OpenAI стартира Shopping Research в ChatGPT
OpenAI представи shopping research, нова функция в ChatGPT, която превръща AI в интерактивен търсач на продукти. Потребителите описват нуждите си — като тих безжичен прахосмукачка за малък апартамент или подарък за дете, което обича изкуство — и системата отговаря с уточняващи въпроси за бюджет, размер, предпочитания и приоритети като производителност или цена. След това извършва многостъпкови уеб търсения, извличайки структурирани данни за цените, спецификациите, ревютата и наличността от качествени източници, за да предостави персонализирано ръководство за купувачи с класирани опции, сравнения и компромиси[4][1][2].
Функцията беше пусната на 24 ноември 2025 г. за регистрирани потребители във всички планове — безплатни, Plus, Pro и други — на мобилни устройства и в уеб, с почти неограничено използване по време на празниците, за да помогне при пазаруване на подаръци. Захранван от специализиран GPT-5 mini вариант, обучен чрез подсилващо обучение за задачи за пазаруване, той отнема няколко минути на заявка, постигайки 52% точност при заявки с много ограничения (като конкретни ценови диапазони, цветове и характеристики) в сравнение с 37% за стандартното търсене в ChatGPT. OpenAI отбелязва потенциални грешки в ценообразуването или наличността, призовавайки за проверка на сайтовете на търговците[2][3][4].
Последствия за E-Commerce Product Feeds
Shopping research извлича данни в реално време от мрежата, синтезирайки ги в структурирани ръководства, а не в необработени списъци. Това изисква платформите за електронна търговия да поддържат динамични, висококачествени product feeds с актуални спецификации, цени и ревюта, за да се показват точно в търсенията, задвижвани от AI. Непълните или остарели feeds рискуват да бъдат изключени от препоръките, тъй като AI дава приоритет на надеждни източници[1][4].
За стандартите за каталогизиране функцията налага преминаване към семантично богатство: продуктите трябва да включват подробни атрибути (размери, материали, потребителски оценки), които съответстват на заявките на естествен език. Категории като електроника, красота, стоки за дома, кухненски уреди и външна екипировка се представят най-добре заради спецификациите си, докато облеклото се бори със субективни фактори като прилягане[2][3][4].
Подобряване на качеството и пълнотата на Product Card
Ръководствата за купувачи подчертават компромисите и персонализацията — използвайки паметта на ChatGPT за контекст като минали предпочитания на геймъри или неприязън към стил — разкривайки пропуски в основните product cards. E-commerce трябва да подобри cards с изчерпателни детайли, изображения и генерирано от потребителите съдържание, за да съответства на дълбочината, която AI синтезира. Интерактивните подобрения, като маркиране на опции „не се интересувам“ или „още като това“, допълнително оказват натиск върху платформите да активират филтриране в реално време[1][2][6].
Това повишава летвата за пълнота на съдържанието: частичните спецификации или остарелите ревюта водят до неоптимално класиране, тъй като AI кръстосано препраща към множество сайтове. Платформите със стабилни, стандартизирани cards придобиват видимост в тези разговорни потоци[1][5].
Ускоряване на разполагането на асортимента
Традиционната електронна търговия разчита на ръчно куриране за нови асортименти, но shopping research ускорява откриването чрез незабавно индексиране на уеб данни. Търговците могат да извеждат инвентара по-бързо чрез оптимизирани от AI feeds, намалявайки времето за пускане на пазара за сезонни или нишови артикули. Режимът на задълбочено проучване на функцията — справящ се със сложни решения за минути — заобикаля изчерпателното сърфиране, насочвайки трафика към добре индексирани каталози[4][6].
Празничните стимули като неограничени заявки подчертават тази скорост: периодите с голям трафик засилват експозицията за гъвкави мениджъри на feed, потенциално променяйки скоростта на асортимента от седмици на дни[4]. Научете повече за темата в нашата статия за Common Mistakes in Product Feed Uploads.
No-Code и AI интеграция в работни процеси за съдържание
No-code инструментите вече са интегрирани безпроблемно с AI изследователите, автоматизирайки генерирането на feed и обогатяването на card, без да са необходими dev екипи. Зависимостта на shopping research от структурирани уеб данни стимулира low-code платформите да вграждат AI за динамично каталогизиране, като автоматично тагиране на спецификации или генериране на таблици за сравнение. Можете да разберете как да структурирате продуктовите си данни в CSV формат в нашата статия за CSV Format.
Бъдещо Instant Checkout — вече на живо за избрани търговци — намеква за цикли с обратна връзка, смесващи изследвания с безпроблемни покупки. Тази no-code/AI синергия рационализира инфраструктурата за съдържание, превръщайки статичните каталози в адаптивни системи, отговарящи на заявки[2][3]. Също така, научете повече за Artificial Intelligence for Business.
Retail Dive.
OpenAI Blog.
Развитието на shopping research, задвижван от AI, подчертава решаващата промяна в електронната търговия: акцентът върху качеството и пълнотата на данните в product feeds. Тъй като AI инструментите стават все по-сложни, те разчитат на богата, структурирана информация за продуктите за оптимална производителност. Тази тенденция подчертава важността на решения като NotPIM, които предоставят инструментите и възможностите за стандартизиране, обогатяване и оптимизиране на продуктовите данни, като гарантират, че бизнесът в електронната търговия може да процъфтява във все по-задвижвания от AI пейзаж, като бъде точно и цялостно представен в съответните пътешествия на купувачите. За повече информация вижте нашата статия за Data Integration Challenges.