OpenAI запускає дослідження покупок у ChatGPT
OpenAI представила дослідження покупок, нову функцію в ChatGPT, яка перетворює ШІ на інтерактивний інструмент дослідження продуктів. Користувачі описують свої потреби — наприклад, тихий бездротовий пилосос для невеликої квартири або подарунок для дитини, яка любить мистецтво — і система відповідає уточнюючими питаннями про бюджет, розмір, вподобання та пріоритети, такі як продуктивність або ціна. Потім вона проводить багатоетапний веб-пошук, витягуючи структуровані дані про ціни, характеристики, відгуки та наявність з якісних джерел, щоб надати персоналізований посібник покупця з рейтинговими варіантами, порівняннями та компромісами[4][1][2].
Функція була запущена 24 листопада 2025 року для зареєстрованих користувачів у безкоштовних, Plus, Pro та інших планах на мобільних пристроях і в Інтернеті, з майже необмеженим використанням під час свят, щоб допомогти з покупками подарунків. Функція працює на основі спеціалізованого варіанту GPT-5 mini, навченого за допомогою навчання з підкріпленням для задач покупок, вона займає кілька хвилин на запит, досягаючи 52% точності для запитів з кількома обмеженнями (наприклад, конкретні діапазони цін, кольори та функції) порівняно з 37% для стандартного ChatGPT Search. OpenAI відзначає потенційні помилки в цінах або наявності, настійно закликаючи перевіряти інформацію на сайтах роздрібних продавців[2][3][4].
Наслідки для продуктових feed для e-commerce
Дослідження покупок витягує дані в реальному часі з Інтернету, синтезуючи їх у структуровані посібники, а не просто списки. Це вимагає від платформ e-commerce підтримки динамічних, високоякісних product feed з актуальними характеристиками, цінами та відгуками, щоб їх можна було точно відображати в пошуках, керованих ШІ. Неповні або застарілі feed ризикують бути виключеними з рекомендацій, оскільки ШІ надає перевагу надійним джерелам[1][4].
Щодо стандартів каталогізації, функція вимагає переходу до семантичної насиченості: продукти повинні містити докладні атрибути (розміри, матеріали, оцінки користувачів), які відповідають запитам природною мовою. Такі категорії, як електроніка, краса, товари для дому, кухонні прилади та товари для відпочинку на природі, мають найкращі показники через їх специфічний характер, тоді як одяг стикається з суб'єктивними факторами, такими як відповідність розміру[2][3][4].
Підвищення якості та повноти product card
Посібники для покупців висвітлюють компроміси та персоналізацію, використовуючи пам'ять ChatGPT для контексту, наприклад, минулі вподобання геймерів або антипатії до стилю — це виявляє прогалини в основних product card. E-commerce повинен покращувати card за допомогою вичерпних деталей, зображень та контенту, згенерованого користувачами, щоб відповідати глибині синтезу ШІ. Інтерактивні уточнення, такі як позначення варіантів «не зацікавлений» або «більше схоже на це», ще більше тиснуть на платформи, щоб вони забезпечували фільтрацію в реальному часі[1][2][6].
Це піднімає планку для повноти контенту: часткові характеристики або застарілі відгуки призводять до субоптимальних рейтингів, оскільки ШІ перехресно перевіряє кілька сайтів. Платформи з надійними, стандартизованими card отримують видимість у цих діалогах[1][5].
Прискорення розгортання асортименту
Традиційний e-commerce покладається на ручну курацію нових асортиментів, але дослідження покупок прискорює відкриття, миттєво індексуючи дані з Інтернету. Продавці можуть швидше виводити товарні запаси через feed, оптимізовані ШІ, скорочуючи час виходу на ринок сезонних або нішевих товарів. Глибокий режим дослідження функції — обробка складних рішень за лічені хвилини — обходить виснажливий перегляд, направляючи трафік до добре індексованих каталогів[4][6].
Святкові посилення, такі як необмежені запити, підкреслюють цю швидкість: періоди високого трафіку збільшують охоплення для гнучких менеджерів feed, потенційно змінюючи швидкість асортименту з тижнів на дні[4]. Дізнайтеся більше про цю тему в нашій статті про поширені помилки під час завантаження product feed.
No-code та інтеграція ШІ в робочі процеси створення контенту
Інструменти No-code тепер безперешкодно інтегруються з дослідниками ШІ, автоматизуючи генерацію feed і збагачення card без команд розробників. Залежність дослідження покупок від структурованих даних з Інтернету стимулює low-code платформи вбудовувати ШІ для динамічної каталогізації, наприклад, автоматичне тегування характеристик або створення порівняльних таблиць. Ви можете дізнатися, як структурувати дані про ваші продукти у форматі CSV, у нашій статті про CSV Format.
Майбутній Instant Checkout — який вже діє для деяких продавців — натякає на замкнені цикли, поєднуючи дослідження з безпроблемними покупками. Ця синергія no-code/ШІ оптимізує інфраструктуру контенту, перетворюючи статичні каталоги на адаптивні, чутливі до запитів системи[2][3]. Крім того, дізнайтеся більше про Штучний інтелект для бізнесу.
Retail Dive.
OpenAI Blog.
Еволюція досліджень покупок на основі ШІ підкреслює вирішальний зсув у e-commerce: акцент на якості та повноті даних у product feed. Оскільки інструменти ШІ стають більш складними, вони покладаються на багату, структуровану інформацію про продукти для оптимальної роботи. Ця тенденція підкреслює важливість таких рішень, як NotPIM, які надають інструменти та можливості для стандартизації, збагачення та оптимізації даних про продукти, гарантуючи, що підприємства e-commerce зможуть процвітати в ландшафті, що все більше залежить від ШІ, точно та всебічно представленими у відповідних подорожах покупців. Для отримання додаткової інформації перегляньте нашу статтю про Проблеми інтеграції даних.