李特斯·尤利斯（Rytis Ulys）拥有八年以上的分析和咨询经验，曾在多家创业公司和企业组织中担任过各种职务。目前，他正在奥克斯实验室（Oxylabs）领导一个由十一名数据专业人员组成的团队，奥克斯实验室是一家领先的网络智能采集平台。作为数据架构、工程和高级人工智能建模领域的知名和受尊敬的思想领袖，他将在今年的奥克斯会议（OxyCon）上分享他的专业知识。
人工智能工具的持续发展对电子商务产生了深远的影响。消费者越来越多地使用生成式人工智能工具，如ChatGPT，来搜索、选择和购买产品，这一发展影响了电子商务营销漏斗的每个层级。同时，零售商正在使用人工智能工具来收集实时的公共网络数据，用于动态定价、需求预测和库存管理等目的。最重要的是，这些变化正在迅速发生，电子商务零售商需要跟上节奏。根据研究，67%的客户认为公司没有足够快地响应他们的变化需求。2025年的电子商务旺季，从黑色星期五到年末假日，是客户如何使用人工智能以及零售商如何适应和利用它的第一次重大考验。从SEO到GEO根据Adobe Analytics的数据，来自生成式人工智能工具如ChatGPT、Perplexity和Claude的流量从2024年7月到2025年2月增加了1200%。同时，一项调查发现，23%的购物者计划在这个假日季节使用聊天机器人和人工智能工具，这个数字在Z世代和千禧一代中增加到42%以上。人工智能的影响现在已经超出了产品发现，OpenAI最近推出了ChatGPT的即时结账功能，使购物者无需离开工具即可进行购买。目前，这一功能在Etsy和一些Shopify商店上可用。这些发展意味着电子商务零售商必须重新思考内容、营销和销售。咨询公司Bain估计，相当一部分消费者现在依赖零点击结果（人工智能概述而不是访问网站）在40%的搜索中。这意味着零售商网站的流量减少，尽管从人工智能来源到达网站的用户的转化率更高。在这种情况下，虽然传统的搜索引擎优化（SEO）策略仍然相关，但人工智能工具在购物中的使用趋势很明显，因此出现了生成式引擎优化（GEO）。GEO为电子商务商家带来了许多新挑战。驱动生成式人工智能工具的大型语言模型（LLM）在分析品牌时会评估声誉、可信度和可靠性。因此，零售商需要努力建立自己的可信度，特别是通过获得外部来源的评论或推荐。描述性产品查询GEO的另一个因素是客户在使用生成式人工智能工具时形成查询的不同方式。根据OpenAI的说法，几乎一半的所有查询都使用“询问”模式。美国零售巨头Target的首席信息官和产品官最近声称，他们平台上的25%的搜索请求现在被认为是“描述性查询”，这些查询复杂且成熟。虽然在搜索引擎上，客户可能会搜索“瘦身粉色衬衫”，但在人工智能工具上，同样的查询可能是“商务休闲活动的瘦身粉色衬衫”。对于这样的描述性查询，产品描述需要被改编。例如，在产品页面上，GEO的最佳实践建议包括更详细的产品描述，以精确编写的FAQ形式。这使人工智能爬虫能够轻松识别哪些查询与您的产品相符。数字沙盒用于GEO在一个讽刺的转折中，人工智能被用来帮助内容分析和GEO。哥伦比亚商学院的研究人员正在使用大型语言模型（LLM）创建“数字孪生”，这些数字孪生模拟人类行为。当输入特定产品时，LLM会生成具有购物者角色、包括姓名、年龄、职业和偏好的数字孪生。然后，这个数字孪生会在ChatGPT上进行相关搜索，以查看公司的产品在搜索结果中排名如何。公司可以利用生成式人工智能根据这些数字孪生的发现来调整其产品的描述和呈现。这种“数字沙盒”方法可以成为电子商务公司进行GEO的有效方法，但它并非没有风险。人工智能代理具有自己的偏见，这可能会影响它们的表现和行为。然而，这些方法为电子商务智能提供了一种潜在的前进途径。人工智能驱动的数据收集营销漏斗只是电子商务中被人工智能颠覆的一个方面。一个可能更重要的领域是商业智能（BI），这是指使用数据来生成能够改善战略和运营的见解。为了有效地进行BI，电子商务公司需要可靠、最新的数据集，包括外部数据。人工智能现在在收集竞争数据方面发挥着重要作用。提取公共网络数据（如价格和产品描述）的做法多年来一直是电子商务竞争的主要方面。现在，人工智能正在简化这一过程。人工智能启用的工具可以使用自然语言进行提示，这意味着无需编码，工程师也不需要花费数小时构建完整的数据收集管道。人工智能还可以收集和过滤适合抓取的URL，例如，通过找到竞争对手网站上特定类别的所有产品页面。随着人工智能购物助手的兴起，电子商务公司也将更倾向于从彼此收集在特定操作完成后出现的数据点，例如最终结账价格。需求预测和实时反应拥有大量实时数据后，零售商可以立即调整价格或营销，并为客户提供最佳的优惠。动态定价是零售商可以使用的最重要和最流行的BI功能之一，根据最近的一项调查，61%的欧洲零售商使用动态定价。然而，同一项调查发现，少于15%的零售商使用算法或人工智能进行此目的，这表明存在机会。利用最新的竞争性定价数据，LLM可以被训练来自动调整定价，这在假日季节等高峰期尤其有用。人工智能可以使用客户需求和库存水平的数据来预测未来的需求。这可以带来多种好处。德勤数字公司已经强调了零售商如何使用人工智能来监控自己的库存，管理库存，并动态下单。此外，人工智能可以帮助分析从网络上收集的数据，以了解品牌如何被看待，从而提供战略层面的见解。开放机会虽然人工智能正在颠覆电子商务营销漏斗，但它也正在创造新的机会。它可以被用来分析和创建地理优化内容。它正在推动收集有价值的实时公共网络数据的努力。人工智能还在分析数据以做出定价、库存和战略决策方面添加价值。当然，还有其他潜在的用途，例如增强的客户支持。像人工智能这样颠覆性的技术总是令人害怕，尤其是对于即将迎来主要销售季的零售商来说。然而，那些对人工智能创造的机会保持开放的零售商可以做得不仅仅是生存。他们可以蓬勃发展。
在整个欧洲，员工面临着日益增长的压力，需要向高层领导展示他们能够掌握最新的工具，以简化业务流程。随着组织加速采用自动化、人工智能、基于云的协作平台和高级数据分析，竞争力和增长越来越多地被定义为公司的数字工具包的强度。例如，要提供数据驱动的洞察力，首先需要数据来分析。互联网是各种商业相关数据的主要来源。然而，网络数据收集需要时间，并依赖于专业的网络抓取知识，例如构建抓取器和修复解析器。即使您拥有这些技能，也需要时间，大多数分析师既没有这些技能，也没有时间。然而，现在，您可以使用基于人工智能的数据收集平台来完成这项工作。这是一个具有可衡量影响的具体用例。希望超越潮流追逐的人工智能的企业应该在其工作流程中寻找类似的用例，这些用例可以被人工智能简化，并找到与这些用例相匹配的工具。此外，任何组织的人工智能采用都取决于提供资源、培训和支持文化，以确保在这些技术变革中没有人被落下。揭开“人工智能炒作”的神秘面纱以衡量潜力要真正了解人工智能工具如何简化公司的运营，我们必须首先认识到“人工智能”已经成为媒体热词——一个经常被炒作的词汇，导致失望。人工智能如果不被有效监管，往往会在受控环境之外产生错误、幻觉或偏见输出。由于“人工智能”涵盖了广泛的过程和进步，怀疑论者认为，人工智能的炒作夸大了其当前的能力，媒体报道和投资趋势往往超出了该技术目前可以提供的期望。例如，关于通用人工智能（AGI）的讨论为时过早，因为我们尚未开始解决与之相关的一些关键问题。如果我们退一步，观察切实的成果，迄今为止最显著的突破来自大型语言模型（LLM）。这些系统在自然语言理解、文本生成、代码辅助和推理方面表现出色，而其他大多数人工智能应用仍然处于实验阶段。并且，有迹象表明，LLM的进展将会放缓，所以我们不应该指望每隔几个月就会出现重大突破。对于旨在出色的公司来说，它们必须避开炒作，寻找真正利用人工智能的工具，而不是包装在人工智能外壳中的传统解决方案。鉴于后一种解决方案的丰富性，这也就不足为奇了，95%的公司的人工智能项目都失败了。当评估新产品时，企业应该调查人工智能层到底有多薄，以及是否难以自己构建同样的解决方案。一个公司在引入新颖的做事方式、原创的解决特定问题的方法时，才会超越仅仅使用主要的大型语言模型。通过调查产品的真实性质，而不仅仅是它声称能做什么，并将工具与实际用例匹配，这些用例可以产生可衡量的影响，企业将会发现，在现有的条件下，有足够的机会。人工智能工具和数据使用数据是所有部门都可以从中受益的东西。然而，很少有部门真正能从中受益，因为获取和分析数据需要时间和资源，包括数据专业人员的专业知识。人工智能工具可以在某些情况下消除这些障碍，使数据收集和甚至分析更加便捷。一些 人工智能工具 能够理解和对自然语言提示做出反应。员工不需要学习编码，如果他们可以用普通语言表达出他们需要什么数据，工具就会从互联网上抓取这些数据。例如，如果营销团队想了解客户对最近产品发布的看法，分析师现在可以快速而不依赖于抓取团队就能获取可用的在线数据。另外，构建抓取管道是资源密集型和耗时的。如果企业没有这些资源，LLM可以被使用。使用能够执行网络抓取所有功能的基于人工智能的平台比从头开始构建抓取管道更快。因此，即使是资源丰富的企业也可能更喜欢使用基于人工智能的平台，当他们需要尽快开始收集数据时。组织应该帮助不同学科的员工学习使用这些工具，并提供在线培训和支持。有很多真正有价值的信息可以免费获取。 谷歌 和 Anthropic 提供免费课程，另外，还有很多在线论坛可以分享知识和想法，OxyCon 2025 将包括我的 实践课程，介绍如何使用现有的人工智能工具（如Oxylabs AI Studio和Cursor）创建人工智能驱动的价格比较工具，而无需编码。商业相关人工智能的下一个前沿预计全球人工智能市场将从2025年的3910亿美元增长到2030年的1.8万亿美元。然而，LLM的进展可能会放缓，因为数据和计算资源的限制。基于此，我们可以预计，小型语言模型将会兴起，这些模型需要更少的计算资源，并针对特定任务进行优化。这些模型的另一个优势是，它们可以托管在内部服务器上，这有助于解决一些数据隐私和安全问题。最终，商业中的人工智能的未来将不会被革命性的变化所定义，而是由组织如何有效利用现有的工具来定义。通过消除炒作，关注实际应用，并投资于培训和集成，公司可以在今天解锁真正的生产力收益，同时为下一波创新做好准备。
