Detaljhandlare anpassar sig till AI: Vad som är viktigt i e-handels nya normal

Den pågående utvecklingen av AI-verktyg har en djupgående inverkan på e-handel. Konsumenter använder alltmer generativa AI-verktyg som ChatGPT för att söka, välja och till och med köpa produkter, en utveckling som påverkar varje nivå av e-handelsmarknadsföringskanalen. Samtidigt använder detaljhandlare AI-verktyg för att samla in realtidsdata från webben för ändamål som dynamisk prissättning, efterfrågeprognoser och lagerhantering.

Det viktigaste är att dessa förändringar sker snabbt, och e-handelsdetaljhandlare måste hålla jämna steg. Enligt en undersökning tycker 67% av kunder att företag inte reagerar tillräckligt snabbt på deras förändrade behov. Den toppade e-handelsperioden 2025, som sträcker sig från förberedelserna inför Black Friday till års slut, är det första stora testet av hur kunder använder AI och hur väl detaljhandlare har anpassat sig och kan utnyttja det.

Från SEO till GEO

Enligt Adobe Analytics ökade trafiken till detaljhandlare från generativa AI-verktyg som ChatGPT, Perplexity och Claude med 1 200% från juli 2024 till februari 2025. Samtidigt fann en undersökning att 23% av shoppare planerar att använda chatbots och AI-verktyg under den kommande helgen, och den siffran stiger till över 42% bland generation Z och millennials. Och AI:s inverkan sträcker sig nu bortom produktupptäckt, med OpenAI som nyligen lanserade Instant Checkout för ChatGPT, vilket möjliggör för shoppare att göra köp utan att lämna verktyget. Det är för närvarande tillgängligt på Etsy och vissa Shopify-butiker.

De här utvecklingarna innebär att e-handelsdetaljhandlare måste omvärdera innehåll, marknadsföring och försäljning. Konsultföretaget Bain uppskattar att en betydande majoritet av konsumenter nu förlitar sig på nollklicksresultat (där svar tillhandahålls av en AI-översikt i stället för att besöka en webbplats) i 40% av sina sökningar. Detta innebär mindre trafik till detaljhandlarnas webbplatser, även om konverteringsgraden för de som faktiskt anländer till webbplatserna från AI-källor är högre.

I det här sammanhanget, medan traditionella sökmotortekniker för optimering (SEO) fortfarande är relevanta, är trenden tydligt riktad mot användningen av generativ AI för shopping, vilket har lett till uppkomsten av Generative Engine Optimization (GEO). GEO presenterar e-handelsföretag med en rad nya utmaningar. Stora språkmodeller (LLM) som driver generativa AI-verktyg är utbildade för att utvärdera rykte, trovärdighet och tillförlitlighet när de analyserar varumärken. Därför måste detaljhandlare arbeta hårt för att bygga upp sin trovärdighet, särskilt genom att få recensioner eller rekommendationer från respekterade externa källor.

Beskrivande produktfrågor

En annan GEO-faktor att hantera är den olika sätt kunder formulerar frågor när de använder generativa AI-verktyg. Enligt OpenAI använder nästan hälften av alla frågor “frågande” mönster. Chief Information och Product Officer på den amerikanska detaljhandelsjätten Target hävdade nyligen att 25% av sökfrågorna som görs på deras plattform nu anses vara “beskrivande frågor” som är komplexa och sofistikerade.

Medan en kund på en sökmotor kanske söker efter en “slim-fit rosa skjorta”, kan samma fråga på ett AI-verktyg vara “Slim-fit rosa skjortor för affärskläder”. För beskrivande frågor som dessa behöver produktbeskrivningar anpassas. Till exempel på produktsidor föreslår GEO-bästa praxis att inkludera mycket mer produktbeskrivning i form av exakt skrivna, detaljerade FAQ. Detta möjliggör för AI-crawlrar att enkelt identifiera vilka förfrågningar din produkt skulle vara en bra match för.

Digitala sandlådor för GEO

I en ironisk vändning används AI för att hjälpa till med innehållsanalys och GEO. Forskare vid Columbia Business School använder stora språkmodeller (LLM) för att skapa “digitala tvillingar” som speglar mänskligt beteende. När en specifik produkt matas in genererar LLM en digital tvilling med en shopper-persona, inklusive namn, ålder, yrke och preferenser. Denna tvilling utför sedan relevanta sökningar på ChatGPT för att se hur framträdande företagets produkt är listad. Företag kan sedan utnyttja generativ AI för att anpassa hur deras produkter beskrivs och presenteras, baserat på resultaten från dessa digitala tvillingar.

En “digital sandlåda”-ansats som denna kan vara ett produktivt sätt för e-handelsföretag att genomföra GEO, men det är inte utan risker. AI-agenter har sina egna bias, som kan påverka hur de utför och beter sig. Trots detta erbjuder dessa tillvägagångssätt en potentiell väg framåt inom e-handelsunderrättelser.

AI-drivet datainsamling

Marknadsföringskanalen är bara ett område inom e-handel som störs av AI. Ett potentiellt viktigare område är business intelligence (BI), ett brett begrepp som beskriver insamling och användning av data för att generera insikter som förbättrar strategi och verksamhet. För effektiv BI behöver e-handelsföretag tillförlitliga, uppdaterade datamängder, inklusive externa data. AI spelar nu en viktig roll i insamlingen av konkurrensdata.

Praxis att extrahera offentliga webbdata, såsom priser och produktbeskrivningar, har varit en huvudstad i e-handelskonkurrens under många år. Nu strömlinjeformar AI det. AI-aktiverade verktyg kan utlösas med hjälp av naturligt språk, vilket innebär att ingen kodning krävs, och ingenjörer behöver inte tillbringa timmar med att bygga en fullständig datainsamlingpipeline. AI kan också samla in och filtrera lämpliga URL:er för skrapning, till exempel genom att hitta alla produktsidor för en viss kategori på en konkurrents webbplats.

Med uppkomsten av AI-aktiverade shoppingassistenter kommer e-handelsföretag också att vara mer benägna att samla in datapunkter från varandra som bara visas efter att specifika åtgärder har slutförts, till exempel det slutliga priserna vid kassan.

Efterfrågeprognoser och reaktion i realtid

Med en mängd realtidsdata som samlats in, från konkurrentpriser till lager, kan detaljhandlare justera sina priser eller marknadsföring omedelbart och erbjuda de bästa erbjudandena till kunderna.

Dynamisk prissättning är en av de viktigaste och mest populära BI-funktionerna som detaljhandlare kan använda, och enligt en nylig undersökning använder 61% av detaljhandlare i Europa det. Men samma undersökning fann att mindre än 15% använder algoritmer eller AI för detta ändamål, vilket avslöjar en möjlighet. Genom att utnyttja den senaste datan om konkurrentpriser kan LLM utbildas för att automatiskt justera priser, vilket är särskilt användbart under toppperioder som helgerna.

AI kan använda data om kundefterfrågan och lager för att förutsäga framtida efterfrågan. Detta kan ge flera fördelar. Deloitte Digital har betonat hur detaljhandlare kan använda AI för att övervaka sitt eget lager, hantera lager och placera beställningar dynamiskt. Dessutom kan AI hjälpa till att analysera data som samlats in över webben för att förstå hur ett varumärke uppfattas, vilket ger strategiska insikter.

Öppen för möjligheter

Medan AI stör e-handelsmarknadsföringskanalen skapar det också nya möjligheter. Det kan utnyttjas för att analysera och skapa geo-optimerat innehåll. Det driver insatser för att samla in värdefull realtidsdata från webben. AI lägger också till värde i att analysera data för att fatta beslut om prissättning, lager och strategi. Och det är inte att tala om andra potentiella användningar, såsom förbättrad kundsupport.

Något så störande som AI är alltid skrämmande, särskilt för detaljhandlare som närmar sig sin huvudsakliga försäljningsperiod. Men de som förblir öppna för de möjligheter som AI skapar kan göra mer än att bara överleva. De kan blomstra.