af samtaler giver marketingfolk et mønster, de kan undersøge.

Andel af anbefalinger kan også hjælpe marketingfolk med at identificere konkurrencebevægelse. Hvis et mærke typisk indfanger 30 % af relevante anbefalinger og begynder at indfange 40 % over flere uger, kan marketingfolk spore, hvor denne stigning kom fra.

De kan identificere, hvilke forbruger‑spørgsmål der bidrog mest til stigningen, og hvilke AI‑modeller der producerede den. Derfra kan de se på ændringer i den information, der er tilgængelig for disse systemer.

Et nyt produkt kan matche et bestemt forbrugerbehov tættere. Forhandlere kan have tilføjet mere komplet produktinformation. Kundeanmeldelser eller uafhængig dækning kan give AI‑systemerne yderligere beviser for, hvornår et produkt passer til et specifikt anvendelsestilfælde.

Målingens mål bør være at nå dette analysetrin. Marketingfolk har brug for målepunkter, der hjælper dem med at identificere ændringer, de kan undersøge, i stedet for målepunkter, der blot skaber mere bevægelse på et dashboard.

AI‑shopping gør anekdoter lette at forveksle med tendenser

AI‑shopping fremmer anekdotisk måling, fordi individuelle svar udgør overbevisende beviser.

Et skærmbillede, der viser et produkt øverst i en ChatGPT‑anbefaling, kan cirkulere i en virksomhed inden for minutter. Det samme gælder et skærmbillede, der viser en stor konkurrent, hvor virksomhedens eget produkt ikke fremkommer. Begge eksempler føles konkrete, fordi medarbejderne kan se anbefalingen selv.

Et svar udgør stadig én observation.

Dette problem vil vokse, efterhånden som forbrugere i højere grad stoler på AI under produktundersøgelser. Adobe fandt, at forbrugere, der kom til detailhandelswebsteder fra generative AI‑kilder, gennemgik flere sider og havde lavere afvisningsprocenter end besøgende fra andre trafikkilder. McKinsey har også dokumenteret, hvordan generative AI‑assistenter kan involvere forbrugere tidligere i shoppingrejsen, før de har besluttet, hvad de skal købe.

Den voksende indflydelse giver mærker en stærk grund til at forstå deres position i AI‑anbefalinger. Det øger også omkostningerne ved at drage konklusioner ud fra svage beviser.

Mærker har brug for tilstrækkeligt mange observationer for at fastslå, hvor ofte AI‑systemerne anbefaler deres produkter, hvilke forbruger‑spørgsmål der genererer disse anbefalinger, og hvordan mønstrene udvikler sig over tid. Et grundlag giver marketingfolk den kontekst, de har brug for til at genkende vedvarende bevægelse.

Når marketingfolk identificerer den bevægelse, kan de undersøge den information, som AI‑systemerne bruger til at forstå deres produkter. De kan gennemgå nøjagtigheden og fuldstændigheden af produktbeskrivelser, forhandlerinformation, anmeldelser og uafhængige kilder og derefter afgøre, om disse kilder giver AI‑systemerne tilstrækkelige beviser til at forbinde et produkt med de behov, forbrugerne udtrykker.

Den voksende rolle for AI i shopping gør denne måling stadig vigtigere. Forbrugere kan nu bruge AI til at undersøge produkter, sammenligne muligheder og indsnævre en købsbeslutning, før de overhovedet besøger en forhandlers hjemmeside.

Mærker skal forstå, hvad der sker i disse samtaler, men mere overvågning vil ikke automatisk give bedre information. Værdien kommer fra at indsamle tilstrækkeligt mange observationer for at adskille almindelig variation fra vedvarende mønstre.

Individuelle AI‑svar vil fortsætte med at ændre sig. Marketingfolk bør forvente det. Deres opmærksomhed bør rettes mod de anbefalingsmønstre, der vedvarer længe nok, og på tværs af tilstrækkeligt mange relevante samtaler, til at retfærdiggøre handling.