AI‑шопінг не розвивається так швидко, як вважають бренди

Штучний інтелект швидко став частиною того, як споживачі досліджують товари. Adobe Analytics виявив, що трафік від генеративних інструментів ШІ на американські роздрібні сайти виріс на 693.4 % під час різдвяного сезону 2025 року порівняно з попереднім роком. На рік раніше Adobe встановив, що 39 % опитаних споживачів у США вже використовували генеративний ШІ для онлайн‑шопінгу, причому дослідження товарів і рекомендації були серед найпоширеніших застосувань.

Технологічні компанії, які стоять за цими системами, відповіли, вбудувавши шопінг безпосередньо у свої продукти ШІ. OpenAI розробив функцію дослідження покупок у ChatGPT, щоб допомагати споживачам порівнювати товари відповідно до їхніх потреб, уподобань і бюджету. Google використовує ШІ для генерації рекомендацій товарів і інсайтів щодо шопінгу, тоді як Amazon розширив свого асистента ШІ для шопінгу, щоб допомагати споживачам досліджувати та вибирати товари.

Коли ШІ бере на себе все більшу роль у виявленні товарів, бренди почали стежити за своєю присутністю в цих рекомендаціях з тією ж інтенсивністю, яку раніше присвячували рейтингам Google. Маркетологи повторно ставлять ШІ‑моделям одні й ті ж питання про товари, записують, які бренди з’являються, і відстежують, як змінюються результати.

Такий підхід може дати маркетологам спотворену уяву про те, наскільки швидко насправді рухається AI‑шопінг.

Якщо задати ШІ‑моделі одне й те саме питання десять разів, можна отримати десять різних комбінацій товарів. Бренд може з’явитися першим у одній відповіді, четвертим у наступній і зовсім зникнути в іншій. Якщо маркетологи інтерпретують кожну відповідь як рейтинг, ці результати створюють враження, що їхня позиція постійно змінюється.

Генеративні моделі вводять варіативність у свої відповіді, і маркетологам слід враховувати цю змінність, перш ніж робити висновок про те, що бренд набрав або втратив позиції. Корисніший сигнал надходить від шаблонів, які зберігаються протягом великої кількості релевантних розмов про покупки.

Дані, які ми зібрали за приблизно 3 300 тенденцій рекомендацій AI‑шопінгу, що охоплювали 186 комбінацій брендів, запитів і моделей ШІ, ілюструють різницю. Окремі відповіді часто змінювалися, тоді як ширша розподільна модель рекомендацій залишалася значно стабільнішою.

Для маркетологів одиниця вимірювання має таке ж значення, як і самі дані.

Більше запитів може створювати враження більшої волатильності AI‑шопінгу

Рейтинги пошуку давали маркетологам знайомий спосіб вимірювати цифрову видимість. Результат займав певну позицію у конкретний момент часу, і маркетологи могли відстежувати цю позицію щодо конкурентів.

Рекомендації ШІ потребують іншого підходу до вимірювання, оскільки системи генерують відповіді навколо запиту та контексту споживача. OpenAI, наприклад, пояснює, що результати шопінгу в ChatGPT можуть враховувати запит користувача та контекстну інформацію. Google аналогічно зазначає, що його результати шопінгу можуть відображати релевантність, пошукові терміни, попередню активність і вподобання у шопінгу.

У результаті маркетолог може кілька разів задати одне й те саме загальне питання і побачити різні товари, що з’являються у відповідях.

Уявіть бренд кросівок для бігу, який у одній відповіді з’являється першим, у іншій — четвертим, а в третій взагалі не з’являється. Ці три спостереження створюють враження нестабільної продуктивності бренду. Однак у сотнях релевантних розмов той самий бренд може щотижня отримувати приблизно однаковий відсоток рекомендацій.

Різниця стає важливою, коли маркетологи підвищують частоту моніторингу. Більша кількість запитів генерує більше спостережень, а більше спостережень створює більше можливостей побачити нормальну варіацію. Тому панель інструментів може виглядати дедалі активнішою, навіть коли широка розподільна модель рекомендацій змінюється дуже мало.

Маркетологам потрібно достатньо спостережень, щоб визначити, чи зберігається цей рух. Без репрезентативної вибірки щоденний моніторинг може змушувати їх шукати пояснення, які мало пов’язані зі змінами у їхніх продуктах, маркетингу чи конкурентній позиції.

Наслідки виходять за межі звітності. Вимірювання впливає на рішення щодо того, куди витрачати час і гроші. Компанія, яка інтерпретує кожну щоденну коливання як значущу, може постійно змінювати вміст продукту, досліджувати конкурентів або перенаправляти маркетингові ресурси, не маючи достатньо доказів для обґрунтування цих рішень.

Маркетологам потрібно визначити, що вважається значущим

Вимірювання AI‑шопінгу потребує порогу, який підкаже маркетологам, коли зміна заслуговує розслідування.

Бренд, який зникає з трьох відповідей, дає мало доказів щодо його ширшої продуктивності. Якщо той самий бренд втрачає частку рекомендацій у сотнях релевантних розмов про покупки і цей спад триває кілька тижнів, у маркетологів з’являється вагоміша причина для розслідування.

Розмір вибірки важливий, бо окремі відповіді ШІ містять варіативність. Час важливий, бо стійкі шаблони надають більше інформації, ніж ізольовані зміни. Маркетологи мають визначити обидва параметри, перш ніж використовувати дані рекомендацій для прийняття рішень.

Модель також має значення.

Бренд може набувати частки рекомендацій у ChatGPT, тоді як його продуктивність у Gemini залишається стабільною. Маркетологи, які об’єднують ці спостереження в один показник видимості ШІ, можуть втратити корисну інформацію про те, де саме сталася зміна.

Різні системи AI‑шопінгу спираються на різну інформацію та працюють через різні товарні досвіди. OpenAI стверджує, що його дослідження шопінгу може використовувати дані про товари від продавців, публічно доступну інформацію про товари та інші роздрібні джерела. Google зазначає, що його рекомендації товарів, підтримані ШІ, базуються на даних Shopping, зібраних від брендів, магазинів та інших постачальників контенту.

Ці відмінності дають маркетологам підставу вивчати шаблони рекомендацій за моделлю, а не припускати, що кожна система ШІ рухатиметься в одному напрямку одночасно.

Базова лінія, сформована протягом кількох тижнів, може слугувати точкою відліку. Потім маркетологи можуть порівнювати нові спостереження з цією базою і розслідувати зміни, які зберігаються у значущій вибірці.

Частка рекомендацій розповідає брендам більше, ніж ранг

Частка рекомендацій пропонує практичний спосіб вимірювати ці шаблони. Замість того, щоб фіксувати, де товар з’явився в одній відповіді, маркетологи можуть вимірювати, як часто бренд отримує рекомендацію у репрезентативному наборі релевантних питань споживачів.

Уявімо виробника кросівок для бігу. Його товари можуть часто з’являтися, коли споживачі запитують про взуття для підготовки до марафону, і рідко — коли запитують про трейл‑ранінг. Така різниця дає маркетологам корисну інформацію про потреби, які ШІ‑системи асоціюють з брендом.

Ранг окремої відповіді надає значно менше контексту. Різниця між другим і п’ятим місцем може зникнути під час наступного запиту. Постійна різниця в частці рекомендацій у сотнях розмов дає маркетологам шаблон, який можна вивчати.

Частка рекомендацій також може допомогти маркетологам виявити конкурентний рух. Якщо бренд зазвичай захоплює 30 % релевантних рекомендацій, а потім протягом кількох тижнів піднімається до 40 %, маркетологи можуть простежити, звідки прийшло це зростання.

Вони можуть визначити, які питання споживачів внесли найбільший внесок у зростання, і які моделі ШІ його створили. Далі вони можуть розглянути зміни в інформації, доступній цим системам.

Новий продукт може точніше відповідати певній потребі споживачів. Рітейлери могли додати більш повну інформацію про товар. Відгуки клієнтів або незалежне висвітлення можуть надати ШІ‑системам додаткові докази того, коли продукт підходить до конкретного випадку використання.

Мета вимірювання має бути досягнення такого рівня аналізу. Маркетологам потрібні метрики, які допомагають ідентифікувати зміни, що підлягають розслідуванню, а не метрики, які просто створюють більше руху на панелі інструментів.

AI‑шопінг полегшує сприйняття анекдотичних даних як трендів

AI‑шопінг заохочує анекдотичне вимірювання, бо окремі відповіді виглядають переконливими доказами.

Скріншот, на якому продукт розташований у верхній частині рекомендації ChatGPT, може розповсюдитися по компанії за кілька хвилин. Так само швидко може поширитися скріншот, що показує великого конкурента, коли власний продукт компанії не з’являється. Обидва приклади здаються конкретними, бо співробітники можуть самі бачити рекомендацію.

Одна відповідь все ще представляє одне спостереження.

Ця проблема зростатиме, оскільки споживачі все більше покладаються на ШІ під час дослідження товарів. Adobe виявив, що споживачі, які потрапляють на роздрібні веб‑сайти з генеративних джерел ШІ, переглядали більше сторінок і мали нижчі показники відмов порівняно з відвідувачами з інших джерел трафіку. McKinsey також задокументував, як генеративні ШІ‑асистенти можуть залучати споживачів раніше у процесі шопінгу, ще до того, як вони вирішили, що купувати.

Зростаючий вплив дає брендам вагому причину розуміти свою позицію в рекомендаціях ШІ. Це також підвищує вартість виведення висновків із слабких доказів.

Брендам потрібно достатньо спостережень, щоб встановити, як часто ШІ‑системи рекомендують їхні продукти, які питання споживачів генерують ці рекомендації і як ці шаблони розвиваються з часом. Базова лінія дає маркетологам контекст, необхідний для розпізнавання стійкого руху.

Коли маркетологи виявляють цей рух, вони можуть дослідити інформацію, яку ШІ‑системи використовують для розуміння їхніх продуктів. Вони можуть перевірити точність і повноту описів товарів, інформації рітейлерів, відгуків і незалежних джерел, а потім визначити, чи надає ця інформація ШІ‑системам достатньо доказів, щоб пов’язати продукт з потребами, які висловлюють споживачі.

Зростаюча роль ШІ у шопінгу робить це вимірювання все більш важливим. Тепер споживачі можуть користуватися ШІ для дослідження товарів, порівняння варіантів і звуження вибору перед тим, як відвідати веб‑сайт рітейлера.

Брендам потрібно розуміти, що відбувається у цих розмовах, проте більше моніторингу не гарантує кращої інформації. Цінність полягає у зборі достатньої кількості спостережень, щоб розрізнити звичайну варіацію від шаблонів, що зберігаються.

Окремі відповіді ШІ продовжуватимуть змінюватися. Маркетологи повинні це очікувати. Їхня увага має зосереджуватись на шаблонах рекомендацій, які зберігаються достатньо довго і у достатньо релевантних розмов, щоб виправдати дію.