Олена Воскобойник

Олена розпочинає виступ із пояснення, як змінився пошук товарів у період активного розвитку штучного інтелекту. За її словами, раніше користувачі самостійно переглядали характеристики, порівнювали моделі, читали огляди та формували десятки запитів. Тепер усе частіше ці дії бере на себе AI-асистент, який працює як консультант у магазині: ставить уточнювальні запитання, аналізує потребу та пропонує готові рішення.

Як саме AI змінив поведінку покупців

Спікерка наводить статистику, яка підтверджує зміщення патернів поведінки:

• У США 39 % споживачів використовують AI для пошуку товарів.
• В Україні кожен четвертий уже застосовує AI у покупках, а 33 % готові спробувати.
• У світі прогнозують, що 21 % святкових замовлень оформлюватимуться через AI-асистенти.

AI не тільки шукає товари, а й узагальнює інформацію з різних джерел: історію пошуку, зовнішні відгуки, характеристики та умови використання. Тому оптимізація eCommerce тепер орієнтується не на ключові слова, а на контекст, який модель може зчитати з картки товару.

Чому контекст став важливішим, ніж ключі

Олена пояснює, що LLM працює не з точними ключовими словами, а з описами потреб. Наприклад, людина не пише «навушники купити», а формулює розгорнутий запит: «Потрібні навушники для бігу в дощ, з фіксацією, водостійкі».

AI розкладає запит на атрибути — для чого, в яких умовах, для кого — і шукає картки, що містять відповідні контекстні фрагменти. Тому оптимізація карток має включати:

• опис аудиторії («для новачків», «для активних користувачів»);
• сценарії використання («ідеально підходить для походів», «працює в холодну пору року»);
• умови та середовище («для осінньої погоди», «витримує зливу»);
• сумісність («підходить до конкретних систем чи аксесуарів»).

Це допомагає товару відповідати реальним намірам покупця, а не лише формальному ключовому слову.

Фактори ранжування товарів у GPT-пошуку

Попередньо очікується, що на показ товарів у GPT-пошуку впливатиме кілька ключових чинників. Насамперед система оцінює релевантність запиту, адже саме відповідність наміру користувача визначає, який товар буде показано першим.

Важливими залишаються й такі параметри, як наявність продукції та її ціна, оскільки AI прагне запропонувати варіант, який доступний у продажу й відповідає фінансовим можливостям користувача.

Додаткове значення мають якість і рівень довіри до продавця. Алгоритм орієнтується на зовнішні рейтинги та репутаційні сигнали, щоб мінімізувати ризики і забезпечити надійний вибір.

Окрему перевагу отримають магазини, що підтримують миттєве оформлення покупки (Instant Checkout). Такий функціонал скорочує шлях користувача до покупки, тому AI частіше показуватиме саме ці пропозиції.

Особливе значення мають два поля картки товару:

• опис товару (обов’язкове);
• FAQ (рекомендоване).

Саме ці блоки формують зрозумілий для моделі контекст.

Де контекстуальна оптимізація не спрацьовує

Олена наводить приклад із біговими кросівками. У цьому сегменті AI спершу звертається до офіційних сайтів глобальних брендів. Там подані точні описи виробів, і модель визначає відповідну пару кросівок саме за ними, а не за даними з локального магазину. Лише після цього AI шукає, де купити модель в Україні.

У таких нішах контекст картки майже не впливає на вибір моделі, тому оптимізація має інші пріоритети.

Практичні кроки для оптимізації карток товарів

Олена пропонує триетапний підхід:

1. Створення бази контекстів

Зібрати реальні сценарії використання товару з UGC-платформ:

• Reddit, Quora, Amazon;
• для України — Rozetka, Hotline, MAKEUP.

Опрацювати їх за допомогою LLM і виокремити: потреби, болі, умови та типові контексти.

2. Тестування на вибірці з 20 товарів

Для кожного товару:

• сформувати «проблему», «для кого», «умови»;
• інтегрувати це у перший абзац опису;
• додати блоки «галузі застосування», «переваги»;
• розшифрувати технічні параметри зрозумілою мовою.

3. Перевірка структурованої розмітки

Для коректної роботи AI важливо переконатися, що структурована розмітка оформлена належним чином, тому під час перевірки необхідно:

• заповнити всі поля schema.org/Product;
• використовувати audience Type і usageInfo;
• видалити помилки та дублікати.

Результати з практики

На одному з німецьких eCommerce-проєктів команда Олени оптимізувала картки протягом чотирьох місяців. Вони додали контекстні описи та розмітку.

Результат: +120 % доходу з AI-трафіку.

Хоча загальна частка AI-трафіку ще невелика, кейс демонструє реальний потенціал.

Нова ера eCommerce: головні висновки доповіді

Спікерка наголошує, що поведінка користувачів змінилась, і її не можна ігнорувати. Контекстуальний пошук присутній у всіх асистентах — Siri, ChatGPT, AI-модифікованих пошуковиках. Тому оптимізація під нього стає універсальною.

У ніші, де AI переходить у пошук, бізнес може отримати трафік. Там, де система працює без пошуку, вплив можливий лише через бренд та його згадки.

Оптимізація eCommerce в еру AI — це поєднання грамотних описів, структурованих даних, роботи з UGC та розуміння реальних потреб користувачів.