AI‑shopping rör sig inte lika snabbt som varumärken tror

AI har snabbt blivit en del av hur konsumenter undersöker produkter. Adobe Analytics fann att trafiken från generativa AI‑verktyg till amerikanska detaljhandelswebbplatser ökade med 693,4 procent under helgsäsongen 2025 jämfört med föregående år. Ett år tidigare upptäckte Adobe att 39 procent av de tillfrågade amerikanska konsumenterna redan hade använt generativ AI för näthandel, där produktundersökning och rekommendationer var bland de vanligaste användningsområdena.

Teknikföretagen bakom dessa system har svarat genom att integrera shopping direkt i sina AI‑produkter. OpenAI har utvecklat shopping‑forskning i ChatGPT för att hjälpa konsumenter att jämföra produkter utifrån deras behov, preferenser och budgetar. Google använder AI för att generera produktrekommendationer och shoppinginsikter, medan Amazon har utökat sin AI‑shoppingassistent för att hjälpa konsumenter att undersöka och välja produkter.

När AI får en större roll i produktupptäckt har varumärken börjat bevaka sin närvaro i dessa rekommendationer med samma intensitet som de tidigare ägnade åt Googles ranking. Marknadsförare ställer samma produktfrågor till AI‑modeller upprepade gånger, registrerar vilka varumärken som dyker upp och följer hur resultaten förändras.

Denna metod kan ge marknadsförare en förvrängd bild av hur snabbt AI‑shopping faktiskt förändras.

Ställer du samma fråga till en AI‑modell tio gånger kan du få tio olika produktkombinationer. Ett varumärke kan hamna först i ett svar, fjärde i nästa och försvinna i ett annat. Om marknadsförare tolkar varje svar som en ranking antyder resultaten att deras position förändras ständigt.

Generativa modeller inför variation i sina svar, och marknadsförare måste ta hänsyn till den variabiliteten innan de beslutar att ett varumärke har vunnit eller förlorat mark. Den mest användbara signalen kommer från mönster som beständigt återkommer i ett stort antal relevanta shopping‑konversationer.

Data vi samlade in från cirka 3 300 AI‑shopping‑rekommendationstrender med 186 kombinationer av varumärken, prompts och AI‑modeller visar skillnaden. Enskilda svar förändrades ofta, medan den bredare fördelningen av rekommendationer förblev mycket mer konsekvent.

För marknadsförare är mätenheten lika viktig som själva datan.

Fler frågor kan få AI‑shopping att framstå som mer volatil

Sök‑rankningar gav marknadsförare ett bekant sätt att mäta digital synlighet. Ett resultat hade en position vid en viss tidpunkt, och marknadsförare kunde följa den positionen i förhållande till konkurrenter.

AI‑rekommendationer kräver ett annat mätningssätt eftersom systemen genererar svar baserade på en konsuments fråga och kontext. OpenAI förklarar till exempel att ChatGPT‑shoppingresultat kan ta hänsyn till användarens fråga och kontextuell information. Google säger på liknande sätt att deras shoppingresultat kan spegla relevans, sökord, tidigare aktivitet och shoppingpreferenser.

Som ett resultat kan en marknadsförare ställa samma generella fråga flera gånger och se olika produkter dyka upp.

Föreställ dig ett löparskomärkes varumärke som hamnar först i ett svar, fjärde i ett annat och ingenstans i ett tredje. Dessa tre observationer får varumärkets prestation att framstå som instabil. Över hundratals relevanta konversationer kan samma varumärke däremot fånga ungefär samma procentandel av rekommendationerna varje vecka.

Skillnaden blir viktig när marknadsförare ökar hur ofta de följer resultaten. Fler frågor ger fler observationer, och fler observationer skapar fler möjligheter att se normal variation. En instrumentpanel kan därför se allt mer aktiv ut även när den övergripande fördelningen av rekommendationer förändras mycket lite.

Marknadsförare behöver tillräckligt många observationer för att avgöra om förändringen består. Utan ett representativt urval kan daglig övervakning få dem att leta efter förklaringar som har lite att göra med förändringar i deras produkter, marknadsföring eller konkurrensposition.

Konsekvenserna sträcker sig bortom rapporteringen. Mätning styr beslut om var marknadsförare lägger tid och pengar. Ett företag som tolkar varje daglig svängning som betydelsefull kan upprepade gånger ändra produktinnehåll, undersöka konkurrenter eller omfördela marknadsföringsresurser innan det finns tillräckliga belägg för besluten.

Marknadsförare behöver definiera vad som räknas som betydelsefullt

Mätning av AI-shopping behöver en tröskel som visar när en förändring förtjänar att undersökas.

Att ett varumärke försvinner från tre svar säger lite om dess övergripande resultat. Om samma varumärke tappar andel av rekommendationerna i hundratals relevanta shoppingkonversationer och nedgången fortsätter i flera veckor, har marknadsförare starkare skäl att undersöka saken.

Urvalets storlek spelar roll eftersom enskilda AI-svar varierar. Tiden spelar roll eftersom bestående mönster ger mer information än isolerade förändringar. Marknadsförare bör fastställa båda innan de använder rekommendationsdata för att fatta beslut.

Modellen spelar också roll.

Ett varumärke kan öka sin rekommendationsandel i ChatGPT medan resultatet i Gemini förblir stabilt. Marknadsförare som slår ihop observationerna till ett enda mått på AI-synlighet kan förlora användbar information om var förändringen skedde.

Olika AI-shoppingsystem använder olika information och erbjuder olika produktupplevelser. OpenAI uppger att dess shoppingresearch kan använda handlares produktdata, offentligt tillgänglig produktinformation och andra detaljhandelskällor. Google uppger att dess AI-stödda produktrekommendationer bygger på shoppingdata som samlats från varumärken, butiker och andra innehållsleverantörer.

Dessa skillnader ger marknadsförare anledning att undersöka rekommendationsmönster per modell, i stället för att anta att alla AI-system rör sig åt samma håll samtidigt.

En baslinje som byggs upp under flera veckor kan fungera som referenspunkt. Marknadsförare kan sedan jämföra nya observationer med den och undersöka förändringar som består i ett tillräckligt stort urval.

Rekommendationsandel säger mer än placering

Rekommendationsandel är ett praktiskt sätt att mäta dessa mönster. I stället för att registrera var en produkt dök upp i ett svar kan marknadsförare mäta hur ofta ett varumärke rekommenderas i ett representativt urval av relevanta konsumentfrågor.

Tänk på en tillverkare av löparskor. Produkterna kan ofta dyka upp när konsumenter frågar efter skor för maratonträning och sällan när de frågar om terränglöpning. Skillnaden ger marknadsförare användbar information om vilka behov AI-systemen förknippar med varumärket.

En placering i ett enskilt svar ger mycket mindre sammanhang. Skillnaden mellan andra och femte plats kan försvinna nästa gång någon ställer frågan. En konsekvent skillnad i rekommendationsandel över hundratals konversationer ger marknadsförare ett mönster att studera.

Rekommendationsandel kan också hjälpa marknadsförare att identifiera förändringar i konkurrensläget. Om ett varumärke normalt får 30 procent av de relevanta rekommendationerna och börjar få 40 procent under flera veckor, kan marknadsförare spåra varifrån ökningen kom.

De kan identifiera vilka konsumentfrågor som bidrog mest till ökningen och vilka AI-modeller som gav upphov till den. Därefter kan de undersöka förändringar i den information som systemen har tillgång till.

En ny produkt kan passa ett visst konsumentbehov bättre. Återförsäljare kan ha lagt till mer fullständig produktinformation. Kundrecensioner eller oberoende rapportering kan ge AI-systemen ytterligare belägg för när en produkt passar ett visst användningsområde.

Målet med mätningen bör vara att nå den analysnivån. Marknadsförare behöver mått som hjälper dem att identifiera förändringar att undersöka, snarare än mått som bara skapar mer rörelse på en instrumentpanel.

AI-shopping gör det lätt att missta enskilda exempel för trender

AI-shopping uppmuntrar till mätning utifrån enskilda exempel eftersom individuella svar kan kännas övertygande.

En skärmbild där en produkt ligger överst i en ChatGPT-rekommendation kan spridas genom ett företag på några minuter. Detsamma gäller en skärmbild där en stor konkurrent syns men företagets egen produkt saknas. Båda exemplen känns konkreta eftersom medarbetarna själva kan se rekommendationen.

Ett svar är fortfarande bara en observation.

Problemet kommer att växa när konsumenter förlitar sig mer på AI när de undersöker produkter. Adobe fann att konsumenter som kom till detaljhandelswebbplatser från generativa AI-källor besökte fler sidor och hade lägre avvisningsfrekvens än besökare från andra trafikkällor. McKinsey har också dokumenterat hur generativa AI-assistenter kan engagera konsumenter tidigare i köpresan, innan de har bestämt vad de ska köpa.

Det växande inflytandet ger varumärken starka skäl att förstå sin position i AI-rekommendationer. Det ökar också kostnaden för att dra slutsatser på svaga grunder.

Varumärken behöver tillräckligt många observationer för att fastställa hur ofta AI-system rekommenderar deras produkter, vilka konsumentfrågor som ger dessa rekommendationer och hur mönstren utvecklas över tid. En baslinje ger marknadsförare det sammanhang som behövs för att känna igen bestående förändringar.

När marknadsförare identifierar en sådan förändring kan de undersöka den information AI-systemen använder för att förstå produkterna. De kan granska riktigheten och fullständigheten i produktbeskrivningar, återförsäljarinformation, recensioner och oberoende källor och sedan avgöra om dessa källor ger systemen tillräckliga belägg för att koppla en produkt till de behov konsumenterna uttrycker.

AI:s växande roll i shopping gör denna mätning allt viktigare. Konsumenter kan nu använda AI för att undersöka produkter, jämföra alternativ och avgränsa ett köpbeslut innan de ens besöker en återförsäljares webbplats.

Varumärken behöver förstå vad som händer i de konversationerna, men mer övervakning ger inte automatiskt bättre information. Värdet ligger i att samla tillräckligt många observationer för att skilja normal variation från bestående mönster.

Enskilda AI-svar kommer att fortsätta förändras. Det bör marknadsförare förvänta sig. Deras uppmärksamhet bör riktas mot rekommendationsmönster som består tillräckligt länge och i tillräckligt många relevanta konversationer för att motivera åtgärder.