Zakupy z AI nie rozwijają się tak szybko, jak sądzą marki

Sztuczna inteligencja szybko stała się częścią sposobu, w jaki konsumenci badają produkty. Adobe Analytics odkryło, że ruch z narzędzi generatywnej AI na amerykańskie witryny handlowe wzrósł o 693,4 % w sezonie świątecznym 2025 w porównaniu z poprzednim rokiem. Rok wcześniej Adobe ustaliło, że 39 % ankietowanych konsumentów w USA już korzystało z generatywnej AI przy zakupach online, a badanie produktów i rekomendacje były jednymi z najczęstszych zastosowań.

Firmy technologiczne stojące za tymi systemami odpowiedziały, wbudowując zakupy bezpośrednio w swoje produkty AI. OpenAI opracowało badania zakupowe w ChatGPT, aby pomóc konsumentom porównywać produkty pod kątem ich potrzeb, preferencji i budżetu. Google wykorzystuje AI do generowania rekomendacji produktowych i wglądów zakupowych, a Amazon rozbudował swojego asystenta zakupowego AI, aby pomagać konsumentom w badaniu i wyborze produktów.

Gdy AI odgrywa coraz większą rolę w odkrywaniu produktów, marki zaczęły obserwować swoją obecność w tych rekomendacjach z taką samą intensywnością, jaką kiedyś poświęcały rankingom Google. Marketerzy wielokrotnie zadają modelom AI te same pytania o produkty, rejestrują, które marki się pojawiają, i śledzą, jak te wyniki się zmieniają.

Takie podejście może dawać marketerom zniekształcony obraz tego, jak szybko faktycznie zmienia się AI‑shopping.

Zadając modelowi AI to samo pytanie dziesięć razy, można otrzymać dziesięć różnych kombinacji produktów. Marka może pojawić się jako pierwsza w jednej odpowiedzi, czwarta w kolejnej i zniknąć w jeszcze innej. Jeśli marketerzy interpretują każdą odpowiedź jako ranking, wyniki te sugerują, że ich pozycja zmienia się nieustannie.

Modele generatywne wprowadzają jednak zmienność w swoich odpowiedziach i marketerzy muszą uwzględnić tę zmienność, zanim uznają, że marka zyskała lub straciła pozycję. Bardziej przydatny sygnał pochodzi z wzorców, które utrzymują się w dużej liczbie istotnych rozmów zakupowych.

Dane, które zebraliśmy w około 3 300 trendach rekomendacji zakupowych AI, obejmujących 186 kombinacji marek, zapytań i modeli AI, ilustrują tę różnicę. Poszczególne odpowiedzi zmieniały się często, podczas gdy szerszy rozkład rekomendacji pozostawał znacznie bardziej spójny.

Dla marketerów jednostka pomiaru jest tak samo istotna jak same dane.

Więcej zapytań może sprawić, że zakupy z AI wydają się bardziej zmienne

Rankingi wyszukiwania dawały marketerom znany sposób mierzenia widoczności w sieci. Wynik zajmował określoną pozycję w danym momencie, a marketerzy mogli śledzić tę pozycję w porównaniu z konkurencją.

Rekomendacje AI wymagają innego podejścia pomiarowego, ponieważ systemy generują odpowiedzi w oparciu o zapytanie i kontekst konsumenta. OpenAI, na przykład, wyjaśnia, że wyniki zakupowe ChatGPT mogą uwzględniać zapytanie użytkownika oraz informacje kontekstowe. Google podobnie twierdzi, że jego wyniki zakupowe mogą odzwierciedlać trafność, terminy wyszukiwania, wcześniejsze działania i preferencje zakupowe.

W rezultacie marketer może zadać to samo ogólne pytanie kilkakrotnie i zobaczyć różne pojawiające się produkty.

Wyobraźmy sobie markę butów do biegania, która pojawia się jako pierwsza w jednej odpowiedzi, czwarta w kolejnej i wcale nie występuje w trzeciej. Te trzy obserwacje sprawiają, że wydajność marki wydaje się niestabilna. Jednak w setkach istotnych rozmów ta sama marka może co tydzień uzyskiwać mniej więcej taki sam odsetek rekomendacji.

Rozróżnienie staje się ważne, gdy marketerzy zwiększają częstotliwość monitorowania. Wykonywanie większej liczby zapytań generuje więcej obserwacji, a więcej obserwacji daje więcej okazji do zauważenia normalnej zmienności. Dashboard może więc wydawać się coraz bardziej aktywny, nawet gdy szerszy rozkład rekomendacji zmienia się bardzo nieznacznie.

Marketerzy potrzebują wystarczającej liczby obserwacji, aby określić, czy to ruch utrzymuje się. Bez reprezentatywnej próbki codzienne monitorowanie może skłaniać ich do poszukiwania wyjaśnień, które niewiele mają wspólnego ze zmianami w ich produktach, marketingu czy pozycji konkurencyjnej.

Konsekwencje wykraczają poza raportowanie. Pomiar kształtuje decyzje o tym, gdzie marketerzy inwestują czas i pieniądze. Firma, która interpretuje każdą codzienną fluktuację jako istotną, może wielokrotnie zmieniać treść produktu, badać konkurencję lub przekierowywać zasoby marketingowe, zanim zgromadzi wystarczające dowody uzasadniające te decyzje.

Marketerzy muszą określić, co uznaje się za istotne

Pomiar zakupów AI wymaga progu, który wskaże marketerom, kiedy zmiana zasługuje na zbadanie.

Zniknięcie marki w trzech odpowiedziach dostarcza niewiele dowodów na jej szerszą wydajność. Jeśli ta sama marka traci udział w rekomendacjach w setkach istotnych rozmów zakupowych i ten spadek utrzymuje się przez kilka tygodni, marketerzy mają silniejszy powód do zbadania sytuacji.

Wielkość próby ma znaczenie, ponieważ poszczególne odpowiedzi AI zawierają zmienność. Czas ma znaczenie, ponieważ utrzymujące się wzorce dostarczają więcej informacji niż pojedyncze zmiany. Marketerzy powinni określić oba czynniki, zanim wykorzystają dane o rekomendacjach do podejmowania decyzji.

Model również ma znaczenie.

Marka może zyskać udział w rekomendacjach w ChatGPT, podczas gdy jej wyniki w Gemini pozostają stabilne. Marketerzy, którzy łączą te obserwacje w jedną miarę widoczności AI, mogą stracić przydatne informacje o tym, gdzie nastąpiła zmiana.

Różne systemy zakupów AI korzystają z odmiennych informacji i działają w różnych doświadczeniach produktowych. OpenAI twierdzi, że jego badania zakupowe mogą wykorzystywać dane o produktach od sprzedawców, publicznie dostępne informacje o produktach oraz inne źródła handlowe. Google podaje, że jego rekomendacje produktów wspierane przez AI opierają się na danych Shopping zebranych od marek, sklepów i innych dostawców treści.

Te różnice dają marketerom powód, aby analizować wzorce rekomendacji według modelu, zamiast zakładać, że każdy system AI będzie poruszał się w tym samym kierunku w tym samym czasie.

Podstawa zbudowana na przestrzeni kilku tygodni może stanowić punkt odniesienia. Marketerzy mogą potem porównać nowe obserwacje z tą bazą i badać zmiany, które utrzymują się w istotnej próbce.

Udział w rekomendacjach mówi markom więcej niż pozycja w rankingu

Udział w rekomendacjach oferuje praktyczny sposób pomiaru tych wzorców. Zamiast rejestrować, gdzie produkt pojawił się w jednej odpowiedzi, marketerzy mogą mierzyć, jak często marka otrzymuje rekomendację w reprezentatywnym zestawie istotnych pytań konsumentów.

Weźmy pod uwagę producenta butów do biegania. Jego produkty mogą pojawiać się często, gdy konsumenci pytają o buty do treningu maratonu, a rzadko, gdy pytają o bieganie w terenie. Ta różnica dostarcza marketerom przydatnych informacji o potrzebach, które systemy AI kojarzą z daną marką.

Ranking z pojedynczej odpowiedzi daje znacznie mniej kontekstu. Różnica między pojawieniem się na drugim a piątym miejscu może zniknąć przy następnym zadaniu pytania. Stała różnica w udziale rekomendacji w setkach rozmów dostarcza marketerom wzorzec, który mogą badać.

Udział w rekomendacjach może także pomóc marketerom zidentyfikować ruchy konkurencji. Jeśli marka zazwyczaj uzyskuje 30 % istotnych rekomendacji, a w ciągu kilku tygodni zaczyna zdobywać 40 %, marketerzy mogą prześledzić, skąd pochodzi ten wzrost.

Mogą określić, które pytania konsumentów przyczyniły się najbardziej do wzrostu i które modele AI go wygenerowały. Następnie mogą przyjrzeć się zmianom w informacjach dostępnych dla tych systemów.

Nowy produkt może lepiej odpowiadać określonej potrzebie konsumenta. Detaliści mogą dodać pełniejsze informacje o produkcie. Opinie klientów lub niezależne opracowania mogą dostarczyć systemom AI dodatkowych dowodów, kiedy produkt pasuje do konkretnego scenariusza użycia.

Celem pomiaru powinno być osiągnięcie takiego poziomu analizy. Marketerzy potrzebują metryk, które pomagają im identyfikować zmiany, które można zbadać, a nie metryk, które jedynie generują większy ruch na pulpicie.

Zakupy z AI ułatwiają pomylenie anegdot z trendami

Zakupy z AI zachęcają do pomiarów anegdotycznych, ponieważ pojedyncze odpowiedzi stanowią przekonujące dowody.

Zrzut ekranu pokazujący produkt na szczycie rekomendacji ChatGPT może rozprzestrzenić się w firmie w ciągu kilku minut. To samo dotyczy zrzutu ekranu pokazującego głównego konkurenta, gdy własny produkt firmy nie pojawia się. Oba przykłady wydają się konkretne, ponieważ pracownicy mogą zobaczyć rekomendację na własne oczy.

Jedna odpowiedź nadal stanowi jedną obserwację.

Problem ten będzie narastał, gdy konsumenci będą coraz bardziej polegać na AI podczas badania produktów. Adobe odkryło, że konsumenci trafiający na witryny handlowe z źródeł generatywnej AI przeglądali więcej stron i mieli niższy współczynnik odrzuceń niż odwiedzający z innych źródeł ruchu. McKinsey również udokumentowało, jak asystenci generatywnej AI mogą zaangażować konsumentów wcześniej w ścieżce zakupowej, zanim zdecydują, co kupić.

Rosnący wpływ daje markom silny powód, aby zrozumieć swoją pozycję w rekomendacjach AI. Podnosi to również koszt wyciągania wniosków na podstawie słabych dowodów.

Marki potrzebują wystarczającej liczby obserwacji, aby określić, jak często systemy AI rekomendują ich produkty, które pytania konsumentów generują te rekomendacje i jak te wzorce rozwijają się w czasie. Podstawa daje marketerom kontekst niezbędny do rozpoznania utrzymującego się ruchu.

Gdy marketerzy zidentyfikują ten ruch, mogą zbadać informacje, które systemy AI wykorzystują do zrozumienia ich produktów. Mogą przeanalizować dokładność i kompletność opisów produktów, informacje detalistów, recenzje i niezależne źródła, a następnie określić, czy te źródła dostarczają systemom AI wystarczających dowodów, aby powiązać produkt z potrzebami wyrażanymi przez konsumentów.

Rosnąca rola AI w zakupach sprawia, że pomiar ten staje się coraz ważniejszy. Konsumenci mogą teraz korzystać z AI, aby badać produkty, porównywać opcje i zawężać decyzję zakupową, zanim odwiedzą stronę internetową detalisty.

Marki muszą rozumieć, co dzieje się w tych rozmowach, ale większe monitorowanie nie zapewni automatycznie lepszych informacji. Wartość pochodzi z zebrania wystarczającej liczby obserwacji, aby odróżnić zwykłą zmienność od utrzymujących się wzorców.

Poszczególne odpowiedzi AI będą nadal się zmieniać. Marketerzy powinni się tego spodziewać. Ich uwaga powinna skupiać się na wzorcach rekomendacji, które utrzymują się wystarczająco długo i w wystarczającej liczbie istotnych rozmów, aby uzasadnić działanie.