AI spreminja ustaljen postopek nakupa: kako lahko trgovci izkoristijo prednost lastništva nad podatki

Feb 23, 2026 | Ecommerce, LLM (AI)

vir: K. Masters

  • LLM-ji (ChatGPT, Gemini, Perplexity) prevzemajo raziskovalni del nakupne poti, zato kupci na splet trgovca pridejo že z izbranim konkretnim izdelkom, brez klasičnega “brskanja”.​

  • To ogroža tradicionalni retail media model, ki je temeljil na onsite vedenjskih signalih (iskanja, ogledi kategorij, sponzorirani produkti) in linearnem atribucijskem modelu.​

  • Nova prednost trgovcev so prva strankina podatkovna baza, transakcijski podatki (“računi”), lojalnost, “product truth” (resnična zaloga, cena, dostava) in možnost sodelovanja v podatkovnih čistih sobah.​

  • Commerce/retail media mora premakniti težišče v offsite aktivacije, podatkovno sodelovanje, uporabo realnočasovnih produktnih podatkov kot medijskega vzvoda in v okrepitev in-store medijev.​

  • Fizična trgovina postaja najbolj odporen del retail media sklopa, ker je ne more posredovati noben LLM; trgovci, ki povežejo fizične signale z mediji in transakcijami, dobijo trajno konkurenčno prednost.​

DEJSTVA

  • Leta 2025 je delež referral prometa na ameriške spletne trgovce iz ChatGPT zrasel z okoli 7% na 16%, del kupcev pa LLM-je uporablja celo med nakupovanjem v fizičnih trgovinah.​

  • LLM-ji prestavijo zgornji in srednji del nakupnega lijaka izven domen trgovcev: uporabnik tam razišče, primerja in izbere konkreten SKU, na splet trgovca pride le še po izvedbo transakcije.​

  • Klasični stebri retail media (onsite obnašanje, sponzorirani produkti, lastni inventar in “čista” atribucija) izgubljajo težo; število signalov, površin in jasnost merjenja se zmanjšujejo.​

  • Ključna nova polja igre:
    – offsite commerce media z uporabo first‑party transakcijskih in lojalnostnih podatkov,
    – podatkovne kolaboracije (retailer–retailer, banke, potovalne in druge commerce mreže v clean rooms),
    – “product truth” (zaloga, cena, dostava, vračila) kot pogoj za pametno serviranje oglasov,
    – agresivno vlaganje v in-store medijske površine in merjenje.​

  • Trgovci morajo ohraniti lastništvo nad podatki, izpolnitvijo in checkoutom; kdor kontrolira blagajno, kontrolira “račun”, torej scoreboard za oglaševalce.​

Izbrane omembe/povzetki

  • Primer nakupa: odločitev za nov hair styling tool uporabnica sprejme na podlagi interakcije z ChatGPT (izbor modela Shark Ninja Glossi), šele nato izbere trgovca glede na ceno in dostavo.​

  • Poudarjeno je, da problem ni v tem, da trgovec ne bi naredil prodaje, temveč v tem, da se raziskovalni in primerjalni del poti zgodi zunaj njegovih kanalov, kar ubija ključne signale za retail media.​

  • Kot nujno novo “default stanje” se navaja podatkovno sodelovanje (npr. med velikim živilskim trgovcem in specializiranim trgovcem v baby/beauty/elektroniki) v podatkovnih čistih sobah za dokazovanje inkrementalnosti in share shift.​

  • Koncept “product truth” (aktualna zaloga, cena, dostava, pick‑up, politika vračil) je predstavljen kot medijski vzvod, ki ga LLM‑ji zaradi zastarelih, web-scrapanih podatkov ne morejo zanesljivo zagotavljati.​

  • In-store mediji (primeri: Sam’s Club, Instacart Caper Carts, Best Buy Ads) so izpostavljeni kot “trajna arena”, kamor AI ne more poseči, zato so fizične trgovine paradni konj prihodnjega razvojnega vala retail media.​

AI je prevzel brskanje, računi ostajajo trgovcem

Veliki jezikovni modeli (LLM) – kot so ChatGPT, Gemini in Perplexity – vse bolj prevzemajo zgornji in srednji del nakupnega lijaka, kjer sta se prej dogajala raziskovanje in primerjava ponudbe na spletnih straneh trgovcev. Namesto klasičnega brskanja po kategorijah se ključni del odločanja zdaj odvija znotraj AI-asistentov, na strani trgovca pa ostane zgolj zaključek transakcije.​

Za commerce media in retail media mreže to pomeni manj signalov, manj površin za oglase in bolj nejasno merjenje učinkovitosti, vendar ne konec poslovnega modela. Trgovci še vedno edini dejansko “držijo račun” – transakcijske podatke, identiteto kupca, lojalnostne signale in fizično trgovino – in prav ta podatkovna prednost postaja nova os trgovinske oglaševalske strategije.​

AI-enabled shopping: od brskanja do že izbranega SKU

LLM kot novi raziskovalni vmesnik

V praksi AI-enabled shopping pomeni, da kupec izvede raziskavo in ožji izbor izdelkov neposredno znotraj LLM, še preden obišče spletno mesto trgovca. Uporabnik AI opiše svoje potrebe, primerja modele, preveri argumente za in proti, nato pa pride na stran trgovca z že izbranem konkretnim SKU in jasno kupno namero.​

Podatki kažejo, da je delež referral prometa na ameriške spletne trgovce iz ChatGPT v letu 2025 zrasel z približno 7% na 16%, del kupcev pa LLM uporablja celo med nakupom v fizični trgovini. Povedano drugače: AI ne nadomešča zgolj organskega brskanja, temveč prestavlja celoten raziskovalni del poti izven domen trgovca.​

Zakaj je izguba brskanja problem za retail media

Zgornji in srednji del lijaka sta bila tradicionalno temelj retail media mrež, ker tam nastajajo ključni signali in inventar:​

  • vedenjski signali (iskalne poizvedbe, kliki po kategorijah, ogledi produktov),

  • onsite oglasne površine (sponzorirani produkti, bannerni formati, priporočilni moduli),

  • jasna atribucijska pot (ogled oglasa → klik → brskanje → dodaj v košarico → nakup).

Če kupec na stran pride že z izbranim SKU, se ta celotni segment poti skrči, kar vodi v “manj signalov, manj površin in bolj zamegljeno merjenje” – posebej za blagovne znamke, ki so že danes skeptične do metrik retail media.​

Nova igra: commerce media kot ekosistem podatkov, ne le onsite inventarja

Od “onsite sponzoriranih produktov” do podatkovno vodenega commerce media

Ne gre za “pogreb retail media”, temveč za potrebo po novi igri, kjer trgovci stavijo na to, kar še vedno ekskluzivno obvladujejo. Tradicionalni model, v katerem je večina prihodkov izhajala iz onsite sponzoriranih produktnih oglasov, ne bo več zadostoval, ko se raziskovanje premakne v AI, discovery pa razdrobi med družbena omrežja, streaming in druge kanale.​

Nova os strategije commerce media postaja kombinacija first‑party podatkov, podatkovnega sodelovanja, uporabe “product truth” in izkoriščanja fizičnih trgovin kot unikatnega medijskega prostora.​

Ključne konkurenčne prednosti trgovcev

Trgovci še vedno edini nadzorujejo:​

  • transakcijske podatke (“račune”),

  • identiteto kupca in lojalnostne programe,

  • operativno izpolnitev (zaloga, dostava, prevzem),

  • fizične trgovine in in‑store medijske površine,

  • checkout dogodek kot končni “scoreboard” za oglaševalce.

Smernice Bain & Company so zato jasne: trgovec mora zadržati lastništvo nad podatki, izpolnitvijo in checkoutom, saj tisti, ki kontrolira blagajno, kontrolira tudi dokazilo o rezultatu oglaševalske investicije.​

1. Offsite commerce media: napajanje faze navdiha

AI prevzame raziskavo, navdih se začne drugje

Tudi v AI- oblikovani poti nakupa “iskra” ne nastane v LLM, temveč na drugih kanalih – družbena omrežja, vsebinski mediji in video še vedno sprožajo potrebo ali željo po izdelku. Offsite commerce media je že danes postavljena tako, da izkorišča to fazo navdiha: trgovci uporabljajo lojalnostne in transakcijske podatke za identifikacijo kupcev v fazi namere ali preklopa, blagovne znamke pa te segmente aktivirajo v CTV, socialu in iskalnem oglaševanju.​

Tudi če kupec nato za potrditev odločitve obišče LLM, logika ostane ista – konverzija se še vedno zgodi pri trgovcu, račun pa ostane v njegovi podatkovni bazi.​

Kolaborativno licitiranje in ekskluzivnost signalov

Koncept kolaborativnega licitiranja razširi ta pristop: trgovec in blagovna znamka skupaj licitirata na offsite oglasne prikaze na podlagi first‑party pogleda trgovca na “kdo je v trgu”. Blagovna znamka tako poveča verjetnost, da bo pridobila vtis, trgovec pa maksimalizira možnost prodaje – nato pa oba merita učinek v realnih prodajnih rezultatih.​

Kritična točka je, da trgovec ne razvrednoti lastnega ekosistema: če ima vsak dostop do istih občinstev povsod ali so marže (take rate) pretirane, se kupci oglasnega prostora hitro počutijo opeharjene. Ekskluzivnost signalov, površin ali merilnih izidov je bistvo vrednosti commerce media.​

2. Podatkovno sodelovanje (data collaboration) kot “higienski minimum”

Retailer–retailer: ko “mali” delujejo kot veliki

Ko kupci več ne puščajo dovolj sledi na posameznih spletnih mestih, ima commerce media omrežje dve možnosti: sprejeti slepoto ali uvoziti dodatni kontekst iz drugih virov. Prvi vir so drugi trgovci, kjer celo največji v kategoriji koristi sodelovanje z dopolnilnimi mrežami.​

Tipičen primer: velik živilskotrgovski sistem v podatkovni “clean room” sodeluje s specializiranim trgovcem (baby, beauty, elektronika). Skupaj lahko blagovni znamki odgovorita na ključna vprašanja: ali skupna kampanja prinaša več novih kupcev blagovne znamke, ali dosegata različne segmente gospodinjstev in ali izpostavljenost pri enem trgovcu dviga prodajo pri drugem. Tako lahko manjše mreže delujejo “veliko”, brez dejanske konsolidacije.​

Commerce omrežja izven retaila

Drugi del konteksta prihaja od neretailnih commerce mrež (banke, potovanja, kartični programi, hospitality). V ilustrativnem primeru nakupa naprave za urejanje las lahko npr. bančna oglaševalska mreža zazna visoko porabo v frizerskih salonih, hotelska mreža pa korelacijo teh obiskov s poslovnimi potovanji. Blagovna znamka aparatov nato v clean room okolju cilja segment “poslovni popotnik, ki investira v urejen videz”, trgovec pa s transakcijskimi podatki zapre zanko in dokaže vpliv kampanje na konkretne nakupe.​

Takšno sodelovanje zahteva tudi skupne merilne okvire, saj trenutni retail media modeli pogosto implicitno predpostavljajo linearno, zaprto pot na enem trgovcu (oglas → klik → brskanje → nakup). Fragmentacija odkrivanja prek AI, streaminga in sociala pa to predpostavko podre.​

Od obiskov k inkrementalnim prodajam

Namesto obsedenosti z obiski spletne strani se morajo commerce media mreže in partnerji poravnati na metrikah, kot so:​

  • verificirane inkrementalne prodaje,

  • pridobivanje “new-to-brand” kupcev,

  • premik tržnega deleža (share shift),

  • usklajena atribucijska okna.

Ključ je manj v “deljenju surovih podatkov o kupcih”, bolj pa v skupnem dogovoru, kako definirati uspeh v razpršenem okolju.

3. “Product truth” kot nov medijski vzvod

Kaj je “product truth”

Ko kupec na splet trgovca prispe z že izbranim SKU, se klasični retail media taksonomiji (keyword targeting, sponzorirani produkti na podlagi brskanja) skrčijo. Nadomešča jih novo vprašanje: kdo lahko želeni izdelek trenutno zanesljivo dobavi z najmanjšim tveganjem za kupca.​

“Product truth” zajema:​

  • realno stanje zaloge,

  • natančno, ažurno ceno,

  • predviden čas dostave,

  • razpoložljiva okna za prevzem,

  • politiko vračil in nadomestitev.

V dobi “popolne konkurence”, ki jo omogočajo AI- orodja, trgovci sicer tekmujejo na več osi kot zgolj cena, toda te dimenzije morajo biti za kupca berljive in zanesljive.

Zakaj LLM ne morejo držati koraka z resničnostjo

LLM‑ji delujejo na podlagi podatkov, zbranih iz spleta, ki se lahko zastarajo. V opisanem primeru sta ChatGPT in Gemini kupcu vrnila napačno informacijo o znižani ceni pri enem izmed trgovcev, pri čemer je akcija v resnici že potekla.​

Ta razkorak je priložnost: trgovci imajo pod nadzorom “tisto, kar je res v tem trenutku”, AI pa deluje z včerajšnjimi podatki.​

Kako “product truth” monetizirati v commerce media

Za oglaševalce se kontrola nad product truth prevede v otipljivo vrednost:​

  • high‑intent offsite oglasi se prikazujejo le, ko je izdelek na zalogi in na voljo za hiter prevzem ali dostavo,

  • informacije o izpolnitvi (ETA, pickup) v sami kreativi zmanjšajo trenje v odločilnem trenutku,

  • merjenje inkrementalnosti je bolj kredibilno, ker “dvig” ne pomeni le “bili smo edini, ki smo imeli zalogo”.

V AI- preoblikovani poti je zanesljiva, realnočasovna product truth prednost, ki je generični web-scraping ne more jamčiti, zato jo lahko trgovci spremenijo v diferencirano medijsko ponudbo.​

4. Fizična trgovina kot trajno odporna “arena”

Zakaj AI ne more nadomestiti fizične izkušnje

Paradoks novega sveta je, da lahko prav fizična trgovina postane najbolj odporen del retail media sklopa. Noben LLM ne more replicirati fizične prisotnosti, senzoričnega konteksta ali neposredne bližine izdelka, zaradi česar ostane trgovina “tretji prostor” – kombinacija opravila, izleta in navdiha.​

Ko je vse ostalo pretežno digitalno in “kronično online”, se vrednost fizične izkušnje relativno poveča, ne zmanjša.​

Primeri in‑store medijskih inovacij

V praksi trgovci že intenzivno investirajo v in‑store media:​

  • Sam’s Club sistematično širi nabor fizičnih površin, doživetij in merilnih rešitev,

  • Instacart razvija Caper Carts kot ključni del oglaševalske strategije v trgovini,

  • Best Buy Ads izrecno pozicionira prihodnost retail media v fizični trgovini.

Ti primeri kažejo, da so trgovci, pripravljeni vlagati v merljive in‑store formate, v privilegiranem položaju, saj AI ne more posredovati ali prevzeti tega kanala.​

Zaključek: prihodnost commerce media v dobi AI

AI-enabled shopping že danes spreminja temeljne predpostavke retail media: brskanje in raziskovanje se selita v LLM-je, onsite signali se krčijo, klasične poti atribucije pa razpadajo. Vendar trgovci še naprej edini nadzorujejo ključne podatkovne in operativne točke – od računa in identitete kupca do zaloge, izpolnitve in fizične trgovine.​

Commerce media, ki bo uspešno preživela ta “kozmični reset”, bo morala:​

  • agresivno investirati v offsite aktivacije, vezane na dejanske prodajne izide,

  • sodelovati z drugimi trgovci in sorodnimi commerce mrežami v podatkovnih čistih sobah,

  • obravnavati product truth kot samostojen medijski asset,

  • ter podvojiti vlaganja v fizične izkušnje in merljive in‑store formate.

V opisanem primeru je kupec dejansko kupil izbrani izdelek, račun pa zdaj leži v podatkovni bazi konkretnega trgovca – vprašanje je le, ali bo ta trgovec ta signal uporabil za gradnjo vzdržnega commerce media ekosistema, ali pa ga bo prepustil algoritmom drugih.​

Kako dolgo traja, da nov spletni projekt začne rangirati v Googlu (in zakaj Google zavira nove domene)

Feb 23, 2026 | SEO

vir: https://matt-jackson.com/seo-guides/how-long-does-it-take-to-rank-a-new-website-why/

  • Za nov, povsem svež domen običajno traja približno do 1 leta, da začne rangirati za količinsko pomembne ključne besede, čeprav je to močno odvisno od konkurence in signalov zaupanja.​

  • Hitrost rangiranja vplivajo konkurenca ključnih besed, kakovost in količina povratnih povezav, direktni obiski, iskanje blagovne znamke, omembe na družbenih omrežjih, rast števila kakovostnih strani in konverzijska uspešnost.​

  • Google nove domene de facto »sandboxa«, saj želi skozi daljše obdobje preverjati uporabniške signale in konsistentnost, zato stare domene z zgodovino uživajo večje zaupanje.​

  • Lastnik novega projekta ima dve glavni poti: kupiti staro, tematsko sorodno domeno z ohranjeno zgodovino ali pa sprejeti, da bo SEO donos prišel z zamikom in temu prilagoditi finančna pričakovanja.​

  • Avtor svetuje, da se nove strani ne opušča prehitro, ampak se gradi signale zaupanja (vsebina, brand, povezave, uporabniška izkušnja), ob potrebi pa se po pomoč obrnete na SEO svetovalca.​

DEJSTVA

  • Tipičen čas do rangiranja nove domene za resnejše ključne besede: do 12 mesecev, pri čemer je »odvisno« od tržnega konteksta.​

  • Ključni dejavniki: konkurenca, povratne povezave, direktni obiski, brand iskanja, socialni promet, rast kakovostnih strani, konverzijska stopnja.​

  • Stare domene imajo prednost, ker izkazujejo zgodovino služenja uporabnikom in vsebinsko konsistentnost skozi leta.​

  • Google zaupa bolj tistim stranem, pri katerih daljše obdobje vidi pozitivne uporabniške signale in stabilnost, kar zmanjšuje tveganje za zlorabe in manipulacije rezultatov.​

  • Ena izmed strategij za obvoz »sandboxa« je nakup relevantne, nepenalizirane, še indeksirane stare domene in ohranitev iste blagovne znamke.​

AI pregledi še vedno temeljijo na velikih review platformah, čeprav so jim organski obiski v dveh letih padli za ~80–90%

Feb 23, 2026 | SEO

vir: https://seranking.com/blog/review-platforms-in-ai-overviews

image

  • Google v približno 34,5% AI Overview odgovorov navede vsaj eno software review platformo, vendar dve tretjini odgovorov sloni na drugih tipih virov (vendorji, e‑commerce, mediji, skupnosti).​

  • Pet glavnih platform (Gartner Peer Insights, G2, Capterra, Software Advice, TrustRadius) ustvari 88% vseh povezav na review site, kljub velikemu padcu organskega obiska.​

  • Formulacija iskalne poizvedbe močno vpliva: pri poizvedbah z “review/rating” je v 49% AI Overview prisoten review site, pri “best/top” samo v 17,1%.​

  • Review platforme so le 8,5% vseh linkov v AI Overview, a 3 od top 5 domen po številu citatov so prav review strani, kar kaže na visok nivo zaupanja LLM‑jev.​

  • Organski promet G2, Capterra, TrustRadius ipd. je od začetka 2024 do konca 2025 padel za 76–92%, vendar ostajajo ključne za vpliv na nakupne odločitve prek AI Overview, zato morajo SEO‑ji poleg svojih domen aktivno optimizirati prisotnost na teh platformah.​

DEJSTVA

  • Prisotnost v AI Overview: Od 22.729 analiziranih poizvedb z AI Overview je 34,5% odgovorov vsebovalo vsaj eno povezavo na review platformo; povprečen AI Overview ima 9,29 linkov, od tega 0,73 na review site.​

  • Top 5 review platform: Gartner Peer Insights (26% vseh review linkov), G2 (23,1%), Capterra (17,8%), Software Advice (12,8%) in TrustRadius (8,3%) skupaj pokrijejo 88% vseh citatov na review strani.​

  • Vpliv vrste poizvedbe: Pri eksplicitnih “review/rating” poizvedbah 49% AI Overview vključi review platforme (3,17 review linka na odgovor), pri “software/tools” 39,4%, pri “best/top” pa le 17,1%.​

  • Padci organskega prometa: Med začetkom 2024 in koncem 2025 je G2 padel z ~2,56 M na ~397 K obiskov (‑84,5%), Capterra z ~1,63 M na ~179 K (‑89%), TrustRadius za ‑92,2%, Gartner Peer Insights za ‑76,5%.​

  • Vloga za SEO: Čeprav organske seje padajo, so Gartner Peer Insights, G2 in Capterra med najpogosteje citiranimi domenami v AI Overview, zato avtorji svetujejo: vzdržujte in strukturirano optimizirajte zapise na glavnih review platformah, spremljajte nove metrike (AI citati, brand mentions), ne le klasičnega prometa.​

Izstopajoči citati (v originalu)

  • “Review platforms lost 90% of traffic over the past 2 years, yet they top AI Overview citations for commercial queries.”​

  • “Review platforms appear in roughly one-third of AI Overviews.”​

  • “Gartner Peer Insights, G2, Capterra, Software Advice, and TrustRadius account for 88% of all review platform links.”​

  • “There is no clear correlation between AI Overview citations and organic traffic retention.”​

  • “Declining organic traffic to review sites doesn’t mean they’ve lost value. They’re still being used, but increasingly through AI systems rather than traditional searches.”​

Ali še potrebujemo lastno spletno stran v letu 2026?

Feb 23, 2026 | SEO

vir:  https://www.youtube.com/watch?v=IM3UAX3MhnI

  • Googlov Search Relations tim na podcastu “Search Off the Record” ne poda enoznačnega odgovora, temveč ponavlja, da je odgovor “odvisno”.​

  • Lastna spletna stran prinaša prednosti, kot so suverenost nad podatki, nadzor monetizacije, možnost gostovanja orodij in manj odvisnosti od moderiranja platform.​

  • Hkrati navajajo primere podjetij in iger, ki so zgradili milijonske (tudi “bilijonske”) posle zgolj prek družbenih omrežij ali aplikacij, praktično brez klasične spletne strani.​

  • Za mnoge manjše ali lokalne akterje so lahko dovolj družbena omrežja, skupine (npr. WhatsApp) ali app store prisotnost, če je tam njihova ciljna publika.​

  • Če želiš doseči čim širšo javnost in ponujati informacije ali storitve čim več uporabnikom, je spletna stran “verjetno še vedno prava pot” – kot osebno mnenje, ne uradno priporočilo.​

DEJSTVA

  • Tema  je razprava Googlovega Search Relations tima (Gary Illyes, Martin Splitt) o tem, ali podjetja leta 2026 še potrebujejo lastno spletno stran.​

  • Prednosti spletnih strani: nadzor nad podatki in monetizacijo, možnost lastnih storitev (kalkulatorji, orodja), manj odvisnosti od pravil moderiranja tretjih platform.​

  • V študiji v Indoneziji (2015–2016) so podjetja delovala izključno prek družbenih omrežij, dosegala “izjemno prodajo, uporabniške poti in retencijo” brez spletnih strani.​

  • Illyes navaja primere mobilnih iger, ki so postale večmilijonski, celo “bilijonski” posli z zgolj osnovnimi legal stranmi, brez prave spletne prisotnosti.​

  • Gostitelja ne trdita, da je spletna stran nujna za vsako podjetje; splet vidita kot eno od kanalov v razdrobljeni krajini odkrivanja (AI chatbot-i, social, skupnosti, search).​

5 zanimivih navedkov (v izvirniku)

  • “They didn’t give a one-size-fits-all answer.”​

  • “He described their results as having ‘incredible sales, incredible user journeys and retention.’”​

  • “I could set up a website but I never even considered because why? To do what?”​

  • “I’d rather have a nicely curated social media presence that exudes trustworthiness than a website that is not well done.”​

  • “If you want to make information or services available to as many people as possible, a website is probably still the way to go in 2026.”

AI “downstream” Google: padec v Googlu pomeni padec v AI iskanju

Feb 23, 2026 | SEO

vir: https://x.com/glenngabe/status/2024111679966003542

  • Glenn Gabe povzema prispevek Lily Ray, ki analizira povezavo med padci v Google iskanju in padci citatov v AI iskalnikih (ChatGPT, Perplexity ipd.).​

  • V študiji 11 spletnih mest je vsak analizirani podimenik po januarsko–februarski volatilnosti izgubil tako organski Google promet kot število citatov v AI iskanju, povprečno za približno −22,5%.​

  • Ključna teza: ker AI iskalniki intenzivno črpajo in citirajo rezultate iz Googla, udarec v Google vidnosti neposredno zmanjša prisotnost v AI odgovorih.​

  • Avtorja opozarjata, naj se ne uporablja tveganih AEO/GEO taktik (npr. skrite prompt injekcije, cloaking, samopromocijski seznami), ker lahko kratkoročna korist v AI iskanju prinese dolgoročne sankcije v Google/Bing.​

  • Priporočilo za ekipe in stranke: optimizacija za AI iskanje naj nikoli ne poteka na račun klasične SEO skladnosti z iskalniškimi smernicami.​

DEJSTVA

  • Lily Ray je analizirala 11 spletnih mest, ki so močno padla med pozno januarsko in zgodnjo februarsko volatilnostjo v Googlu.​

  • Vseh 11 od 11 podimenikov je zabeležilo padec tako Google organskega prometa kot skupnih AI citatov.​

  • Povprečni padec AI citatov v študiji je znašal približno −22,5%.​

  • Navedene so konkretne tvegane taktike: skrite prompt injekcije, cloaking in samopromocijski listikli kot primeri AEO/GEO praks z možnimi negativnimi SEO posledicami.​

  • Osrednje opozorilo: kazen v Googlu pomeni tudi padec v AI iskanju, ker AI sistemi reciklirajo in citirajo Googlove rezultate.​

»Dark Search« razkrije skriti vpliv LLM-jev na trgovino, ki ga klasična analitika sploh ne zazna​

Feb 22, 2026 | Ecommerce, SEO

vir: https://www.btrmedia.com/resources/podcast

  • Glavna teza: uradni podatki (npr. »<1% prometa iz AI«) dramatično podcenjujejo vpliv LLM-jev na nakupe, ker večina vpliva teče prek t. i. »dark search« in se v analitiki zabeleži kot direct/branded traffic, ne kot AI-referral.​

  • Ključni vzorec: kupci raziskujejo in se odločajo v pogovoru z AI (ChatGPT, Gemini ipd.), na splet trgovca pa pridejo šele v fazi odločenega nakupa, brez tipičnih upper‑funnel signalov (iskanje, brskanje, oglasi).​

  • Posledica za retail media: izginja zgornji del nakupnega lijaka na lastnih kanalih (browse/search podatki), kar erodira podatkovno osnovo za ciljanje in monetizacijo oglasnih inventarjev (on‑ in offsite).​

  • Koncept »dark search« (Malte Landwehr): AI je vplivni, a neatribuiran vir – konkretni primer: 1% klikov iz ChatGPT, a 20% novih leadov se samo‑poročano pripiše ChatGPT, kar razkrije ogromno merilno slepo pego.​

  • Strategija naprej: trgovci ne smejo čakati, da se AI promet jasno pojavi v referral poročilih; morajo eksperimentirati z novimi modeli (npr. skupno oglaševanje CPG + retailer znotraj LLM‑jev, kot pilot Target Roundel z OpenAI) in se naučiti upravljati prehodno obdobje, ko je premik še nepopoln.​

DEJSTVA

  • Pogosto citirani podatek »<1% prometa iz AI« je tehnično pravilen, vendar kot metrika zavaja, ker ignorira odločitve, ki nastanejo v AI pogovorih brez klika iz AI na splet trgovca.​

  • Koncept »dark search« opisuje situacije, ko AI priporoči znamko ali produkt, uporabnik pa kasneje pride prek branded searcha ali direktnega URL‑ja, zato analitika napačno pripiše vir prometa.​

  • Empirični primer: v eni izmed dokumentiranih študij je le 1% klikov prihajalo neposredno iz ChatGPT, vendar je 20% novih leadov samo‑poročano navedlo ChatGPT kot izvor odkritja znamke.​

  • Po oceni Malteja Landwehrja se približno 10% produktnega odkrivanja že danes odvija prek LLM‑jev, še preden uporabnik kadarkoli obišče spletno mesto trgovca.​

  • Targetov Roundel testira modele, kjer Targetovi oglasi tečejo znotraj ChatGPT, kar je zgodnji primer sodelovalnega ponudniškega modela (CPG + retailer) v LLM‑okolju in potencialno nove oblike retail medijev.​

image

Manj kot 1% prometa izhaja iz AI-referralov, vendar LLM asistenti že vplivajo na dvomestni delež odkrivanja izdelkov. Spoznajte koncept »dark search«, posledice za retail medije in strategije za blagovne znamke ter trgovce.​

V zadnjih letih maloprodajo in e‑komerc vse bolj oblikujejo veliki jezikovni modeli (LLM), kot so ChatGPT, Gemini in drugi AI asistenti. Kljub temu številne znamke in trgovci še vedno mirno spijo, ker v analitiki vidijo številko »manj kot 1% prometa iz AI« in sklepajo, da AI še nima resnega vpliva na prodajo.​

Ta številka je tehnično pravilna, vendar strateško zavajajoča. Ne zajema namreč novega pojava, ki ga Malte Landwehr poimenuje »dark search« – fazo odkrivanja in odločanja, ki se zgodi v pogovoru z AI, medtem ko analitika kasneje promet napačno zabeleži kot direct ali branded search. Posledica je, da se vpliv AI močno podcenjuje, medtem ko se realna osnova za retail medije in oglaševalske prihodke tiho erodira.​

Kaj je »dark search« v kontekstu AI in LLM-jev

Definicija dark search

Dark search je izraz za situacije, ko uporabnik odločitev o nakupu sprejme v interakciji z LLM asistentom, vendar končni obisk spletnega mesta nima vidne AI-napotitve in se v analitiki pojavi kot neposreden obisk ali blagovna znamka (branded search). AI torej vpliva na izbor izdelka in trgovca, vendar merilna infrastruktura tej interakciji ne pripiše nobenega kredita.​

Malte Landwehr dark search opiše kot LLM ekvivalent »dark social«: AI priporoči znamko, uporabnik kasneje ročno vpiše domeno, poišče znamko v Googlu ali se vrne pozneje – analitika pa to zabeleži kot neposreden ali organski/blagovni promet, ne kot AI‑referral.​

Ilustrativen primer z realnimi podatki

V enem izmed dokumentiranih primerov je podjetje v analitiki videlo, da le 1% klikov prihaja iz ChatGPT, kar bi sugeriralo, da AI nima pomembne vloge pri pridobivanju novih kontaktov. Ko pa so pogledali samo‑poročano atribucijo pri novih leadih, se je pokazalo, da je kar 20% novih strank navedlo ChatGPT kot kanal, prek katerega so prvič odkrile znamko.​

  • Dashboard na osnovi klikov: AI skoraj nerelevanten (1% klikov).​

  • Samo‑poročana atribucija: AI ključen vir odkrivanja (20% novih leadov).​

Ta prepad med vplivom in atribucijo je jedro problema dark searcha.

Kako LLM asistenti spreminjajo nakupno pot

Odločitev se zgodi veliko pred klikom

Po mnenju Juozasa Kaziukenasa (Marketplace Pulse) smo priča razhajanju med vplivom in atribucijo: ključne odločitve se vse pogosteje sprejemajo v okolju AI, medtem ko analitika vidi le zadnji klik na strani trgovca. Kupci slikajo police v fizični trgovini, pošiljajo fotografije v ChatGPT in sprašujejo, katero znamko izbrati, ali pa prek AI razčlenijo svoje potrebe in prejmejo konkretna priporočila izdelkov.​

Podatki Acosta Group za obdobje okoli zahvalnega dne kažejo, da je več kot polovica kupcev med nakupom v fizični trgovini uporabila AI, pri čemer jih je 18% uporabljalo asistente, kot sta ChatGPT in Gemini. Ta uporaba ne generira nobenega referral klika, a neposredno vpliva na izbiro izdelka.​

Primer: nakup brez zgornjefaznih signalov

Primer tipične lastne izkušnje pri nakupu novega pripomočka za oblikovanje las: potrebo je najprej obdelala s ChatGPT, skupaj z asistentom zožila izbor na konkreten SKU in izbrala trgovca na podlagi cene in časa dostave. Na spletno stran trgovca je prišla z že sprejeto odločitvijo, brez brskanja, primerjav ali interakcije z oglasi na spletnem mestu.​

Za trgovca to pomeni:

  • vidi uspešen nakup,

  • ne vidi nobenega browse/search vedenja,

  • ne dobi uporabnih zgornjefaznih signalov za retail medije.​

Dark search torej ne zmanjšuje nujno števila transakcij v kratkem roku, temveč »izvleče« zgornji del lijaka iz okolja trgovca v okolje LLM‑jev.

Vpliv dark searcha na retail medije

Zakaj je ogrožen temelj retail medijev

Retail mediji niso zgrajeni samo na transakciji, temveč na celotni poti kupca – od brskanja in iskanja, preko primerjav do končnega nakupa. Ključna vrednost je v podatkih o:​

  • iskalnih poizvedbah,

  • brskanju po kategorijah,

  • vzorcih raziskovanja in primerjanja izdelkov.​

Ti podatki napajajo offsite oglaševanje (npr. CTV kampanje, kjer znamka plača za ciljanje kupcev, ki so pred kratkim iskali določeno kategorijo, kot so visoko beljakostni prigrizki). Če se zgornjefazna aktivnost preseli v LLM okolje, se ta podatkovna baza začne tanjšati, še preden se transakcije dejansko premaknejo drugam.​

Landwehr ocenjuje, da se približno 10% produktnega odkrivanja že danes dogaja prek LLM‑jev, kar pomeni, da del ključnih signalov že uhaja iz dosega trgovcev in njihovih medijskih mrež.​

Premik monetizacije skupaj s premikom namena

Če se fazi odkrivanja in razmisleka selita v LLM asistente, se bo sčasoma tja preselila tudi monetizacija. Destaney Wishon opozarja, da se industrija preveč osredotoča na agentične nakupe znotraj ChatGPT (t. i. »instant checkout«), medtem ko je resnično disruptiven del prav sedanja sprememba v zgornjem delu nakupnega lijaka.​

Trenutno:

  • namera se oblikuje v LLM,

  • transakcija se še vedno zgodi na strani trgovca,

  • podatki in oglaševalski prihodki se premikajo počasneje kot vedenje kupcev.​

Retailerji, ki čakajo, da se AI promet jasno pokaže v referral poročilih, bodo ta premik zaznali prepozno.

Partnerstva med LLM-ji in trgovci: grožnja ali nova priložnost?

Primer Target Roundel in OpenAI

V članku je izpostavljeno partnerstvo med OpenAI in nekaterimi trgovci, ki AI že uporabljajo kot nov medijski kanal. Targetov oglaševalski oddelek Roundel testira, kako se Targetovi oglasi prikazujejo v ChatGPT skupaj z izbranimi blagovnimi partnerji, kar praktično deluje kot kolaborativni bidding model med CPG znamko in trgovcem znotraj LLM‑ja.​

Gre za:

  • novo vrsto retail medijev neposredno v pogovornem vmesniku,

  • model, pri katerem AI usmerja odkrivanje in nato namero preusmeri na izbranega trgovca,

  • potencialni win‑win: znamka dobi vidnost v trenutku priporočila, trgovec pa transakcijo in del podatkov.​

AI kot naslednja oblika retail medijev

Če AI začne sistematično usmerjati odkrivanje in namero k določenim partnerskim trgovcem, to ni nujno grožnja, temveč lahko predstavlja naslednjo evolucijo retail medijev. Ključno vprašanje je, kdo bo:​

  • imel privilegiran dostop do LLM‑okolij,

  • nadzoroval formate oglasov in priporočil,

  • upravljal podatkovni tok med AI platformo, trgovcem in znamko.​

Zgodnji primeri, kot je Target Roundel, nakazujejo smer: skupne ponudbe (co‑bidding) med trgovcem in CPG znamko za pridobitev priporočila in transakcije, ki se izvedeta na strani trgovca.​

Strateške posledice za trgovce in blagovne znamke

Merjenje: zakaj je 1% AI prometa napačna referenčna točka

Metrika »<1% prometa iz AI« je kot gledanje skozi ključavnico: tehnično je pravilna, vendar ne pokaže prostora, v katerem se dejansko dogaja odkrivanje in odločanje. Če se strategije medijev in investicije v AI orientirajo po tej številki, bodo trgovci in znamke:​

  • podcenili vpliv AI na odkrivanje,

  • podcenili hitrost erozije zgornjefaznih podatkov,

  • zamudili priložnost za zgodnje pozicioniranje v LLM ekosistemih.​

Dopolnilne metode, kot so samo‑poročana atribucija, raziskave kupcev in kvalitativna analiza nakupnih poti, postajajo nujen del merjenja vpliva AI.​

Operativna dilema: kako krmariti med »pretežno analognim« sedanjikom in AI prihodnostjo

Juozas Kaziukenas citira Alfreda Lina (Sequoia), da pri paradigmatskih premikih ni najtežje napovedati končnega stanja, temveč prehodno obdobje, ko je sistem še nedokončan. Če se podjetje premakne prehitro, investira v infrastrukturo, ki še ni zrela; če se premakne prepozno, brani včerajšnje marže na že preoblikovanem trgu.​

Pri dark searchu to pomeni:

  • čakanje na »čiste« AI‑referral podatke v analitiki je napačna strategija;

  • potrebno je eksperimentirati z LLM‑integracijami, partnerstvi in modeli retail medijev že v fazi, ko atribucija zaostaja za realnostjo;

  • ključno je razumeti, da AI vpliv ni zasnovan tako, da generira klike v skladu z današnjimi atribucijskimi modeli.​

Priporočila: kako se pripraviti na svet dark searcha

Za trgovce (retailerje)

Trgovci lahko proaktivno naslovijo dark search z naslednjimi pristopi:

  • Razvoj ali vključitev AI asistentov v lastne kanale, da del odkrivanja in razmisleka zadržijo v svojem okolju (npr. lastni »Sparky« kot ga uvaja Walmart v drugih člankih avtorice).​

  • Partnerstva z LLM platformami (npr. OpenAI, Google), kjer testirajo formate oglasov in integracije priporočil, podobno kot Target Roundel.​

  • Nadgradnja merjenja z mešanjem kvantitativnih podatkov (klik, seje) in kvalitativnih metod (ankete po nakupu, vprašanje »Kako ste nas odkrili?« z eksplicitno možnostjo »prek AI asistenta«).​

  • Prilagoditev retail media ponudbe tako, da se manj zanaša izključno na onsite browse/search signale in več na kombinacijo first‑party podatkov, lojalnostnih programov in zunanjih signalov.​

Za blagovne znamke (CPG in druge)

Blagovne znamke, ki želijo ostati vidne v svetu dark searcha, naj razmislijo o:

  • Optimizaciji produktnih informacij (opisov, lastnosti, uporabnih scenarijev) tako, da bodo informativne in nedvoumne – LLM‑ji iz njih pogosto generirajo priporočila.​

  • Aktivnem sodelovanju v pilotnih AI oglaševalskih programih trgovcev (npr. Roundel + ChatGPT), kjer se lahko učijo novih formatov zgornjefazne prisotnosti.​

  • Sistematičnem zbiranju samo‑poročanih podatkov o tem, ali so kupci znamko prvič odkrili prek AI asistenta, ter povezovanju teh podatkov s CRM/lead sistemi.​

  • Razvoju vsebin (vodniki, primerjalni opisi, recepti, uporaba izdelkov), ki so zasnovane tako, da jih LLM‑ji lahko uporabijo kot podlago za priporočila, tudi če uporabnik ne omeni blagovne znamke po imenu.​

Zaključek: vpliv je tu, atribucija zaostaja

Dark search pomeni, da je resnični vpliv AI na e‑komerc, retail medije in nakupno pot kupca večji, kot to kažejo klasične metrike prometa in atribucije. Odločitev se vse pogosteje zgodi v pogovoru z LLM, spletno mesto trgovca pa vidi le zaključno fazo – brez bogatih signalov, na katerih je bil zgrajen dosedanji model retail medijev.​

Namesto da čakajo na jasen AI‑referral v analitiki, morajo trgovci in blagovne znamke sprejeti, da je vpliv posreden in slabo izmerjen, vendar realen in naraščajoč. Strategična prednost v naslednjih letih bo pripadala tistim, ki bodo sposobni eksperimentirati z LLM partnerstvi, prilagoditi merjenje in preoblikovati svoje retail media modele še v času, ko je premik nepopoln.