-
LLM orodja (ChatGPT, Gemini, lastni »shopping agenti«) prevzemajo fazo raziskovanja in odločanja, preden uporabnik sploh obišče spletno trgovino.
-
Kupec na strani trgovca pogosto pride neposredno na izbrano produktno stran, hitro zaključi nakup in skoraj ne vidi oglasov ali drugih površin za odkrivanje.
-
LLM-ji črpajo podatke iz množice virov (spletne strani trgovcev, Reddit, YouTube, Wikipedia), zato se težišče vplivanja premakne v kakovost in zanesljivost produktnih podatkov.
-
Ključni sta dve plasti podatkov: osnovni produktni podatki (cena, zaloga, dostava, ocene) in »intenzijsko usmerjeni atributi« (Q&A, opisi uporabe, kontekst rabe) za generativne in agentne iskalnike (GEO/AEO).
-
Spletna mesta trgovcev ne izginejo, vendar postane produktna stran nova »vstopna stran«, kar za trgovce pomeni druge prioritete pri podatkih, UX in monetizaciji retail media oglaševanja.
Članek opisuje osebno anekdoto: avtorica zamenja fen, izbiro pa v celoti opravi prek ChatGPT (kriteriji, filtriranje, končna odločitev), medtem ko Best Buy dobi le transakcijo – brez vpliva na izbor izdelka in brez izpostavljenosti oglasom. Podobno se po raziskavah več kot polovica ameriških potrošnikov v nakupnem procesu že opira na priporočila AI, tudi fizično v trgovini (npr. med vikendom zahvalnega dne 2025 je 52% potrošnikov pri nakupu v fizičnih trgovinah uporabljalo AI asistenta).
Tehnologija tako premika fazi odkrivanja in odločanja v LLM-je in agentne asistente, medtem ko spletno mesto trgovca ostaja predvsem točka transakcije in vira podatkov za agente.
Vloga LLM-jev in agentov
LLM-ji se razlikujejo od klasičnih kanalov odkrivanja (TV, social, WOM), ker združujejo izjemno široko bazo podatkov v enoten, pogovorni vmesnik, usmerjen v reševanje konkretnega problema uporabnika. Namesto kratkih ključnih besed uporabniki vnašajo stavke in odstavke ter opisujejo svoje omejitve, preference in kontekst.
Agenti ne berejo le strani trgovca, temveč tudi forume, video vsebine, enciklopedije in druge vire, kar pomeni, da morajo blagovne znamke razmišljati širše o tem, katere signale pošiljajo v ekosistem, ne le v svoj katalog.
Kako agenti »zaupajo« produktnim stranem
Pri obisku produktne strani agent najprej interpretira kontekst poizvedbe (cena, hitrost dostave, stil, posebne potrebe), nato pa oceni, ali je določen produkt »vreden zaupanja«. Pri tem preverja:
-
natančnost in konsistentnost cene,
-
kakovost in kvantiteto ocen in mnenj,
-
jasnost podatkov o dostavi in zalogi,
-
popolnost osnovnega opisa in atributov.
Vsi klasični e‑commerce signali (cena, zaloga, ocene, dostava) dobijo dodatno težo, ker delujejo kot filtri, ali bo agent izdelek sploh predlagal v svojih odgovorih.
Osnovni vs. »intenzijsko usmerjeni« podatki
Avtorica (prek sogovornice iz Mirakla) razlikuje med dvema nivojema podatkov:
-
Osnovni produktni podatki: natančne cene, stanje zaloge, opisi, ocene, logistični podatki.
-
Intenzijsko usmerjeni atributi (GEO/AEO): vsebine, ki ustrezajo pogovornemu načinu poizvedb – vprašanja in odgovori, opisi scenarijev uporabe, kontekst (za koga, kdaj, pri čem je izdelek primeren).
Ker LLM-ji procesirajo daljše, kontekstualne poizvedbe, prav ta druga plast pomaga, da se produkt sploh pojavi v »pogovoru« med uporabnikom in agentom.
Posledice za trgovce in retail media
Zaključek članka je, da spletne strani trgovcev ne izginejo, vendar postane njihova primarna vloga dobava kakovostnih, bogatih podatkov AI agentom in sprejem že odločenih kupcev na produktno stran. Če so podatki slabi (napačne cene, malo ocen, skop ali nekontekstualen katalog), postane blagovna znamka nevidna, še preden uporabnik sploh obišče spletno mesto.
V napovedanem nadaljevanju serije bo avtorica obravnavala scenarij, v katerem obiskovalci prihajajo neposredno na posamezne produktne strani (PDP kot nova »domača stran«) ter kakšne priložnosti in tveganja to pomeni za UX, komercialo in oglaševalsko monetizacijo.
DEJSTVA
-
53% ameriških potrošnikov je že opravilo nakup na podlagi priporočil AI.
-
52% potrošnikov je med vikendom Thanksgiving 2025 v fizičnih trgovinah uporabljalo AI asistenta.
-
Na dogodkih po ocenah govorke že okoli 80% udeležencev uporablja LLM za začetek nakupne poti, manjši, a rastoči delež pa tudi dokonča nakup.
-
Mirakl razvija »agentic commerce« rešitve in napredne oglaševalske produkte za trgovce, ki temeljijo na multi‑merchant orkestraciji naročil.
-
Generative Engine Optimization (GEO) oziroma Agentic Engine Optimization (AEO) postajata nova disciplina optimizacije produktnih podatkov za LLM-je in agente.