Lo shopping con l’IA non avanza così rapidamente come credono i marchi

L’IA è rapidamente diventata parte del modo in cui i consumatori ricercano i prodotti. Adobe Analytics ha scoperto che il traffico proveniente da strumenti di IA generativa verso i siti di vendita al dettaglio statunitensi è cresciuto del 693,4% durante la stagione natalizia del 2025 rispetto all’anno precedente. Un anno prima, Adobe ha rilevato che il 39% dei consumatori statunitensi intervistati aveva già utilizzato l’IA generativa per lo shopping online, con la ricerca di prodotti e le raccomandazioni tra gli usi più comuni.

Le aziende tecnologiche dietro questi sistemi hanno risposto integrando lo shopping direttamente nei loro prodotti di IA. OpenAI ha sviluppato la ricerca di shopping in ChatGPT per aiutare i consumatori a confrontare i prodotti in base a esigenze, preferenze e budget. Google utilizza l’IA per generare raccomandazioni di prodotto e approfondimenti sullo shopping, mentre Amazon ha ampliato il suo assistente di shopping basato sull’IA per aiutare i consumatori a ricercare e selezionare i prodotti.

Man mano che l’IA assume un ruolo più ampio nella scoperta dei prodotti, i marchi hanno iniziato a monitorare la loro presenza in queste raccomandazioni con l’intensità che un tempo riservavano ai ranking di Google. I marketer pongono ripetutamente le stesse domande sui prodotti ai modelli di IA, registrano quali marchi compaiono e tracciano come cambiano i risultati.

Questo approccio può fornire ai marketer un quadro distorto di quanto rapidamente lo shopping con l’IA si muova realmente.

Se si chiede a un modello di IA la stessa domanda dieci volte, si possono ottenere dieci combinazioni diverse di prodotti. Un marchio può apparire per primo in una risposta, quarto nella successiva e scomparire in un’altra. Se i marketer interpretano ogni risposta come un ranking, questi risultati suggeriscono che la posizione cambi costantemente.

I modelli generativi introducono variazioni nelle loro risposte; i marketer devono tenere conto di tale variabilità prima di decidere se un marchio ha guadagnato o perso terreno. Il segnale più utile proviene da schemi che persistono attraverso un gran numero di conversazioni di shopping rilevanti.

I dati raccolti su circa 3.300 tendenze di raccomandazioni di shopping con IA, coinvolgenti 186 combinazioni di marchi, prompt e modelli di IA, illustrano la differenza. Le risposte individuali cambiavano frequentemente, mentre la distribuzione più ampia delle raccomandazioni rimaneva molto più costante.

Per i marketer, l’unità di misura è importante quanto i dati stessi.

More Queries Can Make AI Shopping Look More Volatile

I ranking di ricerca hanno fornito ai marketer un modo familiare per misurare la visibilità digitale. Un risultato occupava una posizione in un determinato momento, e i marketer potevano tracciare quella posizione rispetto ai concorrenti.

Le raccomandazioni di IA richiedono un approccio di misurazione diverso perché i sistemi generano risposte attorno alla query e al contesto del consumatore. OpenAI, ad esempio, spiega che i risultati di shopping di ChatGPT possono tenere conto della query dell’utente e delle informazioni contestuali. Google afferma analogamente che i suoi risultati di shopping possono riflettere rilevanza, termini di ricerca, attività precedenti e preferenze di acquisto.

Di conseguenza, un marketer può porre più volte la stessa domanda generale e vedere emergere prodotti diversi.

Immaginate un marchio di scarpe da corsa che appare per primo in una risposta, quarto in un’altra e assente in una terza. Quei tre osservazioni fanno sembrare instabile la performance del marchio. Tuttavia, su centinaia di conversazioni rilevanti, lo stesso marchio potrebbe catturare approssimativamente la stessa percentuale di raccomandazioni ogni settimana.

La distinzione diventa importante man mano che i marketer aumentano la frequenza del monitoraggio. Eseguire più query genera più osservazioni, e più osservazioni creano più opportunità di vedere la normale variazione. Un cruscotto può quindi apparire sempre più attivo anche quando la distribuzione più ampia delle raccomandazioni cambia molto poco.

I marketer hanno bisogno di un numero sufficiente di osservazioni per determinare se quel movimento persiste. Senza un campione rappresentativo, il monitoraggio quotidiano può indurli a cercare spiegazioni poco legate a cambiamenti nei loro prodotti, nel marketing o nella posizione competitiva.

Le conseguenze vanno oltre la reportistica. La misurazione guida le decisioni su dove i marketer spendono tempo e denaro. Un’azienda che interpreta ogni fluttuazione giornaliera come significativa può modificare ripetutamente i contenuti del prodotto, indagare i concorrenti o ridirigere le risorse di marketing prima di avere prove sufficienti a giustificare tali decisioni.

Marketers Need to Define What Counts as Meaningful

La misurazione dello shopping con IA necessita di una soglia che indichi ai marketer quando un cambiamento merita indagine.

Un marchio che scompare da tre risposte fornisce poche prove sulla sua performance più ampia. Se lo stesso marchio perde quota di raccomandazione su centinaia di conversazioni di shopping rilevanti e quel calo continua per diverse settimane, i marketer hanno una ragione più forte per indagare.

La dimensione del campione è importante perché le risposte individuali dell’IA contengono variabilità. Il tempo è importante perché gli schemi persistenti forniscono più informazioni rispetto a cambiamenti isolati. I marketer dovrebbero determinare entrambi prima di usare i dati di raccomandazione per prendere decisioni.

Anche il modello è rilevante.

Un marchio può guadagnare quota di raccomandazione in ChatGPT mentre la sua performance in Gemini rimane stabile. I marketer che combinano queste osservazioni in un unico punteggio di visibilità IA possono perdere informazioni utili su dove si è verificato il cambiamento.

Diversi sistemi di shopping con IA attingono a informazioni diverse e operano attraverso esperienze di prodotto differenti. OpenAI afferma che la sua ricerca di shopping può utilizzare dati di prodotto dei merchant, informazioni di prodotto pubblicamente disponibili e altre fonti retail. Google dichiara che le sue raccomandazioni di prodotto supportate dall’IA si basano su dati di Shopping aggregati da marchi, negozi e altri fornitori di contenuti.

Queste differenze danno ai marketer una ragione per esaminare i pattern di raccomandazione per modello, anziché presumere che ogni sistema di IA si muova nella stessa direzione nello stesso momento.

Una baseline costruita su più settimane può fornire il punto di riferimento. I marketer possono quindi confrontare nuove osservazioni con quella baseline e indagare i cambiamenti che persistono su un campione significativo.

Recommendation Share Tells Brands More Than Rank

La quota di raccomandazione offre un modo pratico per misurare questi pattern. Invece di registrare dove un prodotto è apparso in una risposta, i marketer possono misurare quanto spesso un marchio ottiene una raccomandazione su un set rappresentativo di domande rilevanti dei consumatori.

Consideriamo un produttore di scarpe da corsa. I suoi prodotti possono apparire frequentemente quando i consumatori chiedono scarpe per l’allenamento di maratona e raramente quando chiedono di corsa su sentiero. Questa differenza fornisce ai marketer informazioni utili sui bisogni che i sistemi di IA associano al marchio.

Un ranking da una risposta individuale offre molto meno contesto. La differenza tra apparire al secondo posto e al quinto può svanire la prossima volta che qualcuno pone la domanda. Una differenza costante nella quota di raccomandazione su centinaia di conversazioni fornisce ai marketer un pattern da studiare.

La quota di raccomandazione può anche aiutare i marketer a identificare movimenti competitivi. Se un marchio tipicamente cattura il 30% delle raccomandazioni rilevanti e inizia a catturare il 40% nel corso di diverse settimane, i marketer possono rintracciare da dove provenga quell’aumento.

Possono identificare quali domande dei consumatori hanno contribuito maggiormente all’aumento e quali modelli di IA l’hanno prodotto. Da lì, possono esaminare i cambiamenti nelle informazioni disponibili a quei sistemi.

Un nuovo prodotto può rispondere più da vicino a un particolare bisogno del consumatore. I rivenditori potrebbero aver aggiunto informazioni di prodotto più complete. Recensioni dei clienti o coperture indipendenti possono fornire ai sistemi di IA ulteriori prove su quando un prodotto si adatta a un caso d’uso specifico.

L’obiettivo della misurazione dovrebbe essere raggiungere quel livello di analisi. I marketer hanno bisogno di metriche che li aiutino a identificare cambiamenti da indagare, piuttosto che metriche che semplicemente producono più movimento su un cruscotto.

AI Shopping Makes Anecdotes Easy to Mistake for Trends

Lo shopping con IA incoraggia una misurazione aneddotica perché le risposte individuali costituiscono prove convincenti.

Uno screenshot che mostra un prodotto in cima a una raccomandazione di ChatGPT può circolare all’interno di un’azienda in pochi minuti. Lo stesso vale per uno screenshot che mostra un grande concorrente dove il prodotto dell’azienda non appare. Entrambi gli esempi sembrano concreti perché i dipendenti possono vedere direttamente la raccomandazione.

Una risposta rappresenta comunque una singola osservazione.

Questo problema crescerà man mano che i consumatori si affidano sempre più all’IA durante la ricerca di prodotto. Adobe ha scoperto che i consumatori che arrivano sui siti di vendita al dettaglio da fonti di IA generativa sfogliavano più pagine e presentavano tassi di rimbalzo più bassi rispetto ai visitatori provenienti da altre fonti di traffico. McKinsey ha anche documentato come gli assistenti di IA generativa possano coinvolgere i consumatori più presto nel percorso di acquisto, prima che abbiano deciso cosa acquistare.

Questa crescente influenza fornisce ai marchi un forte motivo per comprendere la loro posizione nelle raccomandazioni IA. Incrementa anche il costo di trarre conclusioni da prove deboli.

I marchi hanno bisogno di sufficienti osservazioni per stabilire quanto frequentemente i sistemi di IA raccomandano i loro prodotti, quali domande dei consumatori generano quelle raccomandazioni e come quei pattern si evolvono nel tempo. Una baseline fornisce ai marketer il contesto necessario per riconoscere un movimento sostenuto.

Quando i marketer identificano quel movimento, possono indagare le informazioni che i sistemi di IA usano per comprendere i loro prodotti. Possono esaminare l’accuratezza e la completezza delle descrizioni di prodotto, delle informazioni del rivenditore, delle recensioni e delle fonti indipendenti, per poi determinare se tali fonti forniscono ai sistemi di IA prove sufficienti per collegare un prodotto ai bisogni espressi dai consumatori.

Il ruolo crescente dell’IA nello shopping rende questa misurazione sempre più importante. I consumatori possono ora usare l’IA per ricercare i prodotti, confrontare le opzioni e restringere una decisione di acquisto prima ancora di visitare il sito di un rivenditore.

I marchi devono capire cosa accade all’interno di queste conversazioni, ma un monitoraggio più intenso non produrrà automaticamente informazioni migliori. Il valore deriva dal raccogliere abbastanza osservazioni per separare la variazione ordinaria da schemi che persistono.

Le risposte individuali dell’IA continueranno a cambiare. I marketer dovrebbero aspettarselo. La loro attenzione deve concentrarsi sui pattern di raccomandazione che persistono a lungo e su un numero sufficiente di conversazioni rilevanti per giustificare un’azione.