OTTO:s AI-assistentlansering
OTTO, Tysklands största näthandelsföretag, har lanserat AI-assistenter direkt integrerade i sin webbutik och app för shoppingvägledning och kundservice. Funktionen, som lanserades den 31 juli, visas som en chattfält ovanför produktrecensionerna på otto.de och ger svar på några sekunder. Svaren genereras från produktnamn, beskrivningar och minst 50 kundrecensioner för att säkerställa balanserade svar. Assistenten är tillgänglig från början för cirka 180 000 artiklar i kategorier som skor, mattor, kaffemaskiner och soffor, och använder Google Clouds PaLM 2 Large Language Model i kombination med OTTO:s egna data via Vertex AI, samtidigt som all data lagras på OTTO:s servrar.[1]
Lanseringen gör OTTO till den första tyska webbutiken som testar sådan AI inhemskt i både stationära och mobila miljöer. Den hanterar vardagliga frågor, stavfel och subjektiva recensionsdata. Dessutom genomförs ett kontrollerat A/B-test som delar upp kunderna: hälften har tillgång till assistenten och hälften inte, för att mäta effekterna på nöjdhet, vägledning och returfrekvenser. Utvecklad av OTTO:s Digital & Consulting-team bygger denna funktion på befintliga AI-användningsområden som recensionsklustering, bildigenkänning och bedrägeribekämpning.[1]
Implikationer för produktflöden och katalogstandarder
AI-assistenter som OTTO:s förbättrar direkt produktflöden genom att syntetisera ostrukturerad data från recensioner och beskrivningar till användbara insikter, vilket minskar beroendet av statiska metadata. Detta höjer katalogstandarderna, eftersom svaren måste baseras på artiklar med många recensioner, vilket implicit lägger press på handlare att prioritera ackumulering av recensioner för synlighet. Strukturerade flöden drar nytta av AI:s förmåga att normalisera varierande input – titlar, specifikationer, användarfeedback – till konsekventa, frågesvarande format, vilket effektiviserar datainmatningen för stora sortiment.[1] Om du vill veta mer om produktflöden, kolla in vårt blogginlägg om Produktflöde - NotPIM.
I praktiken tvingar denna inställning fram minsta kvalitetsgränser: produkter utan 50+ recensioner förblir obehöriga, vilket främjar bättre kataloghygien. För e-handelsplattformar signalerar detta en förändring där flöden utvecklas från enbart listor till dynamiska, AI-frågebara tillgångar, vilket potentiellt standardiserar attribut som materialdetaljer eller passform över kategorier för att driva mer precisa generationer.[1]
Förbättrad produktkorts kvalitet och sortimentshastighet
Kortfullständigheten ökar när AI aggregerar recensionssentiment med beskrivningar och lyfter fram förbisedda detaljer som hållbarhet eller storlek utan manuell kurering. Kunder som frågar "tappar den här mattan hår?" får syntetiserade svar, vilket fyller luckor i statiska kort och förbättrar den upplevda fylligheten. Detta no-code lager – som utnyttjar förtränade LLM:er – möjliggör snabba förbättringar utan att designa om mallar, då OTTO integrerade det snabbt via molnverktyg.[1] För mer information om hur man skapar fantastiska produktbeskrivningar, läs vår artikel om Hur man skapar säljdrivande produktbeskrivningar utan att spendera en förmögenhet - NotPIM.
Sortimentslanseringar går dramatiskt snabbare: nya listningar ökar synligheten när recensionsgränserna nås, vilket möjliggör snabbare marknadstester för säsongsbetonade eller trendiga artiklar. Traditionella hinder som långsam recensionsuppbyggnad försenar exponeringen; AI mildrar detta genom att kvalificera artiklar snabbare, förvandla nyfödda kataloger till frågeklara flöden och komprimera tiden till marknaden från veckor till dagar.[1][2]
No-Code AI och integration av konversationshandel
No-code-implementering lyser här, med OTTO:s assistent byggd via Vertex AI:s gränssnitt, vilket kringgår tung anpassad kodning för LLM-finjustering på interna data. Detta demokratiserar AI för medelstora återförsäljare, där plug-and-play-modeller hanterar komplexa frågor utöver skriptbaserade botar och anpassar sig till realtidsförändringar i katalogen utan omskolning.[1][2] Om du letar efter ett verktyg kanske du vill använda vår Feed validator - NotPIM.
Inom innehållsinfrastruktur driver det konversationshandel genom att tolka avsikten från vaga sökningar, känslomässiga signaler eller övergivna kundvagnar, och hämtar live-flödesdata för upsell-förslag. Denna loop – fråga till flödessyntes till svar – höjer statisk e-handel till proaktiva system, vilket minskar beslutsfattande och övergivande samtidigt som det skalas över B2C-skalor utan proportionella innehållsoperationer.[2][3] För att lära dig mer om vårt produktinnehåll, klicka på länken.
Bredare e-handelsförändringar
För shoppinginfrastrukturen understryker OTTO:s drag AI:s roll för att minska returer via klarhet före köp, eftersom informerade frågor korrelerar med bättre matchningar. Hypotes: en utbredd användning skulle kunna standardisera AI-klara flöden, prioritera rika, recensionsrika kataloger framför glesa, vilket omformar leverantörsincitament. Plattformar får analyser från frågemönster och förfinar flöden iterativt utan explicita feedbackslingor.[1]
Handelsblatt.
GeekWire.
OTTO-exemplet belyser en betydande förändring inom e-handel, där produktinformation genereras dynamiskt och förbättras av AI, vilket driver vikten av högkvalitativa, datarik produktkataloger. Denna trend ökar trycket på återförsäljare att underhålla omfattande och standardiserad produktdata. För plattformar som NotPIM understryker detta värdet av effektiva datahanterings- och flödesoptimeringsfunktioner. Våra användare kan utnyttja NotPIM för att effektivisera databerikning och säkerställa att deras produktinformation inte bara möter utan också förutser de växande kraven från AI-drivna shoppingupplevelser.