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:
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.
Feb 23, 2026 | LLM (AI)
vir: https://machinelearningmastery.com/top-7-small-language-models-you-can-run-on-a-laptop/
-
Članek predstavi 7 majhnih jezikovnih modelov (SLM), ki realno tečejo na običajnih prenosnikih, z jasnim fokusom na praktične use-case scenarije, ne benchmarke.
-
Ključni parametri pri izbiri so: kontekstno okno, namen (chat, koda, RAG, prototipiranje) in RAM zahteve (4-bit vs 16-bit).
-
Phi‑3.5 Mini izstopa za dolg kontekst in RAG, Llama 3.2 3B kot univerzalni “default”, Qwen 2.5 7B pa kot specialist za kodo in matematiko.
-
Ministral 3 8B in Gemma 2 9B sta “upper bound” za kakovost na prenosniku, SmolLM2 1.7B in Llama 3.2 1B pa ciljata na mobilne/edge/development scenarije.
-
Avtor poudari tudi licenčne omejitve (gated modeli kot Llama/Gemma), potrebo po preverjanju model cardov in praktične namige za lokalni zagon prek Ollama/llama.cpp.
DEJSTVA
-
Članek opisuje 7 SLM modelov: Phi‑3.5 Mini, Llama 3.2 3B, Llama 3.2 1B, Ministral 3 8B, Qwen 2.5 7B, Gemma 2 9B in SmolLM2 1.7B, vse z možnostjo lokalnega pogona.
-
Phi‑3.5 Mini (3.8B) cilja na dolg kontekst (RAG, dolgi dokumenti) in pri 4-bit kvantizaciji potrebuje približno 6–10 GB RAM.
-
Llama 3.2 1B lahko v 4-bit kvantizaciji teče v 2–4 GB RAM, kar jo omogoča na telefonih in drugih edge napravah.
-
Qwen 2.5 7B je pozicioniran kot najboljši za kodo in matematično sklepanje v svojem razredu (7B), z močno usmerjenim treningom na tehnične vsebine.
-
Gemma 2 9B in Ministral 3 8B zahtevata tipično 10–12 GB RAM v 4-bit kvantizaciji in ciljata na kompleksnejše naloge ter produkcijske scenarije na zmogljivejših prenosnikih.
Struktura članka in glavno sporočilo
Članek je vodič za razvijalce, ki želijo lokalno poganjati LLM na prenosniku brez odvisnosti od cloud API-jev. Modelle razvršča po primernosti za tipične naloge (RAG, chat, koda, prototipiranje), ne po “leaderboard” rezultatih. Poudarek je na praktičnih vprašanjih: koliko RAM-a potrebujem, za kaj je model najbolj smiseln in kje dobim uteži (Hugging Face, Ollama).
Za vsakega modela podaja: kratek opis, “best for”, tipične RAM zahteve (4-bit/16-bit) in konkretne ukaze/viri za prenos (npr. ollama pull ..., povezave na HF). Zaključek bralca vodi skozi odločitveno logiko: dolg kontekst → Phi‑3.5, generalni chat → Llama 3.2 3B, koda → Qwen 2.5 itd.
Kratek povzetek modelov
-
Phi‑3.5 Mini (3.8B): dolg kontekst, RAG, tehnična dokumentacija, potrebuje ~6–10 GB RAM (4-bit), idealen za dokumentno intenzivne use-case.
-
Llama 3.2 3B: univerzalni “workhorse” za chat, Q&A, klasifikacijo, povzemanje in customer support; 4-bit potrebuje ~6 GB RAM.
-
Llama 3.2 1B: skrajno učinkovit, za mobilne/IoT/edge scenarije in enostavnejše klasifikacije ali domensko omejen Q&A, 4-bit v 2–4 GB RAM.
-
Ministral 3 8B: optimiziran edge model z zmogljivostjo blizu 13B razreda; namenjen kompleksnejšemu sklepanju, večkrožnim pogovorom in generiranju kode; 4-bit ~10 GB RAM.
-
Qwen 2.5 7B: specialist za kodo in matematično sklepanje, močan pri tehnični dokumentaciji in večjezičnih nalogah (zlasti kitajščina/angleščina); 4-bit ~8 GB RAM.
-
Gemma 2 9B: fokus na varnostnem filtriranju in natančnem sledenju navodilom; primeren za naloge z višjimi varnostnimi zahtevami in kompleksnimi navodili; 4-bit ~12 GB RAM.
-
SmolLM2 1.7B: zelo majhen model za prototipiranje, učenje in enostavne NLP naloge (sentiment, kategorizacija); 4-bit ~4 GB RAM.
Izbor modela in licenčni vidiki
Avtor jasno pove, da se je treba odločati po lastnem use-caseu in omejitvah: dolg kontekst, mobilnost, kvaliteta, koda, hitrost prototipiranja. Nekatere družine (Llama, Gemma) so “gated” in zahtevajo sprejem licence ter včasih avtentikacijo za prenos uteži. Priporočilo je, da se zadnje stanje konfiguracije (kontekst, kvantizacija, licenca) vedno preveri v uradnem model cardu oziroma na strani v Ollama katalogu, ker se revizije in default nastavitve pogosto spreminjajo.
Praktično: vse modele je možno poganjati lokalno, tipično prek runtimov kot llama.cpp ali prek Ollama, ki poenostavi pull in lokalni inference. Članek zaključi z motivacijo, da je vstopna ovira za lokalni AI najnižja doslej – vzemi model, ga preizkusi na svojem konkretnem primeru in iteriraj.
Opazke iz komentarjev
V komentarjih bralci omenjajo dodatne modele (npr. LFM 1.2B) in novejše konfiguracije, vključno z Gemma3 1B na Pixel telefonu prek Termux + Ollama ter uspešnim zagonom 4B modelov na 8 GB RAM prenosnikih. Avtor v odgovorih priznava, da se področje zelo hitro razvija in da bodo potrebne posodobitve članka za vključitev novih modelov in realnih konfiguracij iz prakse.
