Rozwój sztucznej inteligencji: potrzeba udoskonalenia płatnych i organicznych wyszukiwarek geograficznych

W ciągu ostatnich dwóch lat porady udzielane markom były w zasadzie jednomyślne: zadbaj o to, aby Twoja firma była wspominana i polecana w AI , a pożądane rezultaty zostaną osiągnięte.

Niezależnie od tego, czy nazywamy to optymalizacją dla wyszukiwarek internetowych (GEO), czy optymalizacją pod kątem sztucznej inteligencji (AEO), cel pozostaje ten sam: sprawić, by sztuczna inteligencja rozumiała Twoją markę, pobierała o niej dokładne informacje i polecała ją klientom, którzy się z nią skontaktują.

Taka sytuacja utrzymywała się aż do momentu, gdy Amazon po cichu opublikował w wynikach za drugi kwartał dane, które zaczęły podważać tę opinię.

Andy Jassey ujawnił, że klienci, którzy klikają na sponsorowany komunikat w aplikacji Alexa for Shopping, mają o ponad 48% większą szansę na dokonanie zakupu i wydanie o 21% więcej w porównaniu do klientów, którzy tego nie robią.

Chociaż dane te pochodzą od samego Amazona i nie stanowią niezależnego standardu branżowego, stanowią one jeden z najwyraźniejszych dowodów na to, że płatne reklamy stają się integralną częścią doświadczenia zakupowego wspieranego przez sztuczną inteligencję , a nie tylko istnieją obok niego.

Ma to istotne znaczenie, ponieważ zakupy wspomagane przez sztuczną inteligencję zaczynają się dzielić na dwa zupełnie różne modele: otwarte systemy pomocy, których celem jest wyświetlanie najlepszych dostępnych produktów, oraz zamknięte ekosystemy, które kontrolują środowisko biznesowe otaczające rekomendacje.

W przypadku marek modele te tworzą zupełnie różne postrzegania wartości widoczności.

Dlaczego platformy zakupowe oparte na sztucznej inteligencji zaczynają się od siebie różnić?

Do niedawna sensowne było mówienie o powstaniu sztucznej inteligencji jako pojedynczego bytu. Marka miała nadzieję, że model ją zrozumie, asystent ją zapamięta i będzie polecał markę, gdy klient zada istotne pytanie. Jednak to założenie staje się trudne do utrzymania, gdy platforma oferująca rekomendacje prowadzi również działalność reklamową, którą chce monetyzować.

Amazon jest tego najwyraźniejszym przykładem. Sponsorowana zachęta może pojawić się w tej samej ścieżce konwersacji, w której klient decyduje, co kupić. Google podąża w podobnym kierunku, integrując reklamy z coraz bardziej konwersacyjnymi doświadczeniami wyszukiwania i zakupów.

Motywacja komercyjna jest dość oczywista. Jeśli płatne rekomendacje w konwersacji prowadzonej przez sztuczną inteligencję osiągają lepsze wskaźniki konwersji niż tradycyjne reklamy, platformy znajdą mocne uzasadnienie dla integracji reklam Plus z tymi konwersacjami.

Pomoc otwarta stoi jednak w obliczu innej sytuacji. Jej wartość zależy w dużej mierze od przekonania, że ​​rekomendacje są formułowane na podstawie ich trafności, a nie dlatego, że ktoś za nie zapłacił.

To znacznie utrudnia znalezienie równowagi między generowaniem przychodów a zaufaniem . Rezultatem nie jest pojedynczy kanał zakupowy oparty na sztucznej inteligencji, ale wiele ekosystemów rozwijających się wokół różnych zachęt biznesowych.

Czy poprawa widoczności geograficznej (GEO) i udoskonalenie działania sztucznej inteligencji (AEO) są nadal wystarczające?

Podstawowe zasady optymalizacji widoczności geograficznej (GEO) i optymalizacji doświadczeń z wykorzystaniem sztucznej inteligencji (AEO) pozostają dobrze ugruntowane. Dokładne, szczegółowe i dobrze zorganizowane informacje dają systemom AI większe szanse na zrozumienie produktu i określenie jego trafności.

Pojawia się jednak zasadnicza różnica: chociaż GEO i AEO rozwiązują problem widoczności, niekoniecznie rozwiązują problem biznesowy.

Marka może mieć wysoką widoczność w rekomendacjach AI, ale nie potrafi przełożyć tej widoczności na przychody. Podobnie, płatna widoczność nie może w nieskończoność rekompensować słabych informacji o produkcie. AI nadal potrzebuje wiarygodnych danych o tym, czym jest produkt, kim jest jego grupa docelowa i jak wypada na tle alternatyw.

Dlatego pytanie, przed którym stoją marki, wykracza poza samo to, czy ich produkty są polecane. Muszą one zrozumieć, jak działają rekomendacje na każdej platformie, co się dzieje, gdy reklama jest włączana do procesu decyzyjnego, oraz czy jej widoczność ostatecznie prowadzi do pozyskania klientów.

Jaka jest rola Agent-Opered Trade Improvement (ACO)?

W tym miejscu istotna staje się optymalizacja handlu agentowego (ACO).

GEO i AEO dążą przede wszystkim do tego, aby marka była zrozumiała, łatwa do wyszukania i widoczna dzięki sztucznej inteligencji. ACO przenosi ten problem na poziom biznesowy, gdzie sztuczna inteligencja zaczyna podejmować lub wpływać na decyzje zakupowe.

Dla inteligentnego agenta treść produktu to tylko część równania. Kluczowe są również inne czynniki, takie jak cena, dostępność, specyfikacja, warianty, dostawa, zwroty i możliwości realizacji transakcji. Dlatego produkt może być dobrze zoptymalizowany pod kątem sztucznej inteligencji, ale pozostaje złym wyborem dla agenta, jeśli informacje potrzebne do działania są niekompletne lub niespójne.

Z tego powodu ACO można zrozumieć przez pryzmat zasad 5C: kompletności, kontekstu, cytowań, poprawności i pozyskiwania klientów.

Pierwsze cztery zasady pomagają określić, czy system AI potrafi zrozumieć i wiarygodnie rekomendować produkt. Piąta zasada stawia pytanie biznesowe, na które same wskaźniki widoczności nie są w stanie odpowiedzieć: Czy ta rekomendacja doprowadziła do pozyskania klienta?

Dlatego ACO stanowi odpowiedź operacyjną na kolejną fazę zakupów wspomaganych przez sztuczną inteligencję: ciągłe monitorowanie sposobu wyświetlania produktów na platformach AI oraz korygowanie danych bazowych dotyczących treści, katalogu i handlu, gdy systemy zaczynają zbaczać z kursu.

Staje się to coraz ważniejsze, ponieważ platformy opracowują różne metody reklamy i rekomendacji. Marka nie może optymalizować zakupów pod kątem jednej wersji opartej na sztucznej inteligencji, podczas gdy platformy bazowe przyjmują rozbieżne strategie biznesowe.

Co marki powinny teraz zrobić?

Rozwiązaniem nie jest porzucenie geooptymalizacji wyszukiwarek (GEO) ani optymalizacji wyszukiwarek opartej na sztucznej inteligencji (AEO) na rzecz nowego terminu. Podstawy pozostają te same: dokładne informacje o produkcie, przejrzysta struktura, spójne dane i treść, która odpowiada na pytania, które faktycznie zadają klienci. Różnica polega na tym, że marki muszą teraz monitorować, co dzieje się po pierwszej rekomendacji.

Jakie produkty promują platformy AI? Którzy konkurenci zyskują na popularności? Gdzie informacje o produktach są niedokładne lub brakuje ich? Jak to się różni w zależności od programu wsparcia? Gdzie w tym procesie odgrywa rolę płatna ekspozycja? I czy ostatecznie ta ekspozycja generuje dodatkowe pozyskiwanie klientów?

Wskaźnik konwersji Amazona na poziomie 48% jest znaczący, ponieważ sugeruje, że pojawienie się w rozmowie ze sztuczną inteligencją w momencie zamiaru zakupu może być komercyjnie odmienne od pojawienia się obok niej . Jeśli inne platformy pójdą w ich ślady, rozróżnienie między obecnością sztucznej inteligencji, płatną reklamą a handlem stanie się jeszcze bardziej niewyraźne.

Szansa nie leży zatem w zastąpieniu optymalizacji geo-wyszukiwarek (GEO) ani optymalizacji doświadczeń użytkowników opartej na sztucznej inteligencji (AEO), ale w ich budowaniu. W miarę jak sztuczna inteligencja przechodzi od odpowiadania na pytania zakupowe do wpływania na decyzje zakupowe, widoczność staje się punktem wyjścia, a nie ostatecznym celem.

Marki, które skorzystają na obecnej sytuacji, to te, które łączą podstawy GEO/AEO z ACO, aby udoskonalić pięć elementów (5 C) i ostatecznie mierzyć sztuczną inteligencję nie tylko pod względem częstotliwości, z jaką o niej wspomina, ale także pod względem dodatkowych przychodów, jakie pomaga wygenerować.