Financiering
Wilgot haalt $3 miljoen aan startkapitaal op om de zichtbaarheid van producten in AI-shopping te verbeteren

Belangrijkste puntenWilgot zet bestaande klantvragen en reviews om in rijkere productgegevens waarop…
Meer weergeven
- Wilgot zet bestaande klantvragen en reviews om in rijkere productgegevens waarop AI-assistenten kunnen handelen.
- De feedbackloop van het platform optimaliseert content voor zichtbaarheid en conversie, maar kan niet bepalen wat onafhankelijke assistenten aanbevelen.
- De vroege klantresultaten van Wilgot missen bekendgemaakte meetperioden, waardoor ze veelbelovend zijn in plaats van bewezen benchmarks.
Wilgot heeft $3 miljoen aan startkapitaal opgehaald om retailers te helpen hun producten beter vindbaar en begrijpelijk te maken voor AI-shoppingassistenten, zodat die de producten kunnen aanbevelen. De startup uit Stockholm ontwikkelt wat het Agentische productoptimalisatie (APO) noemt: software die klantkennis omzet in uitgebreidere productinformatie en die informatie voortdurend aanpast aan veranderend winkelgedrag.
Industrifonden leidde de investeringsronde, die Wilgot ook omschrijft als 30 miljoen SEK. Aan de ronde namen ook Luminar Ventures, Foundry Ventures, Ventures Together en Inovexus deel. Onder de angel-investeerders waren Voyado-oprichters Johan Bäckarlin en Johan Hjelte, evenals Niclas Mollin, oprichter van inriver en Occtoo.
Het bedrijf zal het kapitaal gebruiken om zijn platform verder te ontwikkelen en zijn commerciële bereik uit te breiden. Anders Nygren van Foundry Ventures en Andreas Söneby van Industrifonden treden toe tot de raad van bestuur.
Klantkennis omzetten in productinformatie
Een klant die een assistent om een cadeau vraagt voor iemand die graag wandelt, beschrijft waarvoor het cadeau bedoeld is, in plaats van een product bij naam te noemen. Om in een nuttig antwoord te verschijnen, moet de catalogus van een retailer uitleggen welke artikelen bij die situatie passen en waarom. Een foto en een korte marketingbeschrijving laten mogelijk belangrijke vragen onbeantwoord.
Wilgot begint met informatie waarover retailers al beschikken: zoekopdrachten, klantbeoordelingen, supporttickets en retourzendingen. Deze bronnen kunnen inzicht geven in aankoopmotieven, terugkerende vragen en verschillen tussen wat klanten verwachten en wat een product daadwerkelijk biedt. Het platform zet die inzichten om in productpagina’s, productfeeds, veelgestelde vragen en gestructureerde gegevens.
Zo kunnen terugkerende vragen over de pasvorm van een schoen bijvoorbeeld wijzen op ontbrekende informatie over de maatvoering. Door geverifieerde richtlijnen expliciet te vermelden, krijgen zowel klanten als zoekmachines bruikbaarder bewijs. De meerwaarde zit in het achterhalen van een relevant feit en het koppelen daarvan aan het juiste artikel, niet in het simpelweg produceren van een langere beschrijving.
Wilgot positioneert APO als een actieve laag voor verbetering. Met tools voor het monitoren van zichtbaarheid kan worden vastgesteld of een merk voorkomt in het antwoord van een assistent, terwijl productinformatiesystemen catalogusgegevens opslaan en verspreiden. Wilgot richt zich op het aanpassen van de informatie waarmee die systemen en assistenten uiteindelijk werken.
Een feedbacklus voor vindbaarheid en conversie
De website van het bedrijf beschrijft drie stappen: signalen van de vraag ontdekken, productcontent genereren en de resultaten meten. De gegenereerde content bestaat uit titels, beschrijvingen, kenmerken en veelgestelde vragen, in de relevante taal. In de optimalisatielus worden de zichtbaarheid, betrokkenheid en conversieresultaten op Google en in AI-zoekopdrachten gevolgd; vervolgens wordt de content op basis van die signalen aangepast.
Volgens Wilgot is deze aanpak ontwikkeld voor catalogi met tienduizenden producten. In het persbericht over de financiering staat dat het platform reinforcement learning gebruikt om productinformatie op basis van prestatiegegevens te verbeteren en content in meer dan 100 talen ondersteunt.
In de praktijk geeft de feedbacklus het systeem een manier om na publicatie te leren welke aanpassingen nuttig zijn. In het persbericht worden het ontwerp van de beloningsfunctie en de modelarchitectuur niet toegelicht; die details vallen dus buiten de openbare beschrijving. Het geclaimde leerproces vindt plaats binnen het optimalisatieproces van Wilgot. Dat betekent niet dat een retailer ChatGPT rechtstreeks opnieuw kan trainen of kan bepalen wat een onafhankelijke assistent aanbeveelt.
Gestructureerde productinformatie speelt al een concrete rol in zoekopdrachten. In de documentatie van Google over productvermeldingen wordt uitgelegd hoe Product- en Offer-markup gegevens zoals prijs, beschikbaarheid, verzending en retouren beschikbaar kan maken voor winkelervaringen. Dat laat zien hoe belangrijk het is om productgegevens expliciet te vermelden, al is in aanmerking komen voor een zoekfunctie iets anders dan een gegarandeerde aanbeveling.
Het bredere vraagstuk is herkenbaar bij het voorbereiden van productgegevens voor AI-shopping: zelfs vloeiende antwoorden zijn afhankelijk van nauwkeurige onderliggende gegevens. Een contentsysteem moet onderscheid blijven maken tussen een geverifieerde productspecificatie, de mening van een klant en een gevolgtrekking over de geschiktheid. Anders kan een product door betere zichtbaarheid ook een niet-onderbouwde bewering verder verspreiden.
Vroege klanten en het oprichtersteam
Wilgot noemt Daniel Wellington, J.Lindeberg, Myrqvist en Signify als klanten. Volgens de aankondiging van de financiering steeg de netto-omzet met 20% op de productpagina’s van Daniel Wellington die door Wilgot waren geoptimaliseerd, terwijl 7% van de klanten van Myrqvist nu via ChatGPT binnenkomt.
Deze cijfers beschrijven verschillende uitkomsten: het ene betreft de verkoop via specifieke productpagina’s, het andere een kanaal voor klantenwerving. Het persbericht vermeldt niet over welke meetperioden het gaat en beschrijft evenmin de onderzoeksopzet. Het zijn vroege commerciële signalen, geen enkele maatstaf die voor alle retailers geldt.
Wilgot werd opgericht in 2024 en brengt medeoprichter en CEO Erik Wikander, medeoprichter en AI-wetenschapper Dr. Mhairi Dunion en medeoprichter en CTO Oleg Danylenko samen. Wikander was eerder marketingdirecteur bij Lendify. Dunion heeft een doctoraat op het gebied van deep reinforcement learning behaald aan de University of Edinburgh, terwijl Danylenko ervaring heeft met datawetenschap bij Klarna, IKEA en Teemyco.
‘Merken besteden te veel tijd aan het meten of AI-assistenten hen noemen, en te weinig tijd aan het geven van een reden aan AI om hun producten aan te bevelen’, zei Wikander in de aankondiging.
De seedronde geeft Wilgot de middelen om die waardepropositie uit te breiden naar meer dan alleen de eerste klanten. De kans ligt in het verbinden van de kennis die verspreid is over de klantinteracties van een retailer met de productgegevens die bepalen wat klanten ontdekken. Nu winkelinterfaces steeds meer op gesprekken zijn gebaseerd, wordt het accuraat, toegankelijk en bruikbaar maken van die kennis een commerciële taak op zich.












