Klarna x ChatGPT: Uspon kupovine uz pomoć veštačke inteligencije i važnost podataka o proizvodima

Što se dogodilo

Klarnina pretraga kupovine pokretana umjetnom inteligencijom integrirana je izravno u ChatGPT putem dodatka, što korisnicima na podržanim tržištima omogućuje otkrivanje, usporedbu i istraživanje proizvoda iz Klarninog sustava višeprodavača bez napuštanja sučelja ChatGPT. Prema ranijim najavama tvrtke Klarna, njezina pretraga kupovine izgrađena je na katalogu proizvoda koji objedinjuje milijune artikala od tisuća trgovaca, normalizirajući cijene, dostupnost i atribute proizvoda u velikom opsegu. Klarna ovaj katalog pozicionira kao temelj za "sustav kupovine od kraja do kraja" koji može odgovoriti na upite u razgovornom obliku poput "pronađi mi zimski kaput povoljan za proračun ispod 150 dolara, sličan marki X, s dostavom sljedeći dan".

Unutar ChatGPT-a, ta je funkcionalnost izložena kao alat koji model može pozvati kada se korisnikov upit odnosi na kupovinu. Sustav uzima upit na prirodnom jeziku, prosljeđuje ga na Klarnin API za pretraživanje, dohvaća strukturirane rezultate proizvoda i vraća ih kao kuriranu, razgovornu preporuku za kupovinu unutar chata. Očekuje se da će se ova integracija s vremenom proširiti u smislu geografskih područja, vertikala i podržanih značajki (npr. bogatiji filtri, personalizacija na temelju korisničkih postavki, napredniji prikazi usporedbe), dok temeljna arhitektura ostaje ista: razgovorna namjera unutra, strukturirani feed proizvoda van.

Zašto je to važno za infrastrukturu e-trgovine

Na prvi pogled, ovo je priča o distribuciji: Klarna donosi svoju pretragu kupovine u jedno od najčešće korištenih sučelja razgovorne umjetne inteligencije. Ali za infrastrukturu e-trgovine i sadržaja, dublji značaj leži u tri pomaka:

1. Otkrivanje proizvoda prelazi s tradicionalnih okvira za pretraživanje na dijaloge pokretane umjetnom inteligencijom.
2. Kvaliteta temeljnih feedova proizvoda postaje izravan ograničavajući faktor za performanse kupovine umjetnom inteligencijom.
3. Standardi kataloga, tijekovi rada obogaćivanja i alati bez koda/umjetne inteligencije postaju središnji za to koliko brzo asortiman može biti prikazan u novim kanalima umjetne inteligencije.

U praksi, to znači da će bitku za vidljivost unutar razgovornih sučelja dobiti ne samo cijene i marketinški proračuni, već i higijena podataka: koliko čisto i dosljedno se proizvodi opisuju, kategoriziraju i obogaćuju.

Utjecaj na feedove proizvoda: od "korisnog opterećenja oglasa" do "supstrata za obuku umjetnom inteligencijom"

Feedovi proizvoda povijesno su formatirani prvenstveno za platforme za oglašavanje i tražilice za usporedbu: skup potrebnih polja (naziv, opis, cijena, URL, slika) plus rastući popis preporučenih atributa. U kontekstu razgovorne umjetne inteligencije, feedovi se razvijaju iz korisnog opterećenja oglasa u de facto supstrat za obuku pomoćnika za kupovinu.

Iz toga proizlazi nekoliko promjena:

• Semantička bogatost postaje kritična. Općeniti nazivi kao što su "Majica model 1234 plava" znatno su manje korisni od "Muške majice od pamuka uskog kroja, mornarsko plave boje, okrugli izrez". Sustavi umjetne inteligencije oslanjaju se na tekst kako bi mapirali namjeru korisnika ("prozračna majica za trčanje za vruće vrijeme") na kombinacije atributa (tkanina, krojenje, slučaj uporabe, klima). Klarnina integracija učinkovito nagrađuje trgovce čiji feedovi izlažu taj semantički detalj.
• Potpunost atributa pokreće kvalitetu podudaranja. Kada korisnici traže "čizme od veganske kože ispod 200 dolara s vodootpornom podstavom i brojem 38 EU na zalihi", sustav se oslanja na eksplicitne atribute za materijal, cijenu, značajke, veličinu i status zaliha. Ako feedovima nedostaje neko od ovih polja, umjetna inteligencija mora pogađati ili isključiti te stavke, umanjujući i opoziv i preciznost.
• Ažuriranja u stvarnom vremenu postaju važnija. Razgovorni upiti često uključuju ograničenja u pogledu dostupnosti i datuma isporuke. Da bi odgovorila točno, Klarnina pretraga mora konzumirati vrlo svježe feedove (cijene, zalihe, opcije dostave) i brzo ih propagirati u svoj alat ChatGPT. Trgovci s sporim ili serijskim ažuriranjem riskiraju prikazivanje zastarjelih ponuda ili rasprodaja u preporukama umjetne inteligencije.

U ovom modelu, kvaliteta feeda više nije samo čimbenik u učinkovitosti oglasa; izravno oblikuje percipiranu kompetenciju pomoćnika za kupovinu umjetnom inteligencijom. Loši feedovi prevode se u "glupe" preporuke, čak i kada je sam model vrhunski.

Standardi kataloga: umjetna inteligencija kao potrošač i izvršitelj

Integracija naglašava kako standardizacija kataloga postaje konkurentna nužnost, a ne zadatak internog održavanja. Da bi objedinio proizvode od mnogih trgovaca u jedan koherentan indeks pretraživanja, Klarna već normalizira kategorije, atribute i taksonomije. Unutar ChatGPT-a, ova je normalizacija još značajnija jer sustav mora prevesti upite u slobodnom obliku u dosljedne filtre atributa.

Pojavljuju se nekoliko trendova:

• Konvergencija na zajedničke taksonomije. Kada različiti trgovci opisuju slične artikle koristeći nedosljedne termine, Klarnin sloj katalogizacije mora ih mapirati u zajedničku shemu (npr., ujediniti "tenisica", "trenerica", "cipela za trčanje"). To potiče konvergenciju na tržištu prema standardiziranim vrstama proizvoda i atributima, jer je teže uskladiti i prikazati iznimke.
• Kategorizacija uz pomoć stroja u velikom opsegu. Kako bi pokrivenost kataloga bila dovoljno široka za korisnu kupovinu umjetnom inteligencijom, Klarna se oslanja na automatiziranu klasifikaciju i izdvajanje atributa iz naziva proizvoda, opisa i slika. Kvaliteta ovdje uvelike ovisi o strukturiranom unosu: jasna polja robne marke, standardizirani formati veličina, normalizirani nazivi boja i tako dalje.
• Petlja povratnih informacija od upita umjetne inteligencije do strukture kataloga. Kada korisnici ChatGPT-a opetovano pitaju za kombinacije koje nisu eksplicitne u katalogu (na primjer, "tiha mehanička tipkovnica za uredsku upotrebu"), Klarna dobiva signal da će možda trebati formalizirati i dodati atribute "razina buke" ili "slučaj uporabe". Integracija tako postaje senzor za nove aspekte proizvoda koje vrijedi standardizirati.

Zapravo, umjetna inteligencija postaje i potrošač standarda kataloga i pokretač njihove evolucije. Trgovci koji usklade svoje podatkovne modele s ovim razvojnim shemama vidjet će da se njihovi proizvodi točnije tumače u razgovornim kontekstima.

Kvaliteta sadržaja proizvoda: izvan SEO-a, prema relevantnosti u razgovoru

Godinama su trgovci optimizirali sadržaj proizvoda prvenstveno za SEO, ocjene kvalitete oglasa i osnovne metričke konverzije. Kupovina putem umjetne inteligencije preoblikuje problem: opisi, oznake i metapodaci sada su ulazi za sustav koji ima zadatak razumjeti nijansiranu namjeru korisnika i razmišljati o kompromisima.

To mijenja prioritete na nekoliko načina:

• Jasnoća i specifičnost u odnosu na punjenje ključnim riječima. Modeli umjetne inteligencije imaju koristi od nedvosmislenog, činjeničnog jezika koji izlaže značajke, prednosti i ograničenja. Opisi preopterećeni marketinškim klišeima ili labavo relevantnim ključnim riječima mogu razvodniti signal koji model treba za dobra podudaranja.
• Strukturirani sadržaj kao pokretač. Podjela informacija o proizvodu u strukturirana polja (sastav, upute za njegu, jamstvo, kompatibilnost, energetski razred itd.) povećava šansu da umjetna inteligencija može izravno odgovoriti na korisnička pitanja, umjesto da daje općenite prijedloge. Klarnina integracija implicitno favorizira kataloge u kojima je takva struktura prisutna.
• Pokrivenost dugorepim atributima. Mnogi razgovorni zahtjevi su inherentno dugorepi ("poklon za sedmogodišnjaka zainteresiranog za astronomiju i dinosaure ispod 30 USD"). Čak i kada niti jedan atribut u potpunosti ne obuhvati to, bogatiji opisi i oznake olakšavaju umjetnoj inteligenciji da aproksimira odgovor zaključivanjem relevantnih kategorija i tema.

Kako umjetna inteligencija posreduje više u procesu otkrivanja, granica između "marketinških kopija" i "strojno čitljivih specifikacija" se zamućuje. Timovi za sadržaj će sve više stvarati hibridne narative o proizvodima osmišljene da budu i prikladne za ljude i interpretativne za umjetnu inteligenciju.

Brzina asortimana: koliko brzo novi proizvodi stižu do kanala umjetne inteligencije

Još jedna implikacija tiče se brzine kojom novi asortiman postaje prepoznatljiv u razgovornim sučeljima. Tradicionalno je cjevovod izgledao ovako: uvođenje proizvoda → obogaćivanje kataloga → generiranje feeda → distribucija na oglase/tržišta → eventualna pojava u rezultatima pretraživanja. Svaki korak mogao je trajati satima ili danima.

S Klarninom pretragom kupovine ugrađenom u ChatGPT, "vrijeme do vidljivosti umjetne inteligencije" postaje novi KPI. Trgovci povezani s Klarninim sustavom htjet će da se njihovi proizvodi pojave u preporukama uz pomoć umjetne inteligencije čim ih lansiraju.

Ključni čimbenici koji utječu na ovu brzinu uključuju:

• Stupanj automatizacije u uvođenju. Ručni tijekovi rada temeljeni na proračunskim tablicama usporavaju širenje novih SKU-ova u centralizirane kataloge. Integracije temeljene na API-ju i automatizirani uvoz iz PIM/ERP sustava omogućuju gotovo u stvarnom vremenu refleksiju novih artikala u Klarninom feedu.
• Korištenje umjetne inteligencije za obogaćivanje sadržaja. Ako trgovci koriste alate umjetne inteligencije za automatsko generiranje naziva, opisa i atributa tijekom uvođenja, mogu mnogo brže dosegnuti prag minimalne kvalitete sadržaja. To skraćuje kašnjenje između stvaranja SKU-a i ispunjavanja uvjeta za uključivanje u upite za kupovinu umjetnom inteligencijom.
• Kontinuirane petlje provjere valjanosti. Kako pretraživanje pokretano umjetnom inteligencijom prikazuje proizvode u složenijim kombinacijama, praznine i nedosljednosti u novim unosima postat će lakše otkriti (npr. artikli koji se često preskaču ili pogrešno klasificiraju u određenim upitima). Integracija ovih signala u QA kataloga može dodatno smanjiti vrijeme do "pune spremnosti" za kanale umjetne inteligencije.

U tom kontekstu, brzina asortimana nije samo o tome koliko brzo proizvod ide uživo na web stranici, već o tome koliko brzo postaje razumljiv i upotrebljiv za razgovorne agente.

No-code i umjetna inteligencija u tijeku rada trgovca

Klarnina integracija s ChatGPT-om također ilustrira kako alati bez koda i pokretani umjetnom inteligencijom redefiniraju operacije trgovaca oko feedova i kataloga. Iste tehničke snage koje omogućuju razgovornu kupovinu također preoblikuju interne procese:

• Obogaćivanje feeda uz pomoć umjetne inteligencije. Umjesto ručnog mapiranja stotina atributa na shemu agregatora, trgovci mogu koristiti alate za mapiranje pokretane umjetnom inteligencijom koji zaključuju dopisivanja između lokalnih polja i potrebnih formata, smanjujući troškove integracije i vremenske okvire.
• Konektori bez koda za agregatore. Uređivači vizualnog tijeka rada omogućuju netehničkim timovima postavljanje i održavanje tokova podataka s platformi e-trgovine, PIM-a i ERP-a do Klarninih krajnjih točaka kataloga. To smanjuje prepreku za manje trgovce da budu zastupljeni u iskustvima kupovine putem umjetne inteligencije.
• Automatsko generiranje sadržaja i prijevod. Za prekogranične kataloge, umjetna inteligencija može generirati lokalizirane nazive, opise i oznake atributa u velikom opsegu, osiguravajući da se proizvodi mogu jednako otkriti na više jezika. To je osobito relevantno kada se razgovorni upiti u ChatGPT-u upućuju na različitim lokacijama, ali se trebaju mapirati natrag na jedinstveni indeks proizvoda.
• Dinamička logika prodaje. Trgovci mogu eksperimentirati sa strategijama cijena i asortimana temeljenim na pravilima ili pokretanim umjetnom inteligencijom (na primjer, automatsko označavanje artikala kao "proračun", "premium" ili "ekološki prihvatljiv" na temelju internih kriterija) tako da sustavi za razgovor mogu bolje uskladiti rezultate sa segmentima s označenom namjerom kao što su "vrijednost za novac" ili "održivi izbor".

Sve u svemu, alati bez koda i umjetne inteligencije smanjuju trenje između internih struktura podataka trgovaca i standardiziranog, visokokvalitetnog kataloga koji Klarna mora održavati kako bi pokrenula pretragu kupovine unutar ChatGPT-a.

Strateške implikacije za ekosustave e-trgovine

Iz perspektive ekosustava, ugrađivanje kataloga kupovine pokretanog umjetnom inteligencijom u višenamjenski agent za razgovor stvara novu vrstu "meta-sloja" iznad pojedinačnih internetskih trgovina i tržišta. Nekoliko dugoročnih posljedica može se opisati kao hipoteze:

• Konkurencija prelazi na kvalitetu podataka i dubinu integracije. Kako više kupovnog volumena teče kroz asistente umjetne inteligencije, trgovci i agregatori s vrhunskim strukturiranim podacima i čvršćim API vezama bolje su pozicionirani od onih koji se oslanjaju na naslijeđene feedove.
• Uloga stranice s pojedinostima o proizvodu se razvija. Ako se početno otkrivanje i usporedba sve više događaju unutar sučelja razgovora, stranica proizvoda na web-mjestu mora se usredotočiti na konverziju, informacije nakon kupnje i bogato iskustvo, umjesto da služi kao primarni pokretač otkrivanja.
• Mjerenje i atribucija postaju složeniji. Kada agent umjetne inteligencije posreduje u korisničkim putovanjima, tradicionalna atribucija zadnjim klikom gubi uvid u to kako su specifična poboljšanja feeda, obogaćivanje atributa ili promjene sadržaja utjecale na preporuke. Bit će potrebni novi okviri za mjerenje kako bi se razumjeli uzrok i posljedica.
• Standardi se učvršćuju oko slučajeva uporabe umjetne inteligencije. Kako Klarna i slični akteri promatraju koji atributi i strukture sadržaja najizravnije utječu na kvalitetu kupovine umjetnom inteligencijom, ovi su zahtjevi vjerojatno kodificirani u strože specifikacije uvođenja i feeda. S vremenom to može dovesti do de facto industrijskih standarda za kataloge spremne za umjetnu inteligenciju.

Klarnina integracija svoje pretrage kupovine pokretane umjetnom inteligencijom u ChatGPT stoga je više od novog korisničkog sučelja za otkrivanje proizvoda. To je signal da razgovorna umjetna inteligencija postaje kanal prve klase u e-trgovini i da je temeljna infrastruktura sadržaja i podataka — feedovi proizvoda, standardi katalogizacije i automatizirani rad sadržaja — sada strateška imovina, a ne detalj u pozadini.

Razvoj naglašava sve veći značaj dobro strukturiranih podataka o proizvodima unutar krajolika e-trgovine. Kako iskustva kupovine pokretana umjetnom inteligencijom dobivaju na snazi, potreba za sveobuhvatnom kategorizacijom proizvoda, obogaćenim sadržajem i ažuriranjima u stvarnom vremenu postaje najvažnija. NotPIM pruža rješenje za tvrtke suočene s tim izazovima, nudeći automatiziranu konverziju feedova, obogaćivanje proizvoda i mogućnosti ujedinjenja kataloga, što u konačnici omogućuje trgovcima optimiziranje podataka o svojim proizvodima za promjenjive zahtjeve kanala kupovine pokretanih umjetnom inteligencijom. Ovaj pomak prema e-trgovini vođenoj podacima potvrđuje ključnu ulogu platformi poput NotPIM-a u podršci tvrtkama dok se snalaze u ovoj transformaciji.