### ASOS flyttar shoppingsbar video till svarare motorer
ASOS har lanserat en integration som låter shoppare upptäcka och köpa sina produkter direkt från ChatGPT med hjälp av shoppingsbar video. Genom ASOS Stylist-upplevelsen kan användare beskriva vad de letar efter på naturligt språk – till exempel "en rosa blommig sommarklänning" – och få en kurerad uppsättning produkter från ASOS-katalogen. Varje resultat kan ses som en kort video, som sedan kan öppnas i detalj på ASOS.com för att slutföra köpet. Pilotprojektet rullas ut i Storbritannien och USA, och bygger på AI Stylist som redan finns i ASOS-appen.
Upplevelsen drivs av Bambusers videohandelsteknik, som konverterar ASOS produktkatalog och videotillgångar till strukturerad data som kan hämtas i realtid av stora språkmodeller och renderas som shoppingsbar video. ASOS positionerar detta som en utveckling bortom AI-shoppingverktyg baserade på text och statiska bilder, och syftar till att göra modeupptäckter "snabbare, enklare och mer inspirerande" i konversationsgränssnitt som ChatGPT.
### Från produktsökning till "svars-handel"
Integrationen illustrerar en bredare förändring inom e-handel från sök- och listbaserade resor till "svars-handel", där användare ställer konversationsbaserade frågor och förväntar sig en liten, mycket relevant uppsättning alternativ snarare än att navigera i filter och paginering. I den modellen blir kvaliteten och strukturen på produktdata lika kritisk som pris eller sortiment: svarsmotorn kan inte visa det den inte kan tolka.
ASOS drag är ett av de mer avancerade försöken på den brittiska marknaden att koppla en stor, snabbt föränderlig modekatalog med en generell LLM på ett sätt som bevarar merchaninglogiken. Det faktum att upplevelsen returnerar inte bara produktplattor utan också video tyder på att ASOS har investerat i att kartlägga produkter, attribut och mediatillgångar till ett indexerbart, maskinläsbart lager som kan efterfrågas på naturligt språk snarare än strikt söksyntax.
### Implikationer för produktflöden och infrastruktur för innehåll
För att få en konversationsbaserad, video-först-resa att fungera inuti ett externt gränssnitt som ChatGPT, måste en e-handelsåterförsäljare behandla sitt produktflöde som mer än en enkel export för annonsplattformar. Flera konsekvenser följer.
För det första behöver flöden rikare attribut. En fråga som "rosa blommig sommarklänning för ett bröllop på dagen, under £80" kan endast besvaras väl om de underliggande produkterna är taggade med färgfamiljer, mönster (blommig), tillfälle, pris och ofta mer subjektiva dimensioner som "sommar" eller "bröllopsgäst". Många handlare förlitar sig fortfarande på begränsade flöden som är optimerade för prisjämförelsemotorer; konversationshandel pressar dem mot mycket mer granulära attributtaxonomier och kontrollerade vokabulärer.
För det andra behöver flöden en tätare anslutning till media. Shoppingsbar video i svarsmotorer kräver kartläggning mellan SKU:er och videosegment: vilka produkter visas i vilken video, vid vilka tidsstämplar och i vilket sammanhang (helhet, närbild, prova på, stylingtips). Detta fångas typiskt inte i standardproduktflöden, som fokuserar på bilder och grundläggande metadata. ASOS och Bambuser behandlar effektivt video som ett förstklassigt dataobjekt kopplat till katalogen, snarare än som en löst kopplad marknadsföringstillgång.
För det tredje måste flöden optimeras för realtidshämtning snarare än batch-export. För att förbli relevanta måste rekommendationer som visas av en LLM återspegla lagernivåer, prisändringar och sortimentsuppdateringar. Detta pressar handlare mot API:er och strömmande uppdateringar istället för nattliga flödesuppladdningar, och mot arkitekturer där produktdata, inventering och innehåll är synkroniserade tillräckligt tätt för att säkert exponeras för externa svarsmotorer.
### Katalogstandardisering och maskinläsbarhet
ASOS-initiativet belyser hur katalogstandarder håller på att bli ett underliggande lager för AI-driven shopping. Bambusers "Intelligence Layer" beskrivs som att transformera katalogen och videoarkivet till strukturerad data som kan användas av LLM:er. I praktiken innebär detta troligen flera steg som håller på att bli standard över avancerade e-handelsstackar:
- Normalisera produktattribut till konsekventa scheman, så att "blommig", "blommigt tryck" och "blommönster" kollapsar till ett enda maskinigenkännbart koncept.
- Berika katalogposter med hjälp av datorseende och språkmodeller för att upptäcka färg, mönster, siluett och till och med härledda användningsfall när handlarnas egna data är ofullständiga.
- Indexera innehåll för semantisk sökning, så att frågor som "mjuka, andningsbara sommarvävnader" kan matchas med produkter som beskrivs som "bomullspoplin" eller "linneblandning" även om den exakta texten inte finns.
För den bredare marknaden indikerar detta en färdriktning: kataloger flyttar från mänskligt läsbara men maskintrådiga beskrivningar till maskinläsbara strukturer utformade uttryckligen för AI-hämtning. Återförsäljare som underhåller äldre, icke-standardiserade kataloger kommer att ha svårare att delta i svarsmotorer och konversationshandelsmiljöer.
### Förbättrar produktdetaljsidor genom video
Att ta med video i ChatGPT är inte bara ett distributionsspel; det har konsekvenser för hur en "bra" produktdetaljsida (PDP) ser ut. Kort video har redan visat sig vara effektivt för att öka konverteringen och minska returer inom mode genom att visa passform, rörelse och stylingkontext. Att visa samma innehåll direkt i upptäcktslagret komprimerar den traditionella tratten: inspiration, utvärdering och produktval sker i en interaktion.
För att stödja det måste det underliggande produktinnehållet vara djupare och mer konsekvent. Video måste finnas tillgängligt över en stor andel av SKU:erna, inte bara huvudprodukter. Storlek, passform och tygdetaljer måste vara tillräckligt korrekta för att kunderna ska kunna agera självsäkert på det de ser i video. Ofullständiga eller inkonsekventa PDP:er blir mer synliga svagheter när det första intrycket är en AI-kurerad uppsättning shoppingsbara videor istället för ett rutnät av stillbilder.
Det finns också en återkopplingsslinga: användarinteraktioner med video (vilka produkter pausas, spelas upp igen, klickas igenom) skapar ytterligare beteendesignaler som kan matas tillbaka i rankningsmodeller och innehållsprioritering. Med tiden kan detta påverka vilka produkter som får rikare innehåll och hur handlare investerar i videoproduktion.
### Hastighet för ombordstigning av sortiment och innehållsautomatisering
För stora modekataloger är en av de största flaskhalsarna för att utöka sortimentet innehållsskapande: titlar, beskrivningar, attribut, bilder och allt mer video. Att distribuera shoppingsbar video i svarsmotorer gör hastigheten ännu viktigare: nyligen ombordstigna produkter måste snabbt bli upptäckbara i konversationsresor, inte veckor efter den första noteringen.
AI och automation blir centrala för att lösa detta. Datorsyn kan extrahera attribut från bilder, medan språkmodeller kan generera initiala beskrivningar baserat på strukturerad data. Videoflöden kan delvis automatiseras genom mallar, rörelsegrafik och AI-assisterad redigering, med mänskliga team som fokuserar på varumärkeskritiskt innehåll och kvalitetskontroll. Handlare som systematiserar dessa processer kan förkorta tiden mellan köpbeslut och AI-klara katalogposter, vilket ger dem en fördel i dynamiska kategorier.
No-code-verktyg spelar också en roll. Marknadsförings- och merchaningteam förlitar sig alltmer på gränssnitt som låter dem definiera segment, regler och innehållsvarianter utan utvecklarinblandning. När de kopplas in i AI-baserade upptäcktsytor låter sådana verktyg icke-tekniska användare hantera vilka kollektioner, trender eller kampanjer som ska prioriteras i konversationssvar ("festssäsong", "festivalutseende", "tillbaka till skolan"), medan centrala system säkerställer att underliggande schema och taggning förblir konsekventa.
### Svarsmotorer som en ny distributionskanal
Att behandla ChatGPT och liknande system som svarsmotorer snarare än traditionella mediekanaler omformar e-handelsdistribution. Istället för att köpa visningar eller sökord måste återförsäljare konkurrera om datakvalitet, relevans och förmågan att integrera säkert med externa AI-system. ASOS-integrationen föreslår en modell där:
- Katalog- och innehållslager exponeras via säkra API:er eller widgets som svarsmotorer kan anropa, utan att ge dem direkt tillgång till interna system.
- Handlare behåller kontrollen över prissättning, utcheckning och kunddata genom att ta tillbaka användare till sina egna domäner för transaktionskomplettering.
- Personalisering kan delas mellan svarsmotorn och handlarens system genom kontextuella signaler, samtidigt som integritetsbegränsningarna följs.
Denna arkitektur har konsekvenser för analys och attribuering. Traditionell webbanalys är dåligt lämpade för resor som börjar inuti en konversationsagent och fortsätter över flera ytor. Handlare som testar sådana integrationer kommer att behöva stämma av loggar från AI-plattformar, videohandelslager och sina egna webb- och appanalyser för att förstå effekten på konvertering, genomsnittligt ordervärde och avkastningshastigheter.
### Strategisk betydelse för SaaS och e-handelsekosystem
Ur ett SaaS-perspektiv illustrerar ASOS-initiativet ett mönster: specialistplattformar håller på att dyka upp för att sitta mellan återförsäljarnas rådata och allmänna AI-gränssnitt. Dessa plattformar hanterar intag, normalisering, berikning och exponering av handelsdata i former som LLM:er kan använda säkert och effektivt. För e-handelsföretag kan detta minska behovet av att bygga komplex AI-infrastruktur internt, men det höjer ribban för uppströms datastyrning och kataloghygien.
För e-handelssektorn som helhet accelererar driftsättningar av konversationsbaserad, video-först shopping i svarsmotorer flera trender:
- Produktflöden utvecklas till kunskapsgrafer i realtid och med rika attribut.
- Katalogstandarder och taxonomier blir konkurrensfördelar snarare än problem i back-office.
- PDP-kvaliteten mäts inte bara genom konvertering på plats, utan genom hur väl produkter kan representeras i externa AI-drivna miljöer.
- Hastigheten för ombordstigning av sortiment är alltmer beroende av AI-assisterat innehåll och mediaproduktion.
- No-code- och AI-verktyg blir det operativa lagret som gör det möjligt för kommersiella team att styra AI-drivna resor utan konstant teknisk support.
ASOS-piloten är i ett tidigt skede och dess kommersiella inverkan är ännu inte kvantifierad, men den signalerar en riktning som mode-e-handeln sannolikt kommer att röra sig i: från statiska listor till konversationsbaserad, mediaberikad upptäckt som spänner över flera plattformar,driven av strukturerat, maskinläsbart innehåll i kärnan av handelsstacken.
ASOS-integrationen med ChatGPT understryker den ökande vikten av strukturerad, högkvalitativ produktdata. Denna övergång mot "svars-handel" belyser ett kritiskt behov av effektiv kataloghantering och berikning. För företag som vill uppnå detta tillhandahåller [NotPIM](/blog/product-feed/) en robust lösning för att säkerställa att produktflöden är korrekta, konsekventa och redo för AI-drivna applikationer. Genom att automatisera uppgifter som attributkartläggning, innehållsberikning och flödestransformering hjälper NotPIM e-handelsföretag att anpassa sig till detta föränderliga landskap, förbättra produktupptäckten och underlätta sömlös integration med plattformar som ChatGPT. Detta hjälper våra kunder att ligga steget före genom att optimera sina data för dessa nya, innovativa e-handelsupplevelser. Detta är särskilt användbart för att förbättra [produktflöden](/blog/product_feed/), vilket är avgörande för AI-integration. Med hjälp av AI kan du snabbt skapa [försäljningsdrivande produktbeskrivningar](/blog/how-to-create-sales-driving-product-descriptions-without-spending-a-fortune/). Att förstå hur dessa system fungerar gör att du inte är rädd för [komplexa integrationer](/blog/xml-data-format-how-one-online-store-stopped-fearing-complex-integrations/). Handlare kan också dra nytta av att använda ett [program för bearbetning av prislistor](/blog/price-list_processing_program/).