Что произошло
Встроенный в Klarna поиск товаров с использованием ИИ был интегрирован непосредственно в ChatGPT через плагин, что позволяет пользователям на поддерживаемых рынках находить, сравнивать и изучать товары из многофункциональной экосистемы Klarna, не выходя из интерфейса ChatGPT. Согласно более ранним заявлениям Klarna, ее поисковая система для покупок построена на основе каталога товаров, в котором агрегируются миллионы товаров от тысяч ритейлеров, нормализуя цены, наличие на складе и атрибуты товаров в большом масштабе. Klarna позиционирует этот каталог как основу для «полноценной системы покупок», которая может отвечать на запросы в разговорном формате, например: «Найти мне недорогое зимнее пальто до 150 долларов, похожее на бренд X, с доставкой на следующий день».
В интерфейсе ChatGPT эта функция представлена в виде инструмента, который модель может вызывать, когда запрос пользователя связан с покупками. Система принимает запрос на естественном языке, передает его в API поиска Klarna, извлекает структурированные результаты по товарам и возвращает их в виде кураторского списка рекомендаций по покупкам в формате беседы в чате. Ожидается, что со временем эта интеграция расширится с точки зрения географии, вертикалей и поддерживаемых функций (например, более широкие фильтры, персонализация на основе пользовательских предпочтений, более продвинутые виды сравнения), при этом основная архитектура останется прежней: ввод в виде намерения при покупке в формате беседы – вывод в виде структурированного фида товаров.
Почему это важно для инфраструктуры электронной коммерции
На первый взгляд, это история о дистрибуции: Klarna переносит свой поисковик товаров в один из самых широко используемых интерфейсов разговорного ИИ. Но для инфраструктуры электронной коммерции и контента более глубокое значение заключается в трех сдвигах:
- Поиск товаров перемещается из традиционных поисковых строк в диалоги на основе ИИ.
- Качество базовых фидов товаров становится прямым ограничивающим фактором для производительности покупок с использованием ИИ.
- Стандарты каталогов, рабочие процессы обогащения и инструменты no-code/ИИ становятся центральными для того, насколько быстро ассортимент может быть представлен в новых каналах ИИ.
На практике это означает, что битва за видимость внутри разговорных интерфейсов будет выиграна не только за счет бюджетов на ценообразование и маркетинг, но и за счет качества данных: насколько чисто и последовательно описываются, категоризируются и обогащаются товары.
Влияние на фиды товаров: от «рекламной нагрузки» к «подложке для обучения ИИ»
Фиды товаров исторически форматировались в первую очередь для рекламных платформ и систем сравнения цен: набор обязательных полей (название, описание, цена, URL, изображение) плюс растущий список рекомендуемых атрибутов. В контексте разговорного ИИ фиды превращаются из рекламных нагрузок в платформу для обучения помощника по покупкам, которая используется по умолчанию.
Отсюда следуют несколько изменений:
Семантическая насыщенность становится критически важной. Такие общие названия, как «Футболка модель 1234 синяя», гораздо менее полезны, чем «Мужская хлопковая футболка облегающего кроя, темно-синяя, с круглым вырезом». ИИ-системы полагаются на текст для сопоставления пользовательского намерения («дышащая беговая футболка для жаркой погоды») с комбинациями атрибутов (ткань, крой, область применения, климат). Интеграция Klarna эффективно вознаграждает продавцов, чьи фиды раскрывают эту семантическую информацию.
Полнота атрибутов определяет качество сопоставления. Когда пользователи запрашивают «ботинки из веганской кожи до 200 долларов с водонепроницаемой подкладкой и европейским размером 38 в наличии», система зависит от явных атрибутов материала, цены, характеристик, размера и статуса наличия на складе. Если в фидах отсутствует какое-либо из этих полей, ИИ приходится гадать или исключать эти товары, снижая как полноту охвата, так и точность.
Обновления в реальном времени становятся более важными. Разговорные запросы часто включают ограничения по наличию и датам доставки. Чтобы отвечать точно, поисковая система Klarna должна получать очень свежие фиды (цены, наличие на складе, варианты доставки) и быстро распространять их в своем инструменте ChatGPT. Продавцы с медленными или пакетными обновлениями рискуют показывать устаревшие предложения или отсутствие товаров в рекомендациях ИИ.
В этой модели качество фида больше не является просто фактором эффективности рекламы; оно напрямую влияет на воспринимаемую компетентность помощника по покупкам с ИИ. Плохие фиды приводят к «глупым» рекомендациям, даже если сама модель является современной.
Стандарты каталогизации: ИИ как потребитель и контролер
Интеграция подчеркивает, как стандартизация каталогов становится необходимостью, связанной с конкуренцией, а не задачей внутренней работы. Чтобы агрегировать товары от многих продавцов в один согласованный поисковый индекс, Klarna уже нормализует категории, атрибуты и таксономии. В ChatGPT эта нормализация еще более важна, поскольку система должна преобразовывать запросы в свободной форме в последовательные фильтры атрибутов.
Появляются несколько тенденций:
Сближение общих таксономий. Когда разные продавцы описывают похожие товары, используя непоследовательные термины, уровень каталогизации Klarna должен отображать их в общую схему (например, унифицируя «sneaker» (кроссовка), «trainer» (спортивный ботинок), «running shoe» (кроссовка для бега)). Это подталкивает рынок к стандартизированным типам товаров и атрибутам, поскольку выбросы сложнее сопоставить и отобразить.
Машинное категорирование в масштабе. Чтобы обеспечить достаточно широкое охватывание каталога для полезных покупок с использованием ИИ, Klarna полагается на автоматическую классификацию и извлечение атрибутов из названий, описаний и изображений товаров. Качество здесь во многом зависит от структурированного ввода: четкие поля бренда, стандартизированные форматы размеров, нормализованные названия цветов и так далее.
Петля обратной связи от запросов ИИ к структуре каталога. Когда пользователи ChatGPT неоднократно запрашивают комбинации, которые не указаны в каталоге (например, «тихая механическая клавиатура для офисного использования»), Klarna получает сигнал о том, что атрибуты «уровень шума» или «область применения», возможно, необходимо формализовать и добавить. Таким образом, интеграция становится датчиком для выявления новых граней товаров, которые стоит стандартизировать.
По сути, ИИ становится одновременно потребителем стандартов каталогизации и движущей силой для их развития. Продавцы, которые согласовывают свои модели данных с этими развивающимися схемами, увидят, что их товары более точно интерпретируются в разговорном контексте.
Качество контента о товарах: вне SEO, в сторону релевантности для разговора
В течение многих лет продавцы оптимизировали контент о товарах в основном для SEO, показателей качества рекламы и базовых показателей конверсии. Покупки с использованием ИИ пересматривают проблему: описания, маркированные списки и метаданные теперь являются входными данными для системы, которой поручено понимать нюансы пользовательских намерений и рассуждать о компромиссах.
Это меняет приоритеты несколькими способами:
Четкость и конкретика вместо заполнения ключевыми словами. ИИ-модели выигрывают от однозначного, фактического языка, который раскрывает характеристики, преимущества и ограничения. Описания, перегруженные маркетинговыми клише или слабо связанными ключевыми словами, могут размывать сигнал, необходимый модели для хороших совпадений.
Структурированный контент как средство обеспечения. Разбивка информации о товаре на структурированные поля (состав, инструкции по уходу, гарантия, совместимость, класс энергоэффективности и т. д.) увеличивает вероятность того, что ИИ сможет непосредственно ответить на вопросы пользователей, вместо того чтобы делать общие предложения. Интеграция Klarna неявно отдает предпочтение каталогам, в которых присутствует такая структура.
Охват атрибутов «длинного хвоста». Многие разговорные запросы по своей сути являются длиннохвостыми («подарок для 7-летнего ребенка, интересующегося астрономией и динозаврами, стоимостью до 30 долларов»). Даже если ни один атрибут не охватывает это полностью, более подробные описания и теги упрощают для ИИ аппроксимацию ответа путем вывода соответствующих категорий и тем.
По мере того, как ИИ опосредует большую часть процесса поиска, грань между «маркетинговой копией» и «машиночитаемой спецификацией» стирается. Команды контента будут все чаще создавать гибридные повествования о товарах, предназначенные как для людей, так и для интерпретации ИИ.
Скорость пополнения ассортимента: как быстро новые товары попадают в каналы ИИ
Еще одним следствием является скорость, с которой новый ассортимент становится доступным в разговорных интерфейсах. Традиционно конвейер выглядел следующим образом: добавление товара → обогащение каталога → генерация фида → распространение по рекламе/маркетплейсам → конечное появление в результатах поиска. Каждый шаг мог занять часы или дни.
Когда поиск товаров Klarna встроен в ChatGPT, «время до видимости в ИИ» становится новым KPI. Продавцы, подключенные к экосистеме Klarna, захотят, чтобы их товары появлялись в рекомендациях с помощью ИИ, как только они начнут продаваться.
Основные факторы, влияющие на эту скорость, включают:
Степень автоматизации при добавлении. Рабочие процессы на основе ручных электронных таблиц замедляют распространение новых SKU в централизованные каталоги. Интеграция на основе API и автоматический импорт из систем PIM/ERP позволяют практически в реальном времени отражать новые товары в фиде Klarna.
Использование ИИ для обогащения контента. Если продавцы используют инструменты ИИ для автоматической генерации названий, описаний и атрибутов при добавлении, они могут быстрее достичь минимального порога качества контента. Это сокращает задержку между созданием SKU и возможностью включения в запросы покупок с использованием ИИ.
Непрерывные циклы проверки. По мере того, как поисковая система с ИИ отображает товары в более сложных комбинациях, пробелы и несоответствия в новых листингах будет проще обнаружить (например, товары, которые часто пропускаются или неправильно классифицируются в определенных запросах). Интеграция этих сигналов в контроль качества каталога может дополнительно сократить время до «полной готовности» к ИИ-каналам.
В этом контексте скорость пополнения ассортимента заключается не только в том, как быстро товар появляется на веб-сайте, но и в том, как быстро он становится понятным и удобным для разговорных агентов.
No-code и ИИ в рабочем процессе продавца
Интеграция Klarna–ChatGPT также показывает, как инструменты no-code и на основе ИИ переопределяют операции продавцов вокруг фидов и каталогов. Те же технические силы, которые делают возможными покупки в режиме беседы, также меняют внутренние процессы:
Нормализация фида с помощью ИИ. Вместо того, чтобы вручную сопоставлять сотни атрибутов со схемой агрегатора, продавцы могут использовать инструменты сопоставления на основе ИИ, которые выводят соответствия между локальными полями и требуемыми форматами, снижая затраты и сроки интеграции.
Коннекторы no-code к агрегаторам. Визуальные конструкторы рабочих процессов позволяют нетехническим командам настраивать и поддерживать потоки данных с платформ электронной коммерции, систем PIM и ERP до конечных точек каталога Klarna. Это снижает барьер для представления в опыте покупок с использованием ИИ для небольших продавцов.
Автоматизированная генерация и перевод контента. Для международных каталогов ИИ может генерировать локализованные названия, описания и метки атрибутов в масштабе, гарантируя, что товары будут одинаково доступны на нескольких языках. Это особенно актуально, когда разговорные запросы в ChatGPT делаются в разных регионах, но должны сопоставляться с единым индексом товаров.
Динамическая логика мерчендайзинга. Продавцы могут экспериментировать со стратегиями ценообразования и ассортимента на основе правил или ИИ (например, автоматически помечать товары как «бюджетные», «премиальные» или «экологически чистые» на основе внутренних критериев), чтобы разговорные системы могли лучше согласовывать результаты с сегментами, помеченными намерениями, такими как «соотношение цены и качества» или «устойчивый выбор».
В целом, инструменты no-code и ИИ уменьшают трение между внутренними структурами данных продавцов и стандартизированным, качественным каталогом, который Klarna должна поддерживать для обеспечения поиска товаров в ChatGPT.
Стратегические последствия для экосистем электронной коммерции
С точки зрения экосистемы, внедрение каталога покупок на основе ИИ в общецелевого разговорного агента создает новый вид «метаслоя» над отдельными интернет-магазинами и маркетплейсами. Можно выделить несколько долгосрочных последствий в качестве гипотез:
Конкуренция смещается к качеству данных и глубине интеграции. По мере того, как все больше объемов покупок будет проходить через ИИ-помощников, продавцы и агрегаторы с превосходными структурированными данными и более тесными API-соединениями будут находиться в лучшем положении, чем те, кто полагается на устаревшие фиды.
Роль страницы сведений о товаре меняется. Если первоначальный поиск и сравнение все чаще происходят внутри интерфейса разговорного типа, страница товара на сайте должна быть сосредоточена на конверсии, информации после покупки и богатом опыте, а не служить основным драйвером поиска.
Измерение и атрибуция становятся более сложными. Когда ИИ-агент опосредует пользовательские пути, традиционная атрибуция по последнему клику теряет информацию о том, как конкретные улучшения фида, обогащение атрибутов или изменения контента повлияли на рекомендации. Потребуются новые рамки измерения, чтобы понять причины и следствия.
Стандарты ужесточаются вокруг сценариев использования ИИ. Поскольку Klarna и подобные игроки наблюдают, какие атрибуты и структуры контента наиболее непосредственно влияют на качество покупок с использованием ИИ, эти требования, вероятно, будут кодифицированы в более строгие спецификации добавления и фидов. Со временем это может привести к фактическим отраслевым стандартам для каталогов, готовых к ИИ.
Поэтому интеграция Klarna своего поиска товаров с использованием ИИ в ChatGPT – это больше, чем новый пользовательский интерфейс для поиска товаров. Это сигнал о том, что разговорный ИИ становится каналом первого класса в электронной коммерции, и что базовая инфраструктура контента и данных — фиды товаров, стандарты каталогизации и автоматизированные операции с контентом — теперь являются стратегическим активом, а не деталью внутренней работы.
Развитие подчеркивает растущую важность хорошо структурированных данных о товарах в ландшафте электронной коммерции. По мере того, как покупки с использованием ИИ набирают обороты, потребность во всесторонней категоризации товаров, обогащенном контенте и обновлениях в реальном времени становится первостепенной. NotPIM предоставляет решение для предприятий, сталкивающихся с этими проблемами, предлагая автоматическое преобразование фидов, обогащение товаров и возможности унификации каталогов, что в конечном итоге позволяет продавцам оптимизировать свои данные о товарах для удовлетворения растущих потребностей каналов покупок на основе ИИ. Этот переход к электронной коммерции, управляемой данными, подтверждает решающую роль таких платформ, как NotPIM, в поддержке бизнеса при переходе к этой трансформации.