AI‑handel beveger seg ikke så raskt som merkevarer tror

AI har raskt blitt en del av hvordan forbrukere undersøker produkter. Adobe Analytics fant at trafikken fra generative AI‑verktøy til amerikanske netthandelsnettsteder vokste med 693,4 prosent i feriesesongen 2025 sammenlignet med året før. Ett år tidligere fant Adobe at 39 % av de spurte amerikanske forbrukerne allerede hadde brukt generativ AI til netthandel, der produktundersøkelse og anbefalinger var blant de vanligste bruksområdene.

Teknologiselskapene bak disse systemene har svart ved å integrere shopping direkte i sine AI‑produkter. OpenAI har utviklet shopping‑forskning i ChatGPT for å hjelpe forbrukere med å sammenligne produkter basert på deres behov, preferanser og budsjetter. Google bruker AI til å generere produktanbefalinger og shopping‑innsikt, mens Amazon har utvidet sin AI‑shoppingassistent for å hjelpe forbrukere med å undersøke og velge produkter.

Etter hvert som AI får en større rolle i produktoppdagelse, har merkevarer begynt å følge sin tilstedeværelse i disse anbefalingene med den samme intensiteten som de tidligere brukte på Google‑rangeringer. Markedsførere stiller AI‑modeller de samme produktspørsmålene gjentatte ganger, registrerer hvilke merkevarer som dukker opp og sporer hvordan resultatene endres.

Den tilnærmingen kan gi markedsførere et forvrengt bilde av hvor raskt AI‑handel faktisk utvikler seg.

Stiller du det samme spørsmålet til en AI‑modell ti ganger, kan du få ti forskjellige produktkombinasjoner. Et merke kan vises først i ett svar, fjerde i det neste og forsvinne i et annet. Hvis markedsførere tolker hvert svar som en rangering, antyder resultatene at posisjonen deres endres kontinuerlig.

Generative modeller introduserer variasjon i svarene sine, og markedsførere må ta hensyn til denne variabiliteten før de konkluderer med at et merke har fått eller mistet terreng. Det mest nyttige signalet kommer fra mønstre som vedvarer over et stort antall relevante shopping‑samtaler.

Dataene vi samlet inn fra omtrent 3 300 AI‑shopping‑anbefalingstrender som involverte 186 kombinasjoner av merkevarer, prompt og AI‑modeller, illustrerer forskjellen. Individuelle svar endret seg ofte, mens den bredere fordelingen av anbefalinger forble mye mer konsistent.

For markedsførere er måleenheten like viktig som selve dataene.

Flere spørringer kan få AI‑handel til å virke mer ustabil

Search rankings gave marketers a familiar way to measure digital visibility. A result occupied a position at a particular point in time, and marketers could track that position against competitors.

AI‑anbefalinger krever en annen målemetode fordi systemene genererer svar basert på forbrukerens spørring og kontekst. OpenAI forklarer for eksempel at ChatGPT‑shoppingresultater kan ta hensyn til brukerens spørring og kontekstuell informasjon. Google sier på samme måte at deres shoppingresultater kan reflektere relevans, søkeord, tidligere aktivitet og shoppingpreferanser.

Som følge av dette kan en markedsfører stille det samme generelle spørsmålet flere ganger og se ulike produkter dukke opp.

Tenk deg et løpesko‑merke som vises først i ett svar, fjerde i et annet og ikke i det tredje. Disse tre observasjonene får merkets ytelse til å fremstå ustabil. Over hundrevis av relevante samtaler kan det samme merket imidlertid fange omtrent samme prosentandel av anbefalingene hver uke.

Skillet blir viktig etter hvert som markedsførere øker hyppigheten av overvåkingen. Å kjøre flere spørringer gir flere observasjoner, og flere observasjoner skaper flere muligheter til å se normal variasjon. Et dashbord kan derfor virke stadig mer aktivt selv om den bredere fordelingen av anbefalinger endres svært lite.

Markedsførere trenger nok observasjoner for å avgjøre om den bevegelsen vedvarer. Uten et representativt utvalg kan daglig overvåking få dem til å lete etter forklaringer som har liten sammenheng med endringer i produktene, markedsføringen eller den konkurransesituasjonen.

The consequences extend beyond reporting. Measurement drives decisions about where marketers spend time and money. A company that interprets every daily fluctuation as meaningful may repeatedly change product content, investigate competitors or redirect marketing resources before it has enough evidence to justify those decisions.

Markedsførere må definere hva som teller som meningsfullt

AI shopping measurement needs a threshold that tells marketers when a change deserves investigation.

Et merke som forsvinner fra tre svar gir lite bevis på den bredere ytelsen. Hvis det samme merket mister andel av anbefalinger i hundrevis av relevante shopping‑samtaler, og dette fallet vedvarer i flere uker, har markedsførere en sterkere grunn til å undersøke.

Utvalgsstørrelse er viktig fordi individuelle AI‑svar inneholder variasjon. Tid er viktig fordi vedvarende mønstre gir mer informasjon enn isolerte endringer. Markedsførere bør fastsette begge før de bruker anbefalingsdata til å ta beslutninger.

Modellen spiller også en rolle.

Et merke kan øke andel av anbefalinger i ChatGPT mens ytelsen i Gemini forblir stabil. Markedsførere som kombinerer disse observasjonene til en enkelt AI‑synlighetsscore kan miste nyttig informasjon om hvor endringen skjedde.

Ulike AI‑shopping‑systemer baserer seg på ulik informasjon og fungerer gjennom forskjellige produktopplevelser. OpenAI sier at deres shopping‑forskning kan bruke handelsproduktdata, offentlig tilgjengelig produktinformasjon og andre detaljhandelskilder. Google sier at deres AI‑støttede produktanbefalinger bygger på Shopping‑data samlet fra merkevarer, butikker og andre innholdsleverandører.

Disse forskjellene gir markedsførere en grunn til å undersøke anbefalingsmønstre per modell i stedet for å anta at hvert AI‑system vil bevege seg i samme retning samtidig.

En referanse bygget over flere uker kan gi et utgangspunkt. Markedsførere kan deretter sammenligne nye observasjoner med denne referansen og undersøke endringer som vedvarer over et meningsfullt utvalg.

Andel av anbefalinger forteller merkevarer mer enn rangering

Andel av anbefalinger gir en praktisk måte å måle disse mønstrene på. I stedet for å registrere hvor et produkt dukket opp i ett svar, kan markedsførere måle hvor ofte et merke får en anbefaling på tvers av et representativt sett av relevante forbruker‑spørsmål.

Tenk på en produsent av løpesko. Produktene deres kan dukke opp ofte når forbrukere ber om sko til maratontrening, og sjelden når de spør om terrengløping. Denne forskjellen gir markedsførere nyttig innsikt i hvilke behov AI‑systemene knytter til merket.

En rangering fra et enkelt svar gir mye mindre kontekst. Forskjellen mellom å vises som nummer to og fem kan forsvinne neste gang noen stiller spørsmålet. En konsistent forskjell i andel av anbefalinger på tvers av hundrevis av samtaler gir markedsførere et mønster de kan studere.

Andel av anbefalinger kan også hjelpe markedsførere med å identifisere konkurransesvingninger. Hvis et merke vanligvis fanger 30 % av relevante anbefalinger og begynner å fange 40 % over flere uker, kan markedsførere spore hvor denne økningen kom fra.

De kan identifisere hvilke forbruker‑spørsmål som bidro mest til økningen og hvilke AI‑modeller som produserte den. Derfra kan de se på endringer i informasjonen som er tilgjengelig for disse systemene.

Et nytt produkt kan passe en bestemt forbrukerbehov bedre. Forhandlere kan ha lagt til mer komplett produktinformasjon. Kundeanmeldelser eller uavhengig dekning kan gi AI‑systemene ekstra bevis på når et produkt passer til et bestemt bruksområde.

Målet med målingen bør være å nå dette analyse‑nivået. Markedsførere trenger måleparametere som hjelper dem med å identifisere endringer de kan undersøke, i stedet for måleparametere som bare gir mer bevegelse på et dashbord.

AI‑handel gjør anekdoter lett å forveksle med trender

AI‑handel oppmuntrer til anekdotisk måling fordi individuelle svar gir overbevisende bevis.

Et skjermbilde som viser et produkt øverst i en ChatGPT‑anbefaling kan sirkulere gjennom en bedrift på minutter. Det samme gjelder et skjermbilde som viser en stor konkurrent der selskapets eget produkt ikke vises. Begge eksempler føles konkrete fordi ansatte kan se anbefalingen selv.

Ett svar representerer fortsatt én observasjon.

Dette problemet vil vokse etter hvert som forbrukere i større grad stoler på AI under produktundersøkelser. Adobe fant at forbrukere som kom til netthandelsnettsteder fra generative AI‑kilder bla gjennom flere sider og hadde lavere avvisningsrate enn besøkende fra andre trafikkilder. McKinsey har også dokumentert hvordan generative AI‑assistenter kan engasjere forbrukere tidligere i kjøpsreisen, før de har bestemt seg for hva de skal kjøpe.

Den økende påvirkningen gir merkevarer en sterk grunn til å forstå sin posisjon i AI‑anbefalinger. Det øker også kostnaden ved å trekke konklusjoner fra svake bevis.

Merkevarer trenger nok observasjoner for å fastslå hvor ofte AI‑systemer anbefaler produktene deres, hvilke forbruker‑spørsmål som gir disse anbefalingene, og hvordan mønstrene utvikler seg over tid. En referanse gir markedsførere den konteksten de trenger for å gjenkjenne vedvarende bevegelse.

Når markedsførere identifiserer den bevegelsen, kan de undersøke informasjonen AI‑systemene bruker for å forstå produktene deres. De kan gjennomgå nøyaktigheten og fullstendigheten av produktbeskrivelser, forhandlerinformasjon, anmeldelser og uavhengige kilder, og deretter avgjøre om disse kildene gir AI‑systemene nok bevis til å knytte et produkt til forbrukernes uttrykte behov.

Den voksende rollen AI spiller i shopping gjør denne målingen stadig viktigere. Forbrukere kan nå bruke AI til å undersøke produkter, sammenligne alternativer og avgrense et kjøpsbeslutning før de noen gang besøker en forhandlers nettsted.

Merkevarer må forstå hva som skjer i disse samtalene, men mer overvåking vil ikke automatisk gi bedre informasjon. Verdien kommer fra å samle nok observasjoner til å skille vanlig variasjon fra mønstre som vedvarer.

Individuelle AI‑svar vil fortsette å endre seg. Markedsførere bør forvente det. Deres oppmerksomhet bør rettes mot anbefalingsmønstre som vedvarer lenge nok, og over nok relevante samtaler, for å rettferdiggjøre handling.