OpenAI запускает исследование покупок в ChatGPT
OpenAI представила исследование покупок — новую функцию в ChatGPT, которая превращает ИИ в интерактивного исследователя товаров. Пользователи описывают свои потребности (например, тихий беспроводной пылесос для небольшой квартиры или подарок для ребенка, любящего искусство), а система отвечает уточняющими вопросами о бюджете, размере, предпочтениях и приоритетах, таких как производительность или цена. Затем она проводит многоступенчатый веб-поиск, извлекая структурированные данные о ценах, характеристиках, обзорах и доступности из качественных источников, чтобы предоставить персонализированный путеводитель покупателя с ранжированными вариантами, сравнениями и компромиссами[4][1][2].
Функция была запущена 24 ноября 2025 года для зарегистрированных пользователей во всех планах (бесплатный, Plus, Pro и других) на мобильных устройствах и в веб-версии, с почти неограниченным использованием в праздничные дни для помощи в покупке подарков. Работающая на базе специализированного варианта GPT-5 mini, обученного методом обучения с подкреплением для задач шопинга, она занимает несколько минут на запрос, достигая точности 52% для запросов с несколькими ограничениями (например, определенные ценовые диапазоны, цвета и функции) по сравнению с 37% для стандартного поиска в ChatGPT. OpenAI отмечает возможные ошибки в ценах или наличии и настоятельно рекомендует проверять информацию на сайтах ритейлеров[2][3][4].
Влияние на товарные ленты в e-commerce
Исследование покупок извлекает данные в реальном времени со всего веб-пространства, синтезируя их в структурированные руководства, а не в сырые списки. Это требует от платформ e-commerce поддерживать динамичные, высококачественные product feeds с актуальными характеристиками, ценами и обзорами, чтобы обеспечить точное отображение в поисковых системах с использованием ИИ. Неполные или устаревшие ленты рискуют быть исключены из рекомендаций, поскольку ИИ отдает предпочтение надежным источникам[1][4].
Что касается стандартов каталогизации, функция способствует переходу к семантической насыщенности: продукты должны включать подробные атрибуты (размеры, материалы, пользовательские рейтинги), соответствующие запросам на естественном языке. Такие категории, как электроника, косметика, товары для дома, кухонная техника и товары для активного отдыха, работают лучше всего из-за их насыщенности характеристиками, в то время как одежда испытывает трудности с субъективными факторами, такими как посадка[2][3][4].
Повышение качества и полноты product card
Руководства покупателей подчеркивают компромиссы и персонализацию, опираясь на память ChatGPT для контекста, например, прошлые предпочтения геймеров или неприязнь к стилю, что выявляет пробелы в базовых product card. E-commerce должна улучшить карточки, добавив исчерпывающие детали, изображения и пользовательский контент, чтобы соответствовать глубине синтеза ИИ. Интерактивные улучшения, такие как отметка вариантов "не интересно" или "больше похоже на это", еще больше усиливают давление на платформы, чтобы они обеспечивали фильтрацию в реальном времени[1][2][6].
Это поднимает планку для полноты контента: частичные характеристики или устаревшие обзоры приводят к субоптимальному ранжированию, поскольку ИИ сопоставляет информацию с нескольких сайтов. Платформы с надежными, стандартизированными карточками получают видимость в этих разговорных потоках[1][5].
Ускорение развертывания ассортимента
Традиционная e-commerce опирается на ручную курацию для новых ассортиментов, но исследование покупок ускоряет обнаружение за счет мгновенного индексирования данных из Интернета. Продавцы могут быстрее выводить товары из запасов с помощью оптимизированных ИИ лент, сокращая время выхода на рынок для сезонных или нишевых товаров. Режим глубокого исследования функции, обрабатывающий сложные решения за считанные минуты, обходит исчерпывающий просмотр, направляя трафик в хорошо проиндексированные каталоги[4][6].
Праздничные бонусы, такие как неограниченные запросы, подчеркивают эту скорость: периоды с высоким трафиком увеличивают охват для гибких менеджеров лент, потенциально меняя скорость пополнения ассортимента с недель на дни[4]. Узнайте больше об этой теме в нашей статье о Common Mistakes in Product Feed Uploads.
No-code и интеграция ИИ в рабочих процессах с контентом
Инструменты no-code теперь легко интегрируются с исследователями ИИ, автоматизируя создание лент и обогащение карточек без команд разработки. Зависимость исследования покупок от структурированных веб-данных стимулирует платформы low-code внедрять ИИ для динамической каталогизации, например, автоматической маркировки характеристик или генерации таблиц сравнения. Вы можете узнать, как структурировать данные о продуктах в формате CSV, в нашей статье о CSV Format.
Будущие мгновенные расчеты, уже доступные для отдельных продавцов, намекают на замкнутые циклы, сочетающие в себе исследования и беспрепятственные покупки. Эта синергия no-code/ИИ упрощает инфраструктуру контента, превращая статические каталоги в адаптивные, реагирующие на запросы системы[2][3]. Также узнайте больше об Artificial Intelligence for Business.
Retail Dive.
OpenAI Blog.
Эволюция исследования покупок с использованием ИИ подчеркивает решающий сдвиг в e-commerce: акцент на качество и полноту данных в товарных лентах. Поскольку инструменты ИИ становятся все более сложными, они опираются на богатую, структурированную информацию о продуктах для оптимальной работы. Эта тенденция подчеркивает важность таких решений, как NotPIM, которые предоставляют инструменты и возможности для стандартизации, обогащения и оптимизации данных о продуктах, гарантируя, что компании e-commerce смогут процветать в условиях все более ориентированного на ИИ ландшафта, будучи точно и всесторонне представленными в соответствующих покупательских процессах. Для получения дополнительной информации ознакомьтесь с нашей статьей о Data Integration Challenges.