Od buzzworda do okosnice: AI Product Discovery ulazi u kritičnu fazu
Nedavni intervju s CMO-om tvrtke Luigi’s Box, pružatelja alata za pretraživanje na web stranicama i otkrivanje proizvoda temeljenih na umjetnoj inteligenciji, ističe kako se pretraživanje, preporuke i merchandising obnavljaju oko strojnog učenja i generativne umjetne inteligencije. Glavna poruka: u sljedećih pet godina e-commerce brendovi prestat će se razlikovati pristupom samoj AI tehnologiji i umjesto toga natjecati će se u tome koliko učinkovito strukturiraju podatke o proizvodima, orkestriraju tijekove rada sadržaja i usklađuju AI s merchandising strategijom. AI-om pokretano otkrivanje proizvoda prelazi iz sloja optimizacije "lijepo je imati" u središnji element commerce stoga koji određuje što kupci vide, koliko brzo novi asortimani postaju dostupni i koliko se dosljedno provode standardi kataloga.
Ova se promjena događa na pozadini usvajanja generativne umjetne inteligencije u online maloprodaji: velika tržišta već su ugradila umjetnu inteligenciju u rangiranje, određivanje cijena, generiranje sadržaja i korisničku podršku, dok trgovci srednje veličine počinju primjenjivati umjetnu inteligenciju za obogaćivanje kataloga i automatizaciju rutinskih zadataka vezanih uz sadržaj bez koda. Komentari u industriji u publikacijama kao što su McKinsey i Shopify ukazuju na konvergenciju: pretraživanje, preporuke, personalizacija i operacije sadržaja više nisu odvojene funkcije, već dijelovi jednog AI-om pokretanog sloja "otkrivanja proizvoda" koji se nalazi na vrhu kataloga i hrani svaku površinu okrenutu kupcu. U isto vrijeme, stručnjaci upozoravaju da kvaliteta ulaznih podataka, struktura kataloga i upravljanje postaju jednako važni kao i sami modeli.
Zašto je AI Product Discovery sada važan
Otkrivanje proizvoda nekada je značilo pretraživanje ključnim riječima plus nekoliko ručnih filtara i statičnih kategorijskih odredišnih stranica. Umjetna inteligencija to transformira u tri smjera odjednom:
- Rezultati pretraživanja sve su semantički, razumiju namjeru, a ne točne podudarnosti u naslovima ili atributima proizvoda.
- Preporuke se oslanjaju na ugrađene elemente ponašanja i modele sličnosti, a ne na jednostavna pravila "kupljeno zajedno".
- Merchandising postaje mješavina algoritamskog rangiranja i ljudskih poslovnih pravila, a ne isključivo sortiranje na temelju pravila.
U tom kontekstu, Luigi’s Box i slične platforme naglašavaju da je izvedba modela čvrsto povezana s kvalitetom kataloga: nedostajući atributi, nedosljedno imenovanje, loša kategorizacija i rijetki opisi izravno smanjuju relevantnost i konverziju. Studije slučajeva iz industrije dosljedno pokazuju poboljšanje kada trgovci očiste podatke o proizvodima i obogate atribute prije ili zajedno s bilo kakvim pokretanjem umjetne inteligencije. Ovo ispreplitanje umjetne inteligencije i kvalitete kataloga objašnjava zašto se otkrivanje proizvoda sada tretira kao strateška sposobnost, a ne samo nadogradnja pretraživanja.
Utjecaj na podatke o proizvodima: od statičnih izvoza do grafova znanja uživo
Podaci o proizvodima tradicionalno su bili statični izvozi optimizirani za platforme za oglašavanje i tržišta. Otkrivanje proizvoda putem umjetne inteligencije zahtijeva drugačiji profil feedova i drugačiji operativni način razmišljanja.
Prvo, podaci moraju postati detaljniji i standardizirani. AI modeli ovise o strukturiranim signalima: normalizirane kategorije, dosljedna imena atributa, strojno čitljive vrijednosti (veličine, materijali, kompatibilnost, stilovi, prigode), metapodaci o dostupnosti i određivanju cijena, pokazatelji kvalitete sadržaja, a ponekad čak i životni ciklusi (novi dolazak, sezonski, rasprodaja). Tamo gdje je ranije bio dovoljan minimalni skup polja za ulistavanje proizvoda, otkrivanje temeljeno na umjetnoj inteligenciji zahtijeva gustu mrežu atributa za podršku semantičkom razumijevanju, filtriranju i personaliziranom rangiranju.
Drugo, podaci moraju biti ažurirani u gotovo stvarnom vremenu. Kako se AI preporuke prilagođavaju ponašanju korisnika i stanju zaliha, zastarjeli podaci uzrokuju vidljive razlike: proizvodi se pojavljuju u pretraživanju kojih nema na zalihama, cijene u widgetima se razlikuju od košarice ili novododani artikli ostaju "nevidljivi" jer model nema dovoljno signala. Mnogi commerce timovi sada prelaze s noćnih izvoza na arhitekture vođene događajima ili streamingom gdje se ažuriranja podataka pokreću promjenama kataloga, uređivanjima sadržaja i događajima u inventaru.
Treće, nestrukturirani sadržaj unutar podataka postaje samostalni ulaz u model. Naslove, opise, specifikacije, FAQ-ove, isječke UGC-a, pa čak i interne oznake obrađuju ugrađeni elementi i LLM-ovi za podudaranje sličnosti i namjere. To tjera organizacije da preispitaju pripremu podataka: to više nije samo tehnički zadatak integracije, već proces inženjeringa sadržaja gdje tekstualna kvaliteta, dosljednost jezika i dupliranje izravno utječu na ponašanje umjetne inteligencije.
Standardi kataloga kao konkurentska prednost
Kako alati za otkrivanje temeljeni na umjetnoj inteligenciji sazrijevaju, upravljanje katalogom postaje vektor diferencijacije. Razgovor oko Luigi’s Boxa naglašava širi pogled industrije: trgovci koji će najviše imati koristi od umjetne inteligencije u sljedećih pet godina su oni koji standarde kataloga tretiraju kao stratešku prednost, a ne kao operativnu nemarnost.
Pojavljuju se nekoliko trendova:
- Taksonomija i modeli atributa redizajnirani su tako da budu navigabilni i za ljude i za strojeve. Umjesto ad hoc kategorija, brendovi prelaze na robusne, višerazinske taksonomije s jasnim pravilima za postavljanje proizvoda i nasljeđivanje atributa.
- Ugovori o podacima između merchandisinga, sadržaja i inženjerskih timova su formalizirani. Svaki atribut ima definirani izvor, pravila validacije i ciljeve potpunosti. To smanjuje "tihu entropiju" koja se nakuplja kada stotine ljudi kreiraju proizvode na različite načine.
- Globalne i lokalne varijacije eksplicitno su kodirane. Za trgovce koji djeluju u više zemalja, AI modeli moraju razumjeti regionalne sheme veličina, regulatorne oznake, kulturološke razlike u nazivima i jezične varijante. To tjera standarde kataloga da od početka uzmu u obzir lokalizaciju.
U stručnim komentarima to se ponekad opisuje kao pojava "grafa znanja o proizvodima" umjesto jednostavnog popisa SKU-ova. Sustavi za otkrivanje putem umjetne inteligencije djeluju učinkovitije kada su proizvodi i atributi povezani u strukturi sličnoj grafu koja kodira odnose (kompatibilnost, zamjene, komplementi, kolekcije, paketi). To zauzvrat omogućuje semantičko pretraživanje i modele preporuka da rezoniraju nad katalogom, a ne samo da ga indeksiraju.
Stranice s detaljima o proizvodu: kvaliteta, potpunost i obogaćivanje vođeno umjetnom inteligencijom
Umjetna inteligencija također preoblikuje očekivanja za stranice s detaljima o proizvodima (PDP). U prošlosti je kvaliteta PDP-a uvelike ovisila o ručnom pisanju tekstova i sadržaju koji je pružao dobavljač. Danas alati za generativnu umjetnu inteligenciju mogu kreirati opise, crtice, vodiče za veličine, FAQ i čak kreativne elemente iz strukturiranog skupa atributa i nekoliko referentnih primjera.
Međutim, praktičari u industriji sve više gledaju na umjetnu inteligenciju kao pojačivač temeljnih podataka, a ne kao zamjenu za njih. Kad su atributi nepotpuni ili nedosljedni, generirani opisi odražavaju te praznine — postaju generički, ponavljajući ili činjenično tanki. Suprotno tome, kada su atributi bogati, umjetna inteligencija može sintetizirati više dijelova informacija (specifikacije, materijale, slučajeve uporabe, upute za njegu, kompatibilnost) u koherentne narative specifične za publiku.
Slijedi nekoliko konkretnih promjena u radu s PDP-om:
- Dovršavanje atributa postaje prioritetni KPI. Timovi koriste umjetnu inteligenciju za otkrivanje polja koja nedostaju, predlaganje vjerojatnih vrijednosti na temelju sličnih stavki i iznošenje anomalija na ljudsku provjeru.
- Varijacija sadržaja generira se u velikim razmjerima. Iz jednog zapisa o proizvodu, umjetna inteligencija može proizvesti verzije opisa prilagođene različitim tržištima, uređajima ili kanalima akvizicije, a ipak utemeljene na istim strukturiranim podacima.
- UGC i pitanja kupaca se analiziraju kao dodatni signali. Recenzije i pitanja i odgovori analiziraju se kako bi se izdvojili ponavljajući atributi, slučajevi uporabe i primjedbe, koji se zatim vraćaju u strukturirana polja i sadržaj PDP-a.
Sljedećih pet godina vjerojatno će vidjeti da se brendovi ocjenjuju manje prema apsolutnoj originalnosti svojih tekstova, a više prema dosljednosti, dubini i ispravnosti informacija o njihovim proizvodima koje posreduje umjetna inteligencija.
Brzina do tržišta: komprimiranje ciklusa lansiranja kataloga
Središnja tema u intervjuima u industriji, uključujući one s vodstvom Luigi’s Boxa, je kompresija vremena koje je potrebno za prelazak s dostupnosti proizvoda na mogućnost otkrivanja. Povijesno gledano, lansiranje novih asortimana uključivalo je višestruke uzastopne korake: onboarding dobavljača, mapiranje atributa, pisanje tekstova, izradu slika, QA, konfiguraciju merchandisinga, podešavanje pretraživanja. Svaka predaja uvela je kašnjenja i ručne pogreške.
Umjetna inteligencija i alati bez koda sada se koriste za paralelno i automatizirano obavljanje većeg dijela ovog tijeka rada:
- Predlošci za onboarding vođeni shemama vode dobavljače da isporuče podatke u ispravnoj strukturi od samog početka, smanjujući čišćenje u nastavku.
- AI-om pokretane mape usklađuju atribute dobavljača s internim taksonomijama, sugerirajući smještaj u kategoriju i označavajući dvoznačne slučajeve za ljudski pregled.
- Generativni alati stvaraju inicijalni sadržaj PDP-a, alt tekstove i interne sinonime pretraživanja izravno iz strukturiranog zapisa, koje zatim urednici usavršavaju umjesto da ih pišu od nule.
- Automatske provjere relevantnosti i simulirani testovi pretraživanja potvrđuju da se novouvjetni proizvodi mogu pronaći za ključne upite prije nego što postanu dostupni.
Kao rezultat toga, uska grla u mnogim organizacijama pomiču se s proizvodnje sadržaja na dizajn procesa: koliko brzo timovi mogu definirati i prilagoditi pravila kataloga, pragove kvalitete i AI upite bez intervencije inženjera? Tu se no-code slojevi orkestracije ističu.
No-Code, AI i nova infrastruktura sadržaja
Sve veći fokus na otkrivanje proizvoda putem umjetne inteligencije ubrzava ulaganja u alate bez koda i s malo koda koji se nalaze između temeljnih commerce platformi i iskustava okrenutih kupcima. Ovi alati imaju za cilj dati poslovnim korisnicima izravnu kontrolu nad time kako umjetna inteligencija komunicira s podacima i sadržajem kataloga.
Ključni uzorci uključuju:
- No-code konfiguracija pravila rangiranja i poslovne logike na vrhu AI modela. Merchandiseri mogu specificirati uvjete kao što su prioriteti marže, ograničenja izloženosti robne marke ili sezonsko pojačanje bez modificiranja koda modela.
- Vizualna sučelja za izgradnju tijekova rada obogaćivanja. Netehnički korisnici mogu definirati kada bi umjetna inteligencija trebala generirati atribute koji nedostaju, predložiti prijevode ili ažurirati interne oznake na temelju signala izvedbe.
- Upravljanje upitima kao komponenta sustava. Kako se generativna umjetna inteligencija koristi za opise, tekstove kategorija i kopije na licu mjesta, upute i zaštitne ograde se održavaju centralno, verziraju i povezuju s modelima kataloga, umjesto da budu ad hoc tekstualni fragmenti.
Komentari u publikacijama poput Harvard Business Reviewa i The Informationa sugeriraju da će se organizacije koje odvajaju "AI instalacije" (infrastruktura, modeli, sigurnost) od "AI koreografije" (upute, tijekovi rada, poslovna pravila) brže prilagoditi. U ovom pogledu, platforme za otkrivanje proizvoda postaju središta orkestracije: povezuju se sa sustavom za upravljanje informacijama o proizvodima, analitikom, alatima za eksperimentiranje i izlogom, dok izlažu sloj bez koda za eksperimentiranje i upravljanje.
Diferencijacija u sljedećih pet godina: podaci, upravljanje i usklađivanje
Središnja tvrdnja iza perspektive CMO-a Luigi’s Boxa je da su same AI mogućnosti na putu prema komodiranju. Kako temelji modeli za jezik i preporuke postaju široko dostupni, barijera za ulazak u osnovno pretraživanje i personalizaciju vođeno umjetnom inteligencijom će pasti. Ono što će ostati teško — i stoga diferencirajuće — je usklađivanje između četiri elementa:
- Dubina i čistoća podataka o proizvodima.
- Robustnost standarda i taksonomija kataloga.
- Zrelost tijekova rada sadržaja i merchandisinga.
- Upravljanje načinom na koji se primjenjuje, revidira i iterira umjetna inteligencija.
Ovaj pogled se slaže sa širim hipotezama industrije: u srednjem roku, konkurentska prednost neće dolaziti iz ekskluzivnih algoritama, već iz vlasničkog, dobro strukturiranog znanja o proizvodima i iz operativne sposobnosti odgovornog i brzog implementiranja umjetne inteligencije u procesima sadržaja. Brendovi koji i dalje tretiraju podatke, strukturu kataloga i sadržaj PDP-a kao isključivo operativne probleme u pozadini riskiraju nedovoljno korištenje AI alata i vide slabiji povrat, čak i ako usvoje iste tehnologije kao i njihovi konkurenti.
U isto vrijeme, postoji otvoreno pitanje koliko daleko može ići automatizacija bez erozije uočene prepoznatljivosti robne marke. Neki stručnjaci tvrde da prekomjerno oslanjanje na generativne predloške može dovesti do homogeniziranih PDP-ova diljem trgovaca, što kupcima otežava razlikovanje ponuda. Drugi se protive da je standardizacija informativnog sadržaja (specifikacije, značajke, kompatibilnost) korisna i da će se diferencijacija pomaknuti na dizajn iskustva, razine usluga i zajednicu, a ne na stil kopiranja. To ostaje živa rasprava i treba je tretirati kao hipotezu koja se razvija, a ne kao riješeni ishod.
Implikacije za e-commerce i content timove
Za praktičare u e-commerce i operacijama sadržaja, trenutni val otkrivanja proizvoda putem umjetne inteligencije nosi nekoliko praktičnih implikacija:
- Rad s katalogom postaje strateški. Dizajn taksonomije, upravljanje atributima i kvaliteta podataka više nisu zadaci "higijene podataka", već primarne poluge kvalitete pretraživanja i konverzije.
- Content timovi se približavaju data timovima. Pisci i urednici moraju razumjeti modele atributa, dok data stewardi moraju uzeti u obzir zahtjeve pripovijedanja i UX-a.
- Vještine bez koda rastu u važnosti. Sposobnost konfiguriranja AI tijekova rada, upravljanja upitima i prilagodbe politika rangiranja bez koda postaje temeljna kompetencija za merchandisere i voditelje proizvoda.
- Mjerenje se pomiče na metrike otkrića. Osim tradicionalnih stopa konverzije, timovi sve više prate mogućnost pronalaženja, rezultate relevantnosti, upite s nula rezultata i vrijeme do otkrivanja za nove asortimane.
U ovom okruženju, intervju s CMO-om Luigi’s Boxa ilustrira širu tranziciju industrije: umjetna inteligencija u commerceu prelazi s izoliranih eksperimenata na infrastrukturni sloj koji povezuje podatke, standarde kataloga, kvalitetu PDP-a, brzinu lansiranja i automatizaciju bez koda. Diferencijacija u sljedećih pet godina vjerojatno neće ovisiti o tome tko "ima umjetnu inteligenciju", već o tome tko preoblikuje svoju infrastrukturu sadržaja i podataka kako bi dopustio da otkrivanje proizvoda putem umjetne inteligencije učinkovito i transparentno odradi svoj posao.
U NotPIM-u prepoznajemo vitalnu važnost kvalitete podataka i upravljanja u ovom evoluirajućem okruženju. Naša platforma je posebno osmišljena da odgovori na izazove istaknute u ovom članku. Dajemo e-commerce tvrtkama mogućnost pojednostavljenja upravljanja podacima, standardizacije informacija o proizvodima i obogaćivanja njihovih kataloga, osiguravajući da mogu u potpunosti iskoristiti tehnologije otkrivanja proizvoda vođene umjetnom inteligencijom. To našim klijentima omogućuje da se usredotoče na strateške inicijative, dizajn iskustva i izgradnju prepoznatljivosti robne marke.