Belanja AI Tidak Bergerak Secepat yang Dipercaya Merek

AI dengan cepat menjadi bagian dari cara konsumen meneliti produk. Adobe Analytics menemukan bahwa lalu lintas dari alat AI generatif ke situs ritel AS tumbuh 693,4 persen selama musim liburan 2025 dibandingkan tahun sebelumnya. Setahun sebelumnya, Adobe menemukan bahwa 39 persen konsumen AS yang disurvei telah menggunakan AI generatif untuk belanja online, dengan penelitian produk dan rekomendasi menjadi salah satu penggunaan paling umum.

Perusahaan teknologi di balik sistem ini menanggapi dengan menambahkan fungsi belanja langsung ke produk AI mereka. OpenAI telah mengembangkan riset belanja dalam ChatGPT untuk membantu konsumen membandingkan produk berdasarkan kebutuhan, preferensi, dan anggaran mereka. Google menggunakan AI untuk menghasilkan rekomendasi produk dan wawasan belanja, sementara Amazon telah memperluas asisten belanja AI-nya untuk membantu konsumen meneliti dan memilih produk.

Seiring AI mengambil peran yang lebih besar dalam penemuan produk, merek‑merek mulai mengamati kehadiran mereka dalam rekomendasi tersebut dengan intensitas yang sebelumnya mereka dedikasikan untuk peringkat Google. Pemasar menanyakan pertanyaan produk yang sama kepada model AI berulang‑ulang, mencatat merek mana yang muncul, dan melacak bagaimana hasil tersebut berubah.

Pendekatan ini dapat memberikan gambaran yang terdistorsi kepada pemasar tentang seberapa cepat belanja AI sebenarnya bergerak.

Jika Anda menanyakan pertanyaan yang sama kepada model AI sepuluh kali, Anda mungkin mendapatkan sepuluh kombinasi produk yang berbeda. Sebuah merek dapat muncul pertama dalam satu jawaban, keempat dalam jawaban berikutnya, dan menghilang dalam jawaban lain. Jika pemasar menginterpretasikan setiap jawaban sebagai peringkat, hasil tersebut menyiratkan bahwa posisi mereka berubah secara konstan.

Model generatif memang memperkenalkan variasi dalam responsnya, dan pemasar perlu memperhitungkan variabilitas itu sebelum memutuskan bahwa sebuah merek telah memperoleh atau kehilangan posisi. Sinyal yang lebih berguna berasal dari pola yang bertahan di banyak percakapan belanja yang relevan.

Data yang kami kumpulkan dari sekitar 3.300 tren rekomendasi belanja AI yang melibatkan 186 kombinasi merek, prompt, dan model AI menggambarkan perbedaannya. Jawaban individual berubah-ubah secara frekuent, sementara distribusi rekomendasi secara keseluruhan tetap jauh lebih konsisten.

For marketers, the unit of measurement matters as much as the data itself.

Lebih Banyak Pertanyaan Dapat Membuat Belanja AI Terlihat Lebih Volatil

Peringkat pencarian memberi pemasar cara yang familiar untuk mengukur visibilitas digital. Sebuah hasil menempati posisi pada titik waktu tertentu, dan pemasar dapat melacak posisi itu terhadap pesaing.

Rekomendasi AI memerlukan pendekatan pengukuran yang berbeda karena sistem menghasilkan jawaban berdasarkan kueri dan konteks konsumen. OpenAI, misalnya, menjelaskan bahwa hasil belanja ChatGPT dapat mempertimbangkan kueri pengguna dan informasi kontekstual. Google juga menyatakan bahwa hasil belanja mereka dapat mencerminkan relevansi, istilah pencarian, aktivitas sebelumnya, dan preferensi belanja.

Akibatnya, seorang pemasar dapat menanyakan pertanyaan umum yang sama beberapa kali dan melihat produk yang berbeda muncul.

Bayangkan sebuah merek sepatu lari yang muncul pertama dalam satu jawaban, keempat dalam jawaban lain, dan tidak muncul sama sekali dalam jawaban ketiga. Tiga pengamatan tersebut membuat kinerja merek tampak tidak stabil. Namun, di ratusan percakapan relevan, merek yang sama mungkin memperoleh persentase rekomendasi yang hampir sama setiap minggu.

Pembedaannya menjadi penting ketika pemasar meningkatkan frekuensi pemantauan mereka. Menjalankan lebih banyak kueri menghasilkan lebih banyak pengamatan, dan lebih banyak pengamatan menciptakan lebih banyak peluang untuk melihat variasi normal. Oleh karena itu, dasbor dapat tampak semakin aktif meskipun distribusi rekomendasi secara keseluruhan berubah sangat sedikit.

Pemasar membutuhkan cukup banyak pengamatan untuk menentukan apakah pergerakan itu bertahan. Tanpa sampel yang representatif, pemantauan harian dapat membuat mereka mencari penjelasan yang sebenarnya tidak berhubungan dengan perubahan pada produk, pemasaran, atau posisi kompetitif mereka.

Konsekuensinya melampaui pelaporan. Pengukuran mengarahkan keputusan tentang di mana pemasar menghabiskan waktu dan uang. Sebuah perusahaan yang menafsirkan setiap fluktuasi harian sebagai hal yang bermakna mungkin berulang‑ulang mengubah konten produk, menyelidiki pesaing, atau mengalihkan sumber daya pemasaran sebelum memiliki cukup bukti untuk membenarkan keputusan tersebut.

Pemasar Perlu Menetapkan Apa yang Dianggap Bermakna

Pengukuran belanja AI memerlukan ambang batas yang memberi tahu pemasar kapan sebuah perubahan layak diselidiki.

Sebuah merek yang menghilang dari tiga jawaban memberikan sedikit bukti tentang kinerjanya secara lebih luas. Jika merek yang sama kehilangan pangsa rekomendasi di ratusan percakapan belanja relevan dan penurunan itu berlanjut selama beberapa minggu, pemasar memiliki alasan yang lebih kuat untuk menyelidikinya.

Ukuran sampel penting karena respons AI individual mengandung variabilitas. Waktu penting karena pola yang bertahan memberikan lebih banyak informasi daripada perubahan terisolasi. Pemasar harus menentukan keduanya sebelum menggunakan data rekomendasi untuk membuat keputusan.

Model juga penting.

Sebuah merek mungkin memperoleh pangsa rekomendasi di ChatGPT sementara kinerjanya di Gemini tetap stabil. Pemasar yang menggabungkan pengamatan tersebut menjadi satu skor visibilitas AI dapat kehilangan informasi berguna tentang di mana perubahan terjadi.

Berbagai sistem belanja AI menarik informasi yang berbeda dan beroperasi melalui pengalaman produk yang berbeda. OpenAI menyatakan bahwa riset belanja mereka dapat menggunakan data produk pedagang, informasi produk yang tersedia secara publik, dan sumber ritel lainnya. Google mengatakan bahwa rekomendasi produk berbasis AI mereka mengambil data Shopping yang dikumpulkan dari merek, toko, dan penyedia konten lainnya.

Perbedaan tersebut memberi pemasar alasan untuk memeriksa pola rekomendasi per model, alih‑alih mengasumsikan semua sistem AI akan bergerak ke arah yang sama pada waktu yang bersamaan.

Garis dasar yang dibangun selama beberapa minggu dapat menjadi titik referensi. Pemasar kemudian dapat membandingkan pengamatan baru dengan garis dasar tersebut dan menyelidiki perubahan yang bertahan pada sampel yang bermakna.

Bagian Rekomendasi Memberi Merek Lebih Banyak Informasi Daripada Peringkat

Pangsa rekomendasi menawarkan cara praktis untuk mengukur pola‑pola ini. Alih‑alih mencatat di mana sebuah produk muncul dalam satu respons, pemasar dapat mengukur seberapa sering sebuah merek memperoleh rekomendasi di seluruh set pertanyaan konsumen yang relevan dan representatif.

Pertimbangkan sebuah produsen sepatu lari. Produk mereka mungkin sering muncul ketika konsumen menanyakan sepatu untuk latihan maraton dan jarang muncul ketika menanyakan lari lintas alam. Perbedaan itu memberi pemasar wawasan berguna tentang kebutuhan yang diasosiasikan AI dengan merek tersebut.

Peringkat dari satu jawaban individual memberikan konteks yang jauh lebih sedikit. Perbedaan antara muncul kedua dan kelima dapat menghilang pada pertanyaan berikutnya. Perbedaan konsisten dalam pangsa rekomendasi di ratusan percakapan memberi pemasar pola yang dapat dipelajari.

Pangsa rekomendasi juga dapat membantu pemasar mengidentifikasi pergerakan kompetitif. Jika sebuah merek biasanya menguasai 30 persen rekomendasi relevan dan mulai menguasai 40 persen selama beberapa minggu, pemasar dapat menelusuri dari mana peningkatan itu berasal.

Mereka dapat mengidentifikasi pertanyaan konsumen mana yang paling berkontribusi pada peningkatan tersebut dan model AI mana yang menghasilkan peningkatan itu. Dari situ, mereka dapat meninjau perubahan pada informasi yang tersedia bagi sistem‑sistem tersebut.

Produk baru mungkin lebih cocok dengan kebutuhan konsumen tertentu. Pengecer mungkin telah menambahkan informasi produk yang lebih lengkap. Ulasan pelanggan atau liputan independen dapat memberikan sistem AI bukti tambahan tentang kapan sebuah produk cocok untuk kasus penggunaan tertentu.

Tujuan pengukuran seharusnya mencapai tingkat analisis tersebut. Pemasar membutuhkan metrik yang membantu mereka mengidentifikasi perubahan yang dapat diselidiki, bukan metrik yang hanya menghasilkan lebih banyak pergerakan pada dasbor.

Belanja AI Memudahkan Anektoda Disalahartikan Sebagai Tren

Belanja AI mendorong pengukuran anekdot karena jawaban individual tampak sebagai bukti yang meyakinkan.

Sebuah tangkapan layar yang menampilkan produk di puncak rekomendasi ChatGPT dapat menyebar dalam perusahaan dalam hitungan menit. Begitu pula dengan tangkapan layar yang menampilkan pesaing utama di mana produk perusahaan sendiri tidak muncul. Kedua contoh terasa konkret karena karyawan dapat melihat rekomendasi tersebut secara langsung.

Satu respons tetap mewakili satu pengamatan.

Masalah ini akan semakin besar seiring konsumen semakin bergantung pada AI saat meneliti produk. Adobe menemukan bahwa konsumen yang tiba di situs ritel dari sumber AI generatif menjelajahi lebih banyak halaman dan memiliki tingkat pentalan lebih rendah dibandingkan pengunjung dari sumber lalu lintas lain. McKinsey juga mendokumentasikan bagaimana asisten AI generatif dapat melibatkan konsumen lebih awal dalam perjalanan belanja, sebelum mereka memutuskan apa yang akan dibeli.

Pengaruh yang semakin besar ini memberi merek alasan kuat untuk memahami posisi mereka dalam rekomendasi AI. Hal ini juga meningkatkan biaya dalam menarik kesimpulan dari bukti yang lemah.

Merek membutuhkan cukup banyak pengamatan untuk menetapkan seberapa sering sistem AI merekomendasikan produk mereka, pertanyaan konsumen mana yang menghasilkan rekomendasi tersebut, dan bagaimana pola‑pola itu berkembang seiring waktu. Garis dasar memberikan konteks yang dibutuhkan pemasar untuk mengenali pergerakan yang berkelanjutan.

Ketika pemasar mengidentifikasi pergerakan itu, mereka dapat menyelidiki informasi yang digunakan sistem AI untuk memahami produk mereka. Mereka dapat memeriksa akurasi dan kelengkapan deskripsi produk, informasi pengecer, ulasan, dan sumber independen, lalu menentukan apakah sumber‑sumber tersebut memberi sistem AI cukup bukti untuk mengaitkan produk dengan kebutuhan yang diungkapkan konsumen.

Peran AI yang semakin besar dalam belanja membuat pengukuran ini menjadi semakin penting. Konsumen kini dapat menggunakan AI untuk meneliti produk, membandingkan pilihan, dan mempersempit keputusan pembelian sebelum mereka mengunjungi situs web pengecer.

Merek perlu memahami apa yang terjadi di dalam percakapan tersebut, tetapi peningkatan pemantauan tidak otomatis menghasilkan informasi yang lebih baik. Nilainya datang dari mengumpulkan cukup banyak pengamatan untuk memisahkan variasi biasa dari pola yang bertahan.

Jawaban AI individual akan terus berubah. Pemasar harus mengharapkannya. Perhatian mereka harus tertuju pada pola rekomendasi yang bertahan cukup lama, dan pada cukup banyak percakapan relevan, untuk membenarkan tindakan.