AI‑шоппинг не развивается так быстро, как полагают бренды

ИИ быстро стал частью того, как потребители исследуют товары. Adobe Analytics обнаружил, что трафик из генеративных ИИ‑инструментов на сайты розничных продавцов в США ростёт на 693,4 % в праздничный сезон 2025 года по сравнению с предыдущим годом. За год до этого Adobe установил, что 39 % опрошенных американских потребителей уже использовали генеративный ИИ для онлайн‑шоппинга, при этом исследование товаров и рекомендации были одними из самых распространённых целей.

Технологические компании, стоящие за этими системами, ответили, внедрив шоппинг непосредственно в свои ИИ‑продукты. OpenAI разработала исследование покупок в ChatGPT, чтобы помочь потребителям сравнивать товары с учётом их потребностей, предпочтений и бюджета. Google использует ИИ для генерации рекомендаций товаров и аналитики покупок, в то время как Amazon расширил свой ассистент покупок на базе ИИ, чтобы помочь потребителям исследовать и выбирать товары.

По мере того как ИИ играет всё большую роль в открытии продуктов, бренды начали внимательно следить за своим присутствием в этих рекомендациях с той же интенсивностью, с которой они раньше отслеживали позиции в Google‑поиске. Маркетологи задают ИИ‑моделям одни и те же вопросы о продуктах многократно, фиксируют, какие бренды появляются, и отслеживают, как меняются эти результаты.

Такой подход может дать маркетологам искажённую картину того, насколько быстро действительно меняется AI‑шоппинг.

Если задать ИИ‑модели один и тот же вопрос десять раз, можно получить десять разных комбинаций товаров. Бренд может появиться первым в одном ответе, четвёртым в следующем и вовсе исчезнуть в другом. Если маркетологи трактуют каждый ответ как рейтинг, такие результаты создают впечатление, что их позиция постоянно меняется.

Однако генеративные модели вносят вариативность в свои ответы, и маркетологам необходимо учитывать эту изменчивость, прежде чем решать, что бренд набрал или потерял позиции. Более полезный сигнал приходит из паттернов, которые сохраняются в большом числе релевантных разговоров о покупках.

Собранные нами данные по примерно 3 300 тенденциям рекомендаций AI‑шоппинга, охватывающим 186 комбинаций брендов, запросов и ИИ‑моделей, иллюстрируют разницу. Индивидуальные ответы часто менялись, тогда как более широкое распределение рекомендаций оставалось гораздо более стабильным.

Для маркетологов единица измерения важна так же, как и сами данные.

Большее количество запросов может сделать AI‑шоппинг более волатильным

Поисковые рейтинги давали маркетологам привычный способ измерять цифровую видимость. Результат занимал определённую позицию в конкретный момент времени, и маркетологи могли отслеживать эту позицию относительно конкурентов.

AI‑рекомендации требуют другого подхода к измерениям, потому что системы генерируют ответы в контексте запроса и ситуации потребителя. OpenAI, например, объясняет, что результаты шоппинга в ChatGPT могут учитывать запрос пользователя и контекстную информацию. Google аналогично заявляет, что его результаты шоппинга могут отражать релевантность, поисковые запросы, предыдущую активность и предпочтения покупателя.

В результате маркетолог может задать один и тот же общий вопрос несколько раз и увидеть разные товары в результатах.

Представьте бренд беговых кроссовок, который появляется первым в одном ответе, четвёртым в другом и вовсе отсутствует в третьем. Эти три наблюдения создают впечатление нестабильной работы бренда. Однако в сотнях релевантных разговоров тот же бренд может захватывать примерно одинаковый процент рекомендаций каждую неделю.

Различие становится важным, когда маркетологи увеличивают частоту мониторинга. Чем больше запросов, тем больше наблюдений, а больше наблюдений создаёт больше возможностей увидеть обычную вариацию. Поэтому панель управления может выглядеть всё активнее, даже если общее распределение рекомендаций меняется лишь незначительно.

Маркетологам необходимо собрать достаточное количество наблюдений, чтобы определить, сохраняется ли движение. Без репрезентативной выборки ежедневный мониторинг может заставить их искать объяснения, мало связанные с изменениями в продуктах, маркетинге или конкурентных позициях.

Последствия выходят за рамки отчётности. Измерения влияют на решения о том, куда тратить время и деньги. Компания, которая трактует каждую ежедневную флуктуацию как значимую, может постоянно менять содержание продукта, исследовать конкурентов или перенаправлять маркетинговые ресурсы, не имея достаточных доказательств для обоснования этих действий.

Маркетологам необходимо определить, что считается значимым

Измерение AI‑шоппинга требует порога, который подскажет маркетологам, когда изменение заслуживает расследования.

Исчезновение бренда из трёх ответов даёт мало информации о его общей работе. Если тот же бренд теряет долю рекомендаций в сотнях релевантных разговоров о покупках, и это снижение продолжается несколько недель, у маркетологов будет более веская причина для расследования.

Размер выборки важен, потому что отдельные ответы ИИ содержат вариативность. Время важно, потому что устойчивые паттерны дают больше информации, чем изолированные изменения. Маркетологам следует определить оба фактора, прежде чем использовать данные рекомендаций для принятия решений.

Модель также имеет значение.

Бренд может увеличить долю рекомендаций в ChatGPT, в то время как его показатели в Gemini остаются стабильными. Маркетологи, объединяющие эти наблюдения в один показатель видимости ИИ, могут потерять полезную информацию о том, где произошло изменение.

Разные системы AI‑шоппинга используют различную информацию и работают через разные пользовательские опыты. OpenAI заявляет, что её исследование шоппинга может опираться на данные о товарах продавцов, публично доступную информацию о продуктах и другие розничные источники. Google говорит, что его поддерживаемые ИИ рекомендации опираются на данные Shopping, агрегированные от брендов, магазинов и других поставщиков контента.

Эти различия дают маркетологам повод изучать паттерны рекомендаций по моделям, а не предполагать, что все ИИ‑системы будут двигаться в одном направлении одновременно.

Базовая линия, построенная за несколько недель, может служить точкой отсчёта. Затем маркетологи могут сравнивать новые наблюдения с этой базой и исследовать изменения, сохраняющиеся в значимой выборке.

Доля рекомендаций рассказывает брендам больше, чем рейтинг

Доля рекомендаций предлагает практический способ измерять эти паттерны. Вместо того чтобы фиксировать, где продукт появился в отдельном ответе, маркетологи могут измерять, как часто бренд получает рекомендацию в репрезентативном наборе релевантных вопросов потребителей.

Возьмём производителя беговых кроссовок. Его товары могут часто появляться, когда потребители ищут обувь для марафонских тренировок, и редко — когда речь идёт о трейл‑беге. Эта разница даёт маркетологам полезную информацию о потребностях, которые ИИ‑системы ассоциируют с брендом.

Рейтинг из отдельного ответа даёт гораздо меньше контекста. Разница между вторым и пятым местом может исчезнуть при следующем запросе. Последовательная разница в доле рекомендаций в сотнях разговоров предоставляет маркетологам паттерн для изучения.

Доля рекомендаций также помогает выявлять конкурентные сдвиги. Если бренд обычно захватывает 30 % релевантных рекомендаций, а затем начинает получать 40 % в течение нескольких недель, маркетологи могут отследить, откуда пришёл рост.

Они могут определить, какие вопросы потребителей внесли наибольший вклад в рост, и какие ИИ‑модели его сгенерировали. Затем они могут посмотреть на изменения в информации, доступной этим системам.

Новый продукт может точнее соответствовать конкретной потребности потребителя. Ритейлеры могли добавить более полные данные о товаре. Отзывы клиентов или независимые обзоры могут предоставить ИИ‑системам дополнительные доказательства того, что продукт подходит под определённый сценарий использования.

Цель измерения должна заключаться в достижении такого уровня анализа. Маркетологам нужны метрики, которые помогают выявлять изменения, подлежащие расследованию, а не метрики, просто создающие больше «движения» на панели.

AI‑шоппинг делает анекдоты лёгкими для принятия за тренды

AI‑шоппинг поощряет измерения на основе анекдотов, потому что отдельные ответы выглядят убедительным доказательством.

Скриншот, показывающий продукт в верхней части рекомендации ChatGPT, может распространиться внутри компании за считанные минуты. То же самое относится к скриншоту, где крупный конкурент виден, а собственный продукт компании отсутствует. Оба примера кажутся конкретными, потому что сотрудники могут увидеть рекомендацию собственными глазами.

Один ответ всё равно представляет одно наблюдение.

Эта проблема будет расти, по мере того как потребители всё сильнее полагаются на ИИ при исследовании продуктов. Adobe обнаружил, что потребители, приходящие на сайты ритейлеров из генеративных ИИ‑источников просматривали больше страниц и имели более низкие показатели отказов, чем посетители из других источников трафика. McKinsey также зафиксировал, как генеративные ИИ‑ассистенты могут вовлекать потребителей раньше в процессе покупки, до того как они решат, что купить.

Это растущее влияние даёт брендам вескую причину понять свою позицию в рекомендациях ИИ. Оно также повышает стоимость выводов, основанных на слабых доказательствах.

Брендам необходимо собрать достаточное количество наблюдений, чтобы установить, как часто ИИ‑системы рекомендуют их продукты, какие вопросы потребителей вызывают эти рекомендации и как эти паттерны развиваются со временем. Базовая линия даёт маркетологам контекст, необходимый для распознавания устойчивого движения.

Когда маркетологи определяют такое движение, они могут исследовать информацию, которую ИИ‑системы используют для понимания их продуктов. Они могут проверить точность и полноту описаний товаров, информации ритейлеров, отзывов и независимых источников, а затем решить, дают ли эти источники ИИ‑системам достаточно доказательств, чтобы связать продукт с потребностями, которые выражают потребители.

Растущая роль ИИ в шоппинге делает это измерение всё более важным. Потребители теперь могут использовать ИИ для исследования продуктов, сравнения вариантов и сужения выбора до покупки ещё до того, как посетят сайт ритейлера.

Брендам нужно понимать, что происходит внутри этих разговоров, но более частый мониторинг сам по себе не гарантирует лучшую информацию. Ценность приходит от сбора достаточного количества наблюдений, позволяющих отделить обычную вариацию от устойчивых паттернов.

Индивидуальные ответы ИИ будут продолжать изменяться. Маркетологам следует ожидать этого. Их внимание должно быть сосредоточено на паттернах рекомендаций, которые сохраняются достаточно долго и в достаточном числе релевантных разговоров, чтобы оправдать действия.