Το AI Shopping δεν κινείται τόσο γρήγορα όσο πιστεύουν οι μάρκες

Το AI έχει ενσωματωθεί γρήγορα στον τρόπο με τον οποίο οι καταναλωτές ερευνούν προϊόντα. Η Adobe Analytics διαπίστωσε ότι η κίνηση από εργαλεία γενετικού AI προς αμερικανικές λιανικές ιστοσελίδες αυξήθηκε κατά 693.4 % κατά τη διάρκεια της εορταστικής περιόδου του 2025 σε σύγκριση με το προηγούμενο έτος. Ένα χρόνο νωρίτερα, η Adobe διαπίστωσε ότι το 39 % των ερωτηθέντων αμερικανών καταναλωτών είχε ήδη χρησιμοποιήσει γενετικό AI για διαδικτυακές αγορές, με την έρευνα προϊόντων και τις συστάσεις να είναι μεταξύ των πιο συχνών χρήσεων.

Οι εταιρείες τεχνολογίας πίσω από αυτά τα συστήματα έχουν ανταποκριθεί ενσωματώνοντας το ψώνισμα απευθείας στα προϊόντα AI τους. Η OpenAI ανέπτυξε έρευνα ψώνισης στο ChatGPT για να βοηθήσει τους καταναλωτές να συγκρίνουν προϊόντα βάσει των αναγκών, των προτιμήσεων και των προϋπολογισμών τους. Η Google χρησιμοποιεί AI για τη δημιουργία συστάσεων προϊόντων και πληροφοριών ψώνισης, ενώ η Amazon έχει επεκτείνει τον βοηθό ψώνισης AI της για να βοηθήσει τους καταναλωτές να ερευνήσουν και να επιλέξουν προϊόντα.

Καθώς το AI αναλαμβάνει μεγαλύτερο ρόλο στην ανακάλυψη προϊόντων, οι μάρκες έχουν αρχίσει να παρακολουθούν την παρουσία τους σε αυτές τις συστάσεις με την ένταση που παλαιότερα επιφύλασταν για τις κατατάξεις της Google. Οι υπεύθυνοι μάρκετινγκ υποβάλλουν στα μοντέλα AI τις ίδιες ερωτήσεις προϊόντων επανειλημμένα, καταγράφουν ποιες μάρκες εμφανίζονται και παρακολουθούν πώς αλλάζουν τα αποτελέσματα.

Αυτή η προσέγγιση μπορεί να προσφέρει στους υπεύθυνους μάρκετινγκ μια παραμορφωμένη εικόνα του πόσο γρήγορα κινείται πραγματικά το AI shopping.

Αν ρωτήσετε ένα μοντέλο AI την ίδια ερώτηση δέκα φορές, μπορεί να λάβετε δέκα διαφορετικούς συνδυασμούς προϊόντων. Μια μάρκα μπορεί να εμφανίζεται πρώτη σε μία απάντηση, τέταρτη στην επόμενη και να λείπει σε άλλη. Εάν οι υπεύθυνοι μάρκετινγκ ερμηνεύσουν κάθε απάντηση ως κατάταξη, τα αποτελέσματα υποδηλώνουν ότι η θέση τους αλλάζει συνεχώς.

Τα γενετικά μοντέλα όμως εισάγουν μεταβλητότητα στις απαντήσεις τους, και οι υπεύθυνοι μάρκετινγκ πρέπει να λάβουν υπόψη αυτή τη διακύμανση πριν αποφασίσουν ότι μια μάρκα έχει κερδίσει ή χάσει έδαφος. Το πιο χρήσιμο σήμα προέρχεται από μοτίβα που παραμένουν σταθερά σε μεγάλο αριθμό σχετικών συζητήσεων ψώνισης.

Τα δεδομένα που συλλέξαμε σε περίπου 3.300 τάσεις συστάσεων AI shopping, που περιλαμβάνουν 186 συνδυασμούς μαρκών, ερωτημάτων και μοντέλων AI, δείχνουν τη διαφορά. Οι μεμονωμένες απαντήσεις άλλαζαν συχνά, ενώ η ευρύτερη κατανομή των συστάσεων παρέμεινε πολύ πιο σταθερή.

Για τους υπεύθυνους μάρκετινγκ, η μονάδα μέτρησης είναι εξίσου σημαντική με τα ίδια τα δεδομένα.

Περισσότερα ερωτήματα μπορούν να κάνουν το AI Shopping να φαίνεται πιο ασταθές

Οι κατατάξεις αναζήτησης έδωσαν στους υπεύθυνους μάρκετινγκ έναν γνωστό τρόπο μέτρησης της ψηφιακής ορατότητας. Ένα αποτέλεσμα κατείχε θέση σε συγκεκριμένο χρονικό σημείο, και οι υπεύθυνοι μάρκετινγκ μπορούσαν να παρακολουθούν αυτή τη θέση σε σχέση με τους ανταγωνιστές.

Οι συστάσεις AI απαιτούν διαφορετική προσέγγιση μέτρησης, επειδή τα συστήματα δημιουργούν απαντήσεις γύρω από το ερώτημα και το πλαίσιο του καταναλωτή. Η OpenAI, για παράδειγμα, εξηγεί ότι τα αποτελέσματα ψώνισης του ChatGPT μπορούν να λαμβάνουν υπόψη το ερώτημα του χρήστη και τις σχετικές πληροφορίες. Η Google παρόμοια δηλώνει ότι τα αποτελέσματα ψώνισης της μπορούν να αντανακλούν τη συνάφεια, τις λέξεις-κλειδιά, τις προηγούμενες δραστηριότητες και τις προτιμήσεις ψώνισης.

Ως αποτέλεσμα, ένας υπεύθυνος μάρκετινγκ μπορεί να υποβάλει την ίδια γενική ερώτηση πολλές φορές και να δει διαφορετικά προϊόντα να εμφανίζονται.

Φανταστείτε μια μάρκα αθλητικών παπουτσιών που εμφανίζεται πρώτη σε μία απάντηση, τέταρτη σε άλλη και δεν εμφανίζεται καθόλου σε τρίτη. Αυτές οι τρεις παρατηρήσεις κάνουν την απόδοση της μάρκας να φαίνεται ασταθής. Ωστόσο, σε εκατοντάδες σχετικές συζητήσεις, η ίδια μάρκα μπορεί να καταλαμβάνει περίπου το ίδιο ποσοστό συστάσεων κάθε εβδομάδα.

Η διάκριση γίνεται σημαντική καθώς οι υπεύθυνοι μάρκετινγκ αυξάνουν τη συχνότητα της παρακολούθησής τους. Η εκτέλεση περισσότερων ερωτημάτων παράγει περισσότερες παρατηρήσεις, και περισσότερες παρατηρήσεις δημιουργούν περισσότερες ευκαιρίες να εμφανιστεί η φυσική διακύμανση. Έτσι, ένας πίνακας ελέγχου μπορεί να φαίνεται όλο και πιο ενεργός, ακόμη και όταν η ευρύτερη κατανομή των συστάσεων αλλάζει ελάχιστα.

Οι υπεύθυνοι μάρκετινγκ χρειάζονται αρκετές παρατηρήσεις για να καθορίσουν εάν αυτή η κίνηση διατηρείται. Χωρίς αντιπροσωπευτικό δείγμα, η καθημερινή παρακολούθηση μπορεί να τους ωθήσει να αναζητούν εξηγήσεις που σχετίζονται ελάχιστα με αλλαγές στα προϊόντα, το μάρκετινγκ ή τη θέση τους έναντι των ανταγωνιστών.

Οι συνέπειες εκτείνονται πέρα από την αναφορά. Η μέτρηση καθοδηγεί τις αποφάσεις σχετικά με το πού οι υπεύθυνοι μάρκετινγκ ξοδεύουν χρόνο και χρήματα. Μια εταιρεία που ερμηνεύει κάθε καθημερινή διακύμανση ως σημαντική μπορεί να αλλάζει επανειλημμένα το περιεχόμενο των προϊόντων, να ερευνά ανταγωνιστές ή να μεταβιβάζει πόρους μάρκετινγκ πριν διαθέσει επαρκή αποδείξεις για να δικαιολογήσει αυτές τις ενέργειες.

Οι υπεύθυνοι μάρκετινγκ πρέπει να ορίσουν τι θεωρείται σημαντικό

Η μέτρηση του AI shopping χρειάζεται ένα όριο που να λέει στους υπεύθυνους μάρκετινγκ πότε μια αλλαγή αξίζει διερεύνηση.

Μια μάρκα που εξαφανίζεται από τρεις απαντήσεις παρέχει ελάχιστη ένδειξη για τη συνολική της απόδοση. Εάν η ίδια μάρκα χάνει μερίδιο συστάσεων σε εκατοντάδες σχετικές συζητήσεις ψώνισης και αυτή η πτώση συνεχίζεται για αρκετές εβδομάδες, οι υπεύθυνοι μάρκετινγκ έχουν ισχυρότερο λόγο για διερεύνηση.

Το μέγεθος του δείγματος είναι σημαντικό επειδή οι μεμονωμένες απαντήσεις AI περιέχουν διακυμάνσεις. Ο χρόνος είναι σημαντικός επειδή τα επίμονα μοτίβα παρέχουν περισσότερες πληροφορίες από τις απομονωμένες αλλαγές. Οι υπεύθυνοι μάρκετινγκ πρέπει να καθορίσουν και τα δύο πριν χρησιμοποιήσουν τα δεδομένα συστάσεων για λήψη αποφάσεων.

Το μοντέλο επίσης έχει σημασία.

Μια μάρκα μπορεί να κερδίσει μερίδιο συστάσεων στο ChatGPT ενώ η απόδοσή της στο Gemini παραμένει σταθερή. Οι υπεύθυνοι μάρκετινγκ που συνδυάζουν αυτές τις παρατηρήσεις σε ένα ενιαίο σκορ ορατότητας AI μπορεί να χάσουν χρήσιμες πληροφορίες σχετικά με το πού συνέβη η αλλαγή.

Διάφορα συστήματα AI shopping αντλούν διαφορετικές πληροφορίες και λειτουργούν μέσω διαφορετικών εμπειριών προϊόντων. Η OpenAI δηλώνει ότι η έρευνα ψώνισης της μπορεί να χρησιμοποιεί δεδομένα προϊόντων εμπόρων, δημόσια διαθέσιμες πληροφορίες προϊόντων και άλλες πηγές λιανικής. Η Google αναφέρει ότι οι AI‑υποστηριζόμενες συστάσεις προϊόντων της βασίζονται σε δεδομένα Shopping που συγκεντρώνονται από μάρκες, καταστήματα και άλλους παρόχους περιεχομένου.

Αυτές οι διαφορές δίνουν στους υπεύθυνους μάρκετινγκ λόγο να εξετάσουν τα πρότυπα συστάσεων ανά μοντέλο, αντί να υποθέτουν ότι κάθε σύστημα AI θα κινηθεί στην ίδια κατεύθυνση ταυτόχρονα.

Μια βάση αναφοράς που χτίζεται σε διάρκεια αρκετών εβδομάδων μπορεί να παρέχει το σημείο αναφοράς. Οι υπεύθυνοι μάρκετινγκ μπορούν στη συνέχεια να συγκρίνουν νέες παρατηρήσεις με αυτή τη βάση και να διερευνήσουν αλλαγές που διατηρούνται σε ένα σημαντικό δείγμα.

Το μερίδιο συστάσεων λέει στις μάρκες περισσότερα από την κατάταξη

Το μερίδιο συστάσεων προσφέρει έναν πρακτικό τρόπο μέτρησης αυτών των προτύπων. Αντί να καταγράφεται πού εμφανίστηκε ένα προϊόν σε μία απάντηση, οι υπεύθυνοι μάρκετινγκ μπορούν να μετρήσουν πόσο συχνά μια μάρκα κερδίζει μια σύσταση σε ένα αντιπροσωπευτικό σύνολο σχετικών ερωτήσεων καταναλωτών.

Σκεφτείτε έναν κατασκευαστή αθλητικών παπουτσιών. Τα προϊόντα του μπορεί να εμφανίζονται συχνά όταν οι καταναλωτές ζητούν παπούτσια για προπόνηση μαραθωνίου και σπάνια όταν ρωτούν για τρέξιμο σε μονοπάτια. Αυτή η διαφορά παρέχει στους υπεύθυνους μάρκετινγκ χρήσιμη πληροφορία για τις ανάγκες που τα συστήματα AI συνδέουν με τη μάρκα.

Μια κατάταξη από μια μεμονωμένη απάντηση προσφέρει πολύ λιγότερο πλαίσιο. Η διαφορά μεταξύ εμφάνισης δεύτερης και πέμπτης θέσης μπορεί να εξαφανιστεί την επόμενη φορά που κάποιος θα θέσει την ερώτηση. Μια σταθερή διαφορά στο μερίδιο συστάσεων σε εκατοντάδες συζητήσεις δίνει στους υπεύθυνους μάρκετινγκ ένα μοτίβο που μπορούν να μελετήσουν.

Το μερίδιο συστάσεων μπορεί επίσης να βοηθήσει τους υπεύθυνους μάρκετινγκ να εντοπίσουν ανταγωνιστικές κινήσεις. Εάν μια μάρκα συνήθως καταλαμβάνει το 30 % των σχετικών συστάσεων και αρχίζει να καταλαμβάνει το 40 % σε αρκετές εβδομάδες, οι υπεύθυνοι μάρκετινγκ μπορούν να εντοπίσουν πού προήλθε αυτή η αύξηση.

Μπορούν να εντοπίσουν ποιες ερωτήσεις καταναλωτών συνέβαλαν περισσότερο στην αύξηση και ποια μοντέλα AI την παρήγαγαν. Από εκεί, μπορούν να εξετάσουν τις αλλαγές στις πληροφορίες που είναι διαθέσιμες σε αυτά τα συστήματα.

Ένα νέο προϊόν μπορεί να ταιριάζει πιο στενά με μια συγκεκριμένη ανάγκη του καταναλωτή. Οι λιανοπωλητές μπορεί να έχουν προσθέσει πιο πλήρεις πληροφορίες προϊόντος. Οι κριτικές πελατών ή η ανεξάρτητη κάλυψη μπορεί να παρέχουν στα συστήματα AI πρόσθετες αποδείξεις για το πότε ένα προϊόν ταιριάζει σε μια συγκεκριμένη περίπτωση χρήσης.

Ο στόχος της μέτρησης πρέπει να είναι η επίτευξη αυτού του επιπέδου ανάλυσης. Οι υπεύθυνοι μάρκετινγκ χρειάζονται μετρήσεις που τους βοηθούν να εντοπίζουν αλλαγές που μπορούν να διερευνήσουν, αντί για μετρήσεις που απλώς δημιουργούν περισσότερη κίνηση σε έναν πίνακα ελέγχου.

Το AI Shopping κάνει τις ατομικές ιστορίες εύκολο να τις συγχέουμε με τάσεις

Το AI shopping ενθαρρύνει τη μέτρηση μέσω ατομικών ιστοριών, επειδή οι μεμονωμένες απαντήσεις παρέχουν εντυπωσιακά αποδεικτικά στοιχεία.

Ένα στιγμιότυπο οθόνης που δείχνει ένα προϊόν στην κορυφή μιας σύστασης του ChatGPT μπορεί να διαδοθεί σε μια εταιρεία μέσα σε λίγα λεπτά. Το ίδιο ισχύει για ένα στιγμιότυπο που δείχνει έναν σημαντικό ανταγωνιστή όπου το δικό της προϊόν δεν εμφανίζεται. Και τα δύο παραδείγματα φαίνονται σαφή, επειδή οι υπάλληλοι μπορούν να δουν την σύσταση με τα ίδια τους τα μάτια.

Μία απάντηση εξακολουθεί να αντιπροσωπεύει μία παρατήρηση.

Αυτό το πρόβλημα θα αυξηθεί καθώς οι καταναλωτές βασίζονται όλο και περισσότερο στο AI κατά την έρευνα προϊόντων. Η Adobe διαπίστωσε ότι οι καταναλωτές που φτάνουν σε λιανικές ιστοσελίδες από πηγές γενετικού AI περιηγούνταν περισσότερες σελίδες και είχαν χαμηλότερο ποσοστό εγκατάλειψης σε σύγκριση με επισκέπτες από άλλες πηγές κίνησης. Η McKinsey έχει επίσης τεκμηριώσει πώς οι βοηθοί γενετικού AI μπορούν να εντάξουν τους καταναλωτές νωρίτερα στη διαδικασία ψώνισης, πριν αποφασίσουν τι θα αγοράσουν.

Αυτή η αυξανόμενη επιρροή δίνει στις μάρκες ισχυρό λόγο να κατανοήσουν τη θέση τους στις AI συστάσεις. Επιπλέον, αυξάνει το κόστος εξαγωγής συμπερασμάτων από αδύναμα αποδεικτικά στοιχεία.

Οι μάρκες χρειάζονται επαρκείς παρατηρήσεις για να καθορίσουν πόσο συχνά τα συστήματα AI προτείνουν τα προϊόντα τους, ποιες ερωτήσεις καταναλωτών παράγουν αυτές τις συστάσεις και πώς αυτά τα πρότυπα εξελίσσονται με την πάροδο του χρόνου. Μια βάση αναφοράς παρέχει στους υπεύθυνους μάρκετινγκ το πλαίσιο που χρειάζονται για να αναγνωρίσουν διαρκείς μεταβολές.

Όταν οι υπεύθυνοι μάρκετινγκ εντοπίζουν αυτή τη μεταβολή, μπορούν να διερευνήσουν τις πληροφορίες που τα συστήματα AI χρησιμοποιούν για να κατανοήσουν τα προϊόντα τους. Μπορούν να ελέγξουν την ακρίβεια και πληρότητα των περιγραφών προϊόντων, των πληροφοριών λιανοπωλητών, των κριτικών και των ανεξάρτητων πηγών, και στη συνέχεια να καθορίσουν εάν αυτές οι πηγές παρέχουν στα συστήματα AI επαρκή αποδείξεις για τη σύνδεση ενός προϊόντος με τις ανάγκες που εκφράζουν οι καταναλωτές.

Ο αυξανόμενος ρόλος του AI στις αγορές καθιστά αυτή τη μέτρηση όλο και πιο σημαντική. Οι καταναλωτές μπορούν πλέον να χρησιμοποιούν το AI για να ερευνήσουν προϊόντα, να συγκρίνουν επιλογές και να περιορίσουν μια απόφαση αγοράς πριν επισκεφθούν την ιστοσελίδα ενός λιανοπωλητή.

Οι μάρκες πρέπει να κατανοούν τι συμβαίνει μέσα σε αυτές τις συνομιλίες, αλλά η αυξημένη παρακολούθηση δεν θα παράγει αυτόματα καλύτερες πληροφορίες. Η αξία προέρχεται από τη συλλογή επαρκών παρατηρήσεων για να διαχωριστεί η φυσική διακύμανση από τα πρότυπα που διατηρούνται.

Οι μεμονωμένες απαντήσεις AI θα συνεχίσουν να αλλάζουν. Οι υπεύθυνοι μάρκετινγκ πρέπει να το αναμένουν. Η προσοχή τους πρέπει να εστιάζεται στα πρότυπα συστάσεων που διατηρούνται αρκετά χρονικά και σε αρκετές σχετικές συνομιλίες, ώστε να δικαιολογούν δράση.