Kitajski “čudež” v razvoju humanoidne robotike

Mar 25, 2026 | NC

VIR: https://www.youtube.com/watch?v=mCUayp_OjTs

image

BISTVO

  • Video prikazuje več incidentov s kitajskimi humanoidnimi roboti, ki padajo, izgubljajo nadzor in poškodujejo gledalce, kar razkrije nizko zanesljivost realnih sistemov za odrom.

  • TSMC-jev izvršni direktor Wei (Way) Ja v govoru poudari, da so kitajski skakalni in plešoči roboti “brezvezna dekoracija”, ker nimajo pravegaa AI, temelječega na visokozmogljivih čipih in senzorjih.

  • Trdi, da je 95–100% “možganov” takšnih robotov (računalniških čipov za AI) izdelanih v TSMC, kar potrjuje tajvansko prevlado v naprednih polprevodnikih.

  • Video ostro kritizira kitajsko industrijo humanoidnih robotov kot PR–in kapitalsko zgodbo: nastopi na državnih galah, strogo skriptirani plesi in zakulisno daljinsko upravljanje, medtem ko je dejanska komercialna uporabnost minimalna.

  • Analiza finančnih podatkov in strokovnih ocen opozarja na mehurček: visoka rast prihodkov in IPO ambicije podjetij, kot je Unitree, temeljijo na subvencijah kapitala, prototipih in marketingu, ne pa na množični realni uporabi v domovih in tovarnah.

DEJSTVA

  • Na razstavi “Tomorrow’s Walker” v Šanghajskem znanstveno-tehničnem muzeju je 8. marca humanoidni robot padel z višine, se raztreščil, kovinski deli in elektronika so se razsuli po tleh, občinstvo pa je ostalo šokirano.

  • V več posnetkih Unitary/Unitree robot med plesom zadane dečka v obraz, drugič pade, krči se kot pri epileptičnem napadu in s sunkom noge udari člana osebja, kar izpostavi varnostna tveganja.

  • TSMC po navedbah Weija proizvaja okrog 95% (če ne 100%) ključnih čipov (“možganov”) za napredne robotske in embodied AI modele, kot sta Nvidia Groot in Cosmos, pri čemer je 2 nm proces že v masovni proizvodnji.

  • Podjetje Unitree načrtuje IPO na šanghajski znanstveno-tehnološki borzi z zbranim kapitalom okoli 4,2 milijarde juanov ter napoveduje pošiljke 30.000 kvadrupedov in 5.500 humanoidnih robotov, prihodke 1,7 milijarde juanov in več kot 600 milijonov juanov čistega dobička po odbitkih.

  • Industrijsko poročilo Goldman Sachs navaja, da med devetimi anketiranimi podjetji s skupaj načrtovanimi >100.000 enotami ni nobenega z resnimi potrjenimi naročili, profesor Li Fei (Stanford) pa ocenjuje, da do resnih komercialnih aplikacij humanoidne robotike lahko mine še 20 let.

CITATI

  • Wei Ja o kitajskih robotih: “Naša soseda, celinska Kitajska, razvija robote, ki lahko skačejo, poskakujejo in skippajo, a so neuporabni, zgolj za razstavo.”

  • “95%, če ne 100%, možganov je izdelanih v mojem podjetju TSMC,” poudari Wei, ko govori o vlogi TSMC pri naprednih AI čipih.

  • Cheetah Mobile predsednik opozarja: “Trenutna raven humanoidnih robotov na Kitajskem ni praktična. Pomembnejša je predstava kot uporabnost, varnost pa je popolnoma nezadostna.”

  • Netizen o gala robotih: “Ne zaupajte robotom s spomladanske gala prireditve – programiranje je večkrat popravljeno, trenje čevljev in tal je natančno izračunano, vse je inscenirano.”

  • Zaključno opozorilo: “Robot brez močnega možgana bo vedno le neuporabna dekoracija,” kar povzame ključno tezo videa o tem, da brez vrhunskih čipov ni prave robotike.

Vektorske baze vs RAG , ko potrebuješ natančne relacije, večstopenjsko sklepanja in razložljivost agentovega spomina.

Mar 25, 2026 | RAG & SLM

VIR
https://machinelearningmastery.com/vector-databases-vs-graph-rag-for-agent-memory-when-to-use-which/

image

BISTVO

  • Članek razloži, kako vektorske baze in grafni RAG služita kot arhitekturi dolgoročnega spomina za AI agente in kdaj je smiselno uporabiti katerega.

  • Vektorske baze predstavljajo podatke kot vektorje v visoko-dimenzionalnem prostoru in so odlične za semantično iskanje po ne-strukturiranem besedilu (pogovori, dokumentacija, koda).

  • Grafni RAG kombinira znanostne grafe in LLM ter modelira svet kot entitete (vozlišča) in relacije (povezave), kar omogoča natančno, večskokovno iskanje in razložljivost.

  • Vektorske baze so enostavnejše za uvedbo, a slabše pri kompleksnih relacijah in natančnih poizvedbah; grafni RAG je dražji in kompleksnejši, a boljši za strukturirane podatke in natančne povezave.

  • Avtor predlaga hibridno arhitekturo: vektorji za začetno semantično iskanje, nato grafni sprehod za natančen kontekst okoli najdenih entitet.

DEJSTVA

  • Članek je objavil Matthew Mayo 5. marca 2026 na portalu MachineLearningMastery v kategoriji “Artificial Intelligence”.

  • Vektorske baze uporabljajo vdelave (embeddings) kot goste vektorje realnih števil, kjer razdalja odraža semantično podobnost.

  • V grafnem RAG so entitete (npr. oseba, podjetje, tehnologija) predstavljene kot vozlišča, relacije (npr. »dela pri«, »uporablja«) pa kot usmerjene ali neusmerjene povezave.

  • Tipični use-case za vektorske baze so pogovorni dnevniki, splošna dokumentacija in široke baze znanja iz surovega besedila.

  • Tipični use-case za grafni RAG so finančni zapisi, odvisnosti kode, kompleksni pravni dokumenti, organizacijske strukture in odobritvene verige.

7 majhnih jezikovnih modelov

Mar 25, 2026 | RAG & SLM

VIR

BISTVO

  • Članek opisuje 7 SLM modelov, ki delujejo na potrošniški strojni opremi in so razvrščeni po primernosti za konkretne use-case scenarije, ne po benchmarkih.

  • Glavne osi izbire so: dolgi kontekst (Phi‑3.5 Mini), splošna vsestranskost (Llama 3.2 3B), ekstremna učinkovitost za rob/telefon (Llama 3.2 1B), večja moč ob še sprejemljivi velikosti (Ministral 3 8B, Gemma 2 9B) ter specializacija za kodo (Qwen 2.5 7B) in prototipiranje (SmolLM2 1.7B).

  • Avtor poudari, da se posamezne uteži, kontekstni limiti in izdaje modelov hitro spreminjajo, zato priporoča, da bralec konkretne variante preveri na model cardih oz. straneh v Ollami.

  • Vsi opisani modeli so na voljo za lokalni prenos prek Hugging Face ali Ollama, pri čemer morata uporabnik za nekatere družine (Llama, Gemma) sprejeti licenčne pogoje in se včasih avtenticirati.

  • Zaključna poanta: vstopni prag za lokalni pogon AI je nizek; izberite eno družino modelov glede na svoj primer uporabe, jo preizkusite na lastnih podatkih in nato iterirajte.

DEJSTVA

  • Phi‑3.5 Mini (Microsoft) ima približno 3,8B parametrov, v 4‑bit kvantizaciji potrebuje približno 6–10 GB RAM, v 16‑bit natančnosti pa približno 16 GB RAM.

  • Llama 3.2 3B (Meta) podpira vsaj 8 jezikov (angleščina, nemščina, francoščina, italijanščina, portugalščina, hindijščina, španščina, tajščina), v 4‑bit načinu potrebuje približno 6 GB RAM.

  • Llama 3.2 1B lahko v 4‑bit kvantizaciji deluje v približno 2–4 GB RAM in je primerna tudi za višji razred pametnih telefonov in IoT naprave.

  • Ministral 3 8B (Mistral AI) cilja na robne namestitve; v 4‑bit kvantizaciji potrebuje približno 10 GB RAM, v 16‑bit pa okrog 20 GB RAM, priporočeno je vsaj 16 GB RAM.

  • Gemma 2 9B (Google) v 4‑bit kvantizaciji potrebuje približno 12 GB RAM, v 16‑bit okoli 24 GB RAM, priporočilo je 16+ GB RAM za resnejšo uporabo.

CITATI

  • »Powerful AI now runs on consumer hardware. The models covered here work on standard laptops and deliver production-grade results for specialized tasks.«

  • »Microsoft’s Phi-3.5 Mini is a top choice for developers building retrieval-augmented generation (RAG) systems on local hardware.«

  • »Meta’s Llama 3.2 3B is the all-rounder. It handles general instruction-following well, fine-tunes easily, and runs fast enough for interactive applications.«

  • »Alibaba’s Qwen 2.5 7B dominates coding and mathematical reasoning benchmarks.«

  • »Hugging Face’s SmolLM2 is one of the smallest models here, designed for rapid experimentation and learning.«

SLM (mali jezikovni modeli) pokrijejo ~80% produkcijskih primerov z do 95% nižjimi stroški kot veliki modeli (LLM )

Mar 25, 2026 | RAG & SLM

VIR: https://machinelearningmastery.com/introduction-to-small-language-models-the-complete-guide-for-2026/

image

BISTVO:

  • Majhni jezikovni modeli (SLM, do ~10B parametrov) zadoščajo za večino tipičnih produkcijskih nalog (chatboti, support, dokumenti) pri bistveno nižjih stroških in latencah.

  • Ključne prednosti SLM-ov so nižji stroški (lokalni GPU namesto API), manjša latenca (50–200 ms lokalno) in boljša zasebnost (on‑prem, brez pošiljanja podatkov v oblak).

  • Sodobni SLM-i (Phi-3 Mini, Llama 3.2 3B, Mistral 7B) z dobro dodelavo dosegajo zmogljivost, primerljivo z bistveno večjimi modeli na ozko usmerjenih domenah.

  • Priporočeni pristop v praksi je hibrid: SLM rešuje ~80% ponavljajočih se, predvidljivih poizvedb, zahtevnih ~20% se preusmeri na velik LLM prek “router” vzorca.

  • Za začetek avtor priporoča: lokalni preizkus (Ollama + Llama/Phi), identifikacijo ponovljivih use‑caseov, fine‑tuning na 500–1000 primerih in lokalno/on‑prem namestitev.

  • Zasebnost: Regulirani sektorji (zdravstvo, finance, pravni sektor) ne smejo pošiljati občutljivih podatkov zunanjim API-jem.
    SLM-i omogočajo tem organizacijam uporabo AI-ja ob hkratnem ohranjanju podatkov na lastnih strežnikih. Brez klicev zunanjih API-jev podatki ne zapustijo vaše infrastrukture.

  • LLM so zasnovani za širino in nepredvidljivost, medtem ko so SLM zgrajeni za globino in ponavljanje. Če vaša naloga zahteva obravnavo kakršnegakoli vprašanja o kateri koli temi, potrebujete široko znanje LLM. Vendar pa, če rešujete isti tip problema na tisoče krat, bo SLM, ki je fino prilagojen za to specifično področje, hitrejši, cenejši in pogosto bolj natančen.

DEJSTVA:

  • Članek je objavljen 24. februarja 2026, avtor je Vinod Chugani na portalu Machine Learning Mastery.

  • SLM je definiran kot model z manj kot 10 milijardami parametrov, tipično med 1B in 7B.

  • Phi‑3 Mini ima približno 3,8B parametrov, Llama 3.2 3B ima 3B parametrov, Mistral 7B pa 7B parametrov.

  • Kvantizacija 7B modela iz 16‑bit (≈14 GB) v 4‑bit zmanjša pomnilniški odtis na približno 3,5 GB, ob ohranitvi ~95% kvalitete.

  • Veliki modeli, kot je GPT‑4, imajo več kot 1 bilijon parametrov, Claude Opus ima stotine milijard parametrov, Llama 3.1 70B se še vedno šteje kot “velik”.

Kako SLM-ji Dosežejo Svojo Prednost 

SLM-ji niso zgolj »majhni LLM-ji«. Uporabljajo specifične tehnike za zagotavljanje visoke zmogljivosti pri nizkem številu parametrov.

Distilacija Znanja:
trenira manjše »študente« modele, da posnemajo večje »učiteljske« modele. Študent se nauči ponoviti izhod učitelja, ne da bi potreboval enako veliko arhitekturo. Microsoftova serija Phi-3 je bila stisnjena iz veliko večjih modelov, pri čemer je ohranila več kot 90 % zmogljivosti pri 5 % velikosti.

Visokokakovostni Trening:
Podatki so pomembnejši za SLM-je kot sama količina podatkov. Medtem ko so LLM-ji trenirani na bilijonih tokenov z interneta, SLM-ji koristijo kurirane, visokokakovostne podatkovne zbirke. Phi-3 je bil treniran na »učbenik kakovostnih« sintetičnih podatkih, skrbno filtriranih za odstranitev šuma in odvečnosti.

Kvantizacija stisne uteži modela iz 16-bitnih ali 32-bitnih plavajočih vejic v 4-bitne ali 8-bitne cela števila. Model s 7 milijardami parametrov v 16-bitni natančnosti zahteva 14 GB pomnilnika. Kvantiziran na 4-bitni način, se prilega v 3,5 GB (dovolj majhen za zagon na prenosniku). Sodobne kvantizacijske tehnike, kot je GGUF, ohranijo več kot 95 % kakovosti modela ob doseganju 75 % zmanjšanja velikosti.

Arhitekturne Optimizacije, kot je redka pozornost, zmanjšujejo računsko obremenitev. Namesto da bi vsak token pozornosti namenil vsakemu drugemu tokenu, modeli uporabljajo tehnike kot so pozornost z drsnim oknom ali skupinska pozornost po poizvedbah, da osredotočijo izračune tam, kjer so najbolj pomembni.

13 ključnih AI veščin za SEO v 2026

Mar 25, 2026 | Ecommerce, LLM (AI)

VIR: https://www.link-assistant.com/news/ai-skills.html

  • Prompt engineering – potrebna je sposobnost jasnega strukturiranja vloge, naloge, konteksta in formata izhoda ter razumevanje, kako različne formulacije vplivajo na točnost, konsistenco in “halluciniranje” izhodov pri tipičnih nalogah (briefi, meta opisi, keyword research).

  • AI workflow automation – zahteva razumevanje procesov in orodij (Zapier, Make, n8n), razbitje ponavljajočih se SEO korakov v sprožilce in akcije ter sposobnost zanesljivega povezovanja exportov  z AI povzetki in dostavo v Slack, email ali dashboarde.

  • AI agents for SEO tasks – potrebno je poznavanje agent frameworkov (Crew AI, LangChain, AutoGen), razgradnja kompleksnih ciljev (auditi, content gap analize) v zaporedje podnalog, definiranje orodij, ki jih agent lahko kliče, ter vzpostavitev varnih človeških “checkpointov”.

  • Retrieval-Augmented Generation (RAG) – zahteva razumevanje vektorskih baz in indeksiranja vsebine (LangChain, Vectara, LlamaIndex), pripravo SEO podatkov (auditi, backlinki, vsebina) v strukturirani obliki ter projektno ločevanje zbirk, da AI odgovarja na podlagi aktualnih, specifičnih podatkov.

  • Fine-tuning in custom GPT-ji – potrebna je sposobnost definiranja pravil (tone, struktura, omejitve), zbiranja visokokakovostnih vzorčnih vsebin ter ločevanja med “znanjem” (prek RAG) in “vedenjem” modela, da AI dosledno replicira brand voice in SEO standarde brez prekomernega ročnega editiranja.

  • Multimodalni AI – zahteva razumevanje, kako modeli z vizijo obdelujejo slike, video in tekst, ter sposobnost izkoriščanja tega za generiranje alt oznak, vizualnih analiz konkurenčnih strani, repurposing blog objav v več formatov in avtomatizirano bogatenje metapodatkov.

  • AI generiranje videa – potrebno je osnovno znanje video-narative (hook–poanta–zaključek), delo z orodji kot Runway, OpusClip, Pika ter sposobnost vzetja obstoječega teksta/članka in pretvorbe v kratke, testabilne video formate z ustreznimi napisi.

  • AI tool stacking – zahteva sistemsko razmišljanje o pretoku podatkov med orodji (npr. RankDots → SEO PowerSuite → Notion), mapiranje trenutnih procesov, standardizacijo vhodnih/izhodnih formatov in postopno ukinjanje ročnih “copy–paste” korakov.

  • Evalvacija in upravljanje LLM – potrebna je definicija kriterijev kakovosti za posamezne naloge (npr. brief, audit), sposobnost A/B testiranja promptov in modelov, beleženje izhodov, spremljanje stroškov ter uvedba orodij, kot so Helicone, PromptLayer, TruLens, ko se obseg poveča.

  • AI SEO (AEO / GEO) – zahteva razumevanje, kako AI sistemi izbirajo in citirajo vire, sposobnost strukturiranja vsebine z jasnimi definicijami, topic cluster pristopom, bogatim strukturiranim podatkovjem (schema) ter spremljanje pojavnosti v AI Overviews z orodji, kot je AIO Tracker.

  • AI systems thinking – potrebno je procesno razmišljanje: beleženje obstoječih SEO workflowov, prepoznavanje ozkih grl, načrtovanje vhodov–korakov–izhodi, dizajn za odpornost in napake ter redno poenostavljanje sistemov, da ostanejo vzdržni pri rasti.

  • AI narrative control – zahteva sposobnost auditiranja, kako AI opisuje znamko, razumevanje virov (spletno mesto, shema, recenzije, omembe), UX pri posodabljanju ključnih “entity” signalov (About, produktne strani, Wikidata …) in stalno spremljanje ter popravljanje napačnih ali zastarelih informacij.

  • AI‑podprta konkurenčna inteligenca – potrebna je veščina uporabe orodij za zbiranje podatkov o konkurenci, nato pa uporaba AI za hitro odkrivanje vzorcev (teme, formati, backlinki), keyword/content gapov in pretvorbo teh vpogledov v prioritetizirane SEO akcijske načrte

Ko PDP (produktna stran) postane nova vstopna stran za nakupne poti

Mar 24, 2026 | Ecommerce

VIR: https://www.retailmediabreakfastclub.com/p/when-the-pdp-becomes-the-homepage

BISTVO

  • Čedalje več nakupnih poti poteka prek LLM‑jev/agentov, zato kupec na trgovčevo stran pride neposredno na produktno stran (PDP) in nato takoj na checkout, brez iskanja ali brskanja.

  • Trgovec sicer dobi konverzijo, izgubi pa vedenjske signale, priložnost za cross‑sell in klasične točke za gradnjo lojalnosti na home/category straneh.

  • Amelia Van Camp poudari, da morajo trgovci načrtno redizajnirati idealno pot kupca v scenariju »PDP → checkout« in nanjo namerno priklopiti lojalnost, vzorčenje, sponzorirane pozicije in post‑nakupne ponudbe.

  • Primer Sephore pokaže, da se »lepljivost« ne zgodi na PDP, ampak prek močnega programa zvestobe in pametno ciljanih vzorcev v pošiljkah, ki postopno gradijo profil kupca.

  • Če se retail media program ne prilagodi tej skrajšani poti, tvega »razsredinjenje«: format, zasnovan na brskanju, ne dostavlja več vrednosti oglaševalcem in kupcem, zato so nujni eksperimenti za dvo‑stranski (dve‑stranski) nakupni tok.

DEJSTVA

  • Avtorica prispevka je Kiri Masters, objavljen je bil 11. marca 2026 na portalu Retail Media Breakfast Club.

  • Intervjuvana sogovornica je Amelia Van Camp, Head of Agentic Commerce pri podjetju Mirakl.

  • Opisan je konkretni primer nakupa naprave Shark Glossi na bestbuy.com, kjer je bila celotna pot samo dve strani: PDP in checkout.

  • Kot pozitiven primer zasnove poti se navaja Sephora, ki kombinira prijavo v lojalnostni program in fizične vzorce v pošiljkah za ciljno nagovarjanje kupca.

  • V tretjem delu serije avtorica napoveduje razpravo o tem, kako se bodo kot posledica agentične trgovine širše spremenili signali in kakšne nove signale morajo trgovci začeti graditi.

CITATI

  • »The Product Detail Page isn’t just a product page anymore. For a growing slice of shopping journeys, it’s the first and only page.«

  • »Best Buy got the sale — but they got almost nothing else. No behavioral signals. No cross-sell opportunity. No loyalty touchpoint.«

  • »The affiliate traffic coming from LLMs is often landing directly on that PDP — and that’s a fundamentally different entry point than what retailers have traditionally designed for.«

  • »That stickiness doesn’t happen on the PDP itself — it happens through the programs that extend the relationship beyond that single transaction.«

  • »Fairly simply put: disintermediation of your retail media program.

Agentično nakupovanje ni mrtvo, OpenAI je odpovedal samo slabo izveden prvi poskus.

Mar 24, 2026 | Ecommerce

VIR: https://www.retailmediabreakfastclub.com/p/don-t-dance-on-the-grave-of-agentic-shopping-just-yet

BISTVO

  • OpenAI ukinja Instant Checkout v ChatGPT in nakupe vrača na aplikacije/trgovce, ker je produkt slabše izveden in ni strateška prioriteta, ne zato, ker kupci ne bi želeli agentičnega nakupovanja.

  • Kritiki poudarjajo, da je šlo za napačno zasnovo: malo vključenih trgovcev, brez rešenega davčnega obračuna in brez uporabe obstoječih industrijskih standardov za zaloge in naročila.

  • Hkrati podatki kažejo, da uporabniki masovno uporabljajo AI asistente za odkrivanje in raziskovanje izdelkov, zato se »agentično« vplivanje na nakup že dogaja, čeprav checkout ni v agentu.

  • Največjo prednost imajo platforme, ki same obvladujejo celoten stack (model, marketplace, plačila, logistika), kot sta Amazon (Rufus) in Walmart (Sparky), zato agentično nakupovanje verjetno uspe ravno tam.

  • Avtorica trgovcem in znamkam svetuje, naj postanejo »agent-ready« (čisti podatki, ponudbe, cene, trajnostne lastnosti), ker ti vložki prinašajo korist tudi, če agentično nakupovanje nikoli ne eksplodira.

DEJSTVA

  • Instant Checkout je bil integriran pri približno ducatu Shopify trgovcev od milijonov možnih, davčni obračun sploh ni bil implementiran.

  • Delež ChatGPT med dnevnimi uporabniki AI aplikacij v ZDA je padel z 57% (avgust 2025) na 42% (februar 2026), medtem ko je Gemini zrasel na 25%, Claude pa je svoj delež potrojil.

  • Capgemini ugotavlja, da je 53% ameriških potrošnikov že opravilo nakup na podlagi AI priporočila, kar potrjuje realen vpliv AI na nakupne odločitve.

  • Amazonov Rufus naj bi prinašal skoraj 12 milijard dolarjev dodatne letne prodaje in deluje nad bazo več kot 300 milijonov kupcev.

  • Walmartov agent Sparky ima približno 50% adopcije v mobilni aplikaciji in generira 35% večje košarice pri uporabnikih, ki ga uporabljajo.

CITATI

  • Heather Hershey (IDC) argumentira, da OpenAI trgovcem ni ponudil »nič resnične vrednosti – nobene odgovornosti za napake, nobenih orodij za upravljanje fragmentiranih podatkov, le FOMO kot glavni prodajni argument«.

  • Kelly Goetsch (Pipe17) navaja, da je OpenAI zavrnil standard onX z utemeljitvijo: »Nismo merchant of record in ne delamo nič z order managementom, zato to ni primerno za nas.«

  • Jason Goldberg (Forbes) poudarja, da se OpenAI »ne umika iz commerce zato, ker potrošniki tega ne bi želeli, ampak zato, ker se bori za preživetje na več frontah – in izgublja teren«.

  • Jeff Clark (Walmart Connect) opozarja, da je »lastništvo transakcije tisto, kar trgovcu resnično omogoča, da pozna kupca« in da je to temelj retail medijev.

  • Bryan Leach (Ibotta) preokviri razpravo: ključna naloga vodstev ni, kje se zgodi transakcija, ampak ali je »vaša znamka pripravljena, ko agent pride iskat rešitev«.

AI zakrije nakupno pot, zato trgovcem izginjajo e‑commerce signali in jih morajo pridobiti nazaj prek boljših podatkov, izkušenj in partnerstev.

Mar 24, 2026 | Ecommerce

VIR
https://www.retailmediabreakfastclub.com/p/ecommerce-signals-are-shrinking-why-retailers-must-earn-new-ones

BISTVO

  • AI-asistirano nakupovanje skrajšuje pot kupca na strani trgovca, pogosto na en sam PDP in blagajno, zato se količina vedenjskih signalov (brskanje, primerjave, kliki) močno zmanjšuje.

  • Tradicionalni “retail media” je bil zgrajen na bogatem brskanju, ki je omogočalo ciljanje, merjenje in personalizacijo, a ta signalni vir se z agentičnimi LLM‑asistenti seli “gorvodno”.

  • Večina obstoječih onsite AI asistentov je šibkih, ker trgovci ignorirajo lastna zgodovinska znanja o kupcih in imajo slabo osnovo v katalogu in podatkih o izdelkih.

  • Ključ do prihodnjega uspeha je “product truth”: natančni podatki o izdelku, ceni, zalogi, dostavi in poprodajnih procesih, saj AI agenti “kaznujejo” nezanesljive trgovce z nižjo vidnostjo.

  • Znamke niso brez moči: lahko gradijo signale zaupanja preko recenzij, vsebin in podatkov na celotnem spletu ter proaktivno sodelujejo z retail partnerji pri agentičnih strategijah.

DEJSTVA

  • Članek je objavljen 18. marca 2026 v okviru serije v partnerstvu z Mirakl Ads in ga piše Kiri Masters.

  • Gre za 3. del 4‑delne serije; prvi del je “Discovery Has Moved Upstream”, drugi “When the PDP Becomes the Homepage”, četrti bo o AI‑oglasih.

  • Sogovornica je Amelia Van Camp, Head of Agentic Commerce pri Mirakl, ki komentira stanje onsite AI asistentov in agentične trgovine.

  • Serija izpostavlja premik od dolge poti brskanja na strani trgovca k odločitvam, sprejetim že znotraj LLM‑jev, kot so ChatGPT in Gemini.

    CITATI

  • Amelia o prvem valu asistentov: »There is an acceleration inside of agentic commerce where I’m sure all of us feel that you have to do something.«

  • O napačnem pristopu trgovcev: ti v naglici “agentic” pogosto “throw out everything they already know about their customers” namesto da bi te podatke sinhronizirali v strategijo agenta.

  • O pomembnosti fundamentov: »The fundamentals of e-commerce don’t change just because the channel is new.«

  • O posledicah slabih osnov: negativne izkušnje in slabo izpolnjevanje obljub »are going to impact the agent’s trust of who you are and who your products are, to potentially impact things like discoverability and ranking«.

  • Ključni zaključek avtorice: »The signals don’t magically appear. Retailers have to design moments that earn engagement.«

Walmartov eksperiment: agentični nakup prek ChatGPT (za zdaj) občutno izgublja proti klasični spletni trgovini

Mar 24, 2026 | Ecommerce

VIR: https://searchengineland.com/walmart-chatgpt-checkout-converted-worse-472071

  • Walmart je pri približno 200.000 izdelkih izmeril, da je bila konverzija pri neposrednem nakupu znotraj ChatGPT trikrat slabša kot pri kliku na Walmartovo spletno mesto.

  • Vodja produkta Daniel Danker je izkušnjo označil kot nezadovoljivo in napovedal umik od Instant Checkout modela v ChatGPT.

  • OpenAI ukinja Instant Checkout in prehaja na model, kjer checkout poteka prek trgovčevih aplikacij oziroma njihovih sistemov.

  • Walmart bo v ChatGPT integriral svojega bota Sparky, z vpisom v Walmartov račun, sinhronizacijo košarice in zaključkom nakupa v Walmartovem okolju; podobna integracija prihaja tudi v Google Gemini.

  • Članek implicira, da agentična trgovina trenutno še ni zrela zamenjava za klasične “owned” nakupne tokove trgovcev in da lastna okolja še vedno bistveno bolje konvertirajo.

DEJSTVA

  • Walmart: konverzija znotraj ChatGPT ≈ 3× slabša kot na walmart.com.

  • Obseg testa: približno 200.000 izdelkov v okviru Instant Checkout znotraj ChatGPT.

  • Funkcija Instant Checkout se ukinja; OpenAI je potrdil prehod na checkout, ki ga obvladujejo trgovci sami (app-based).

  • Walmartov bot Sparky bo v ChatGPT in omogočal prijavo, sinhronizacijo košarice in zaključek nakupa v Walmartovem sistemu; podobno prihaja v Google Gemini.

  • Walmart ocenjuje dosedanjo chat-nakupno izkušnjo kot “unsatisfying” in se strateško usmerja v lastno integrirano nakupno izkušnjo.


Izbrane navedbe

  • “Walmart said conversion rates for purchases made directly inside ChatGPT were three times lower than when users clicked through to its website.”

  • “This suggests agentic commerce isn’t ready to replace traditional shopping.”

  • “Daniel Danker, Walmart’s EVP of product and design, said those in-chat purchases converted at one-third the rate of click-out transactions.”

  • “He called the experience ‘unsatisfying’ and confirmed Walmart is moving away from it.”

  • “Walmart will embed its own chatbot, Sparky, inside ChatGPT. Users will log into Walmart, sync carts across platforms, and complete purchases within Walmart’s system.”

Google UCP: pospešek k agentičnemu, podatkovno vodenemu nakupovanju

Mar 24, 2026 | Ecommerce

vir: https://searchengineland.com/google-expands-its-universal-commerce-protocol-to-power-ai-driven-shopping-472061

  • Google razširja Universal Commerce Protocol (UCP), da bi AI-agenti v Iskanju in aplikaciji Gemini lahko bolj samostojno izbirali, primerjali in kupovali izdelke za uporabnike.

  • Ključne novosti so košarica pri posameznem trgovcu, katalog z realnočasovnimi podatki (cena, zaloga, variacije) in identitetno povezovanje za ohranjanje ugodnosti prijavljenih uporabnikov.

  • Kakovost in struktura produktnih podatkov postajata kritičen faktor vidnosti in prodaje, saj ne gre več le za oglase, ampak za “fuel” za AI-agente.

  • UCP je modularen, trgovci lahko postopno vključujejo posamezne zmožnosti, Google pa v Merchant Center uvaja poenostavljen onboarding ter integracije z večjimi platformami (npr. Salesforce, Stripe) za hitrejše sprejetje.

  • UCP se premika iz koncepta v širši ekosistem, ki agentično trgovanje naredi lažje za posvojitev in težje za ignoriranje – s potencialno prednostjo za zgodnje posvojitelje.

DEJSTVA

  • Google širi UCP kot odprt standard za povezovanje trgovcev z AI-nakupovalnimi izkušnjami v Iskanju in aplikaciji Google Gemini.

  • Nova funkcionalnost košarice omogoča AI-agentom, da naenkrat dodajo ali shranijo več izdelkov istega trgovca, podobno kot klasičen uporabnik v spletni trgovini.

  • Katalog funkcija daje agentom dostop do ažurnih podatkov o cenah, zalogi in variantah, kar naj bi izboljšalo natančnost in odzivnost interakcij.

  • Povezovanje identitete omogoča prenos prijavnih ugodnosti (članske cene, brezplačna dostava) izven lastne domene trgovca na druge platforme povezane preko UCP.

  • Google poenostavlja vklop UCP z novim onboardingom v Merchant Center in ga pozicionira kot temelj nastajajočega ekosistema agentičnega trgovanja.