W eksperymencie Nuremberg Institute for Market Decisions i Hochschule Vorarlberg 1503 osoby miały wybrać najlepszą dla siebie opcję z dwóch kategorii – smartfonów albo parków rozrywki. Jako wsparcie w jej podjęciu losowo przydzielono im ChatGPT lub Google – tak, aby nie zostali sami z tak trudnym wyborem.
Spośród użytkowników LLM-a zaledwie 12% odwiedziło inną stronę, aby zdobyć więcej informacji. W grupie korzystającej z Google zrobiło to 73% badanych. Co więcej, userzy ChataGPT kończyli zadanie szybciej i częściej wskazywali faktycznie „najbardziej optymalną” opcję.
Zobacz również
Research zakupowy zmieścił się więc niemal w całości w pojedynczej konwersacji – poza jakąkolwiek kontrolą marki. I o ile fakt ten nie jest jakkolwiek zaskakujący dla każdego, kto analizował choćby skuteczność „rekomendacji od znajomych”, o tyle zjawisko delegowania pełnej ścieżki zakupowej do narzędzi AI powinno mocno zainteresować marketerów.
AI jako tłumacz potrzeby
Początek LLM-owych zakupów z pozoru niewiele różni się pod tych „nie-AI-owych”. Klient wciąż może zacząć od czegoś, co chce zmienić – zamiast wskazania konkretnego produktu, który tę zmianę zapewnić. Może dla przykładu stwierdzić, że często pracuje w podróży i potrzebuje sprzętu działającego cały dzień bez ładowania. Nie musi jeszcze wiedzieć, czy rozwiązaniem będzie lekki laptop, tablet czy solidny powerbank.
Dotychczas przejście od tak opisanej sytuacji do konkretnej kategorii produktów odbywało się gdzieś pomiędzy umysłem klienta a całą paletą zewnętrznych bodźców. Ot, choćby przywołanie w myślach reklamy, rozmowa ze znajomym albo wcześniejsze doświadczenie podpowiadały mu, gdzie szukać rozwiązania.
VML Future Shopper 2026: wyścig AI w biznesie wyprzedza rzeczywistość konsumentów [RAPORT]
Claude i ChatGPT wchodzą dokładnie w tę szczelinę. Rozpoznają intencję, przekładają ją na możliwe kategorie i dopasowują ją do okoliczności ujawnionych w rozmowie. Bez konieczności opuszczania okna czatu nawet na chwilę.
Słuchaj podcastu NowyMarketing
I właśnie tę własność użytkownicy cenią najbardziej. Badania BCG na ponad 9000 osobach pokazały, że tzw. „pomoc w określeniu swoich własnych oczekiwań” jest tym, czego tak naprawdę oczekujemy od LLM-ów. Co nabiera dodatkowego znaczenia w świecie, w którym „paradoks wyboru” dotyka tak naprawdę każdej kategorii produktowej.
Źródło: BCG (2026). Consumers Trust AI to Buy Better. Brands Need to Move Quickly
Taki AI-owy tłumacz potrzeb otrzymuje jednak sporą swobodę. To samo pragnienie może zostać przypisane do kilku kategorii, a każda z nich otworzy inną ścieżkę rozmowy. Dlatego szczegóły podawane w konwersacji wpływają nie tylko na jakość rekomendacji – określają również, kto w ogóle dostanie szansę, aby zostać zarekomendowanym.
LLM-y zdają się więc działać w tej materii w myśl koncepcji category entry points (szerzej omówioną podczas studiów podyplomowych Diploma in Professional and Digital Marketing). Opisuje ona sytuacje i potrzeby, które prowadzą człowieka do konkretnych kategorii produktów oraz niejako „wywołują” wspomnienia o markach.
Jenni Romaniuk, jednak z autorek tej teorii, podaje choćby przykład upalnego dnia, gdy pojawia się ochota na chłodny napój, albo rozmowy o oszczędnościach, która kieruje myśli ku panelom słonecznym. Marka zwiększa dostępność mentalną dla odbiorcy, gdy zostaje powiązana z wieloma istotnymi momentami tego rodzaju.
ChatGPT i inne narzędzia LLM dodają jednak do tego procesu jeszcze jeden element. Najpierw rozstrzygają bowiem, z jaką kategorią w ogóle powiązać opisaną sytuację – a dopiero później sięgają po marki, obudowując je całą paletą kryteriów wyboru (omówioną w kolejnym rozdziale). Powstaje wówczas nowy mikro-moment – category entry „zapośredniczone przez AI”. Sytuacja zakupowa przechodzi przez klasyfikację modelu, a wynik tej klasyfikacji wyznacza zbiór rozwiązań dopuszczonych do kolejnego etapu. Dlatego marka może przegrać na długo przed rozpoczęciem porównania ofert.
I o ile marketer będzie na takie rozwiązanie kręcić nosem, o tyle sam klient bardzo je docenia. Herbert Simon już w 1955 roku mówił o warunkach ograniczonej wiedzy i ograniczonych możliwości przetwarzania informacji – efektem czego w sklepach szukamy propozycji wystarczająco dobrej przy rozsądnym nakładzie czasu. LLM odpowiada na tę kwestię w sposób wręcz wzorowy – doprecyzowuje potrzebę, wskazuje możliwości i zabiera konieczność otwierania 15 kart w przeglądarce.
AI jako współautor kryteriów
Kto w tym procesie finalnie ustala, co „należycie” pasuje do rozpoznanych potrzeb? Cóż, odpowiedź coraz częściej powstaje w pewnym sensie pomiędzy człowiekiem a modelem.
W „erze wyszukiwarek”, Google i jego mniej znani koledzy otrzymywali zazwyczaj gotowe kryteria. Użytkownik musiał zawczasu wiedzieć, że szuka aparatu z określonym obiektywem albo rachunku bankowego bez opłat za przewalutowanie. Dopiero wtedy mógł wpisać odpowiednie hasło i rozpocząć porównywanie wyników.
LLM natomiast potrafi pracować z potrzebą, która nie została jeszcze przełożona na język produktu. Dopytuje, proponuje cechy i tłumaczy kompromisy. Po kilku odpowiedziach niejasne „coś dobrego” zmienia się w całkiem precyzyjną specyfikację.
W literaturze z obszaru human-AI interaction proces ten jest nazywany „wydobywaniem preferencji” (ang. preference elicitation). Wieloturowa rozmowa pozwala modelom stopniowo rozpoznawać oczekiwania użytkownika oraz modyfikować rekomendacje na podstawie jego reakcji. Nie zawsze są to jednak preferencje, które wcześniej czekały na odkrycie. Część powstaje w odpowiedzi na pytania modelu.
Źródło: USC Center for Artificial Intelligence in Society
Każde pytanie podsuwa bowiem określony sposób patrzenia na produkt. Model może zwrócić uwagę na wygodę użytkowania, choć wcześniej myśleliśmy głównie o cenie. Może też przedstawić kompromis w taki sposób, że jeden z parametrów zacznie wyglądać na znacznie ważniejszy. Finalnie, po kilku turach trudno ustalić, którymi kryteriami miał w planach kierować się klient.
Ostateczna specyfikacja pożądanego produktu ma zatem dwóch autorów. Jeden, ten białkowy, dostarcza cel, drugi siłą probabilistyki (bo przecież nie myślenia) operacjonalizuje go za pomocą cech i wag. Wraz z tą pomocą człowiek przekazuje AI część kontroli nad własnym osądem. Guingrich, Mehta i Bhatt opisują ten proces mianem belief offloadingu, wskazując na rosnącą potrzebę delegowania systemowi nie tylko prostych zadań, ale i pracy związanej z tworzeniem oraz podtrzymywaniem przekonań.
Źródło: Guingrich, R. E., Mehta, D., & Bhatt, U. (2026). Belief offloading in human-AI interaction
Co więcej, sami klienci czują się z tego rodzaju „delegowaniem” bardzo przyzwoicie. W innym badaniu wykazano, że duże zbiory rekomendacji ChatGPT finalnie zwiększały satysfakcję oraz intencję zakupu – a ich rozmiar był odbierany jako sygnał większej dokładności.
Lista 60 możliwości naturalnie nie stawała się łatwiejsza do samodzielnej oceny. Użytkownik po prostu uznawał, że model przeanalizował ją w jego imieniu. Wychodzi na to, że AI w moment zdelegalizowała rozmowy paradoksie wyboru [ZOBACZ JAK].
Co więcej, włączenie do kategorii rekomendowanych opcji nierzadko wiąże się ze wzrostem zaufania wobec wynagrodzonej w ten sposób marki. Co ma szczególne znaczenie zwłaszcza w przypadku mniej znanych brandów – które poniekąd „pożyczają” część wiarygodności, którą z jakichś powodów przypisujemy LLM-om.
AI jako selekcjoner i interpretator marek
Od zestawu rekomendacji do finalnego wyboru wciąż jednak daleka droga. No, chyba, że mamy pod ręką duży model językowy.
LLM z chęcią ograniczy szeroki rynek do kilku propozycji, a następnie nada każdej z nich określone znaczenie. Samodzielnie. Bez konsultacji z brand managerem.
Tak oto, marka/produkt A zostaje opcją „bezpieczną”, wariant B – „budżetową”, a wariant C – „rozwiązaniem idealnie dopasowanym do bieżącej sytuacji”. Taki podział może na pozór wyglądać jak rezultat systematycznej analizy. Tymczasem wiemy doskonale (a i potwierdzono to badaniami), że rekomendacje LLM-ów mają charakter wyłącznie probabilistyczny. Kolejne odpowiedzi mogą przywoływać inne marki i zmieniać ich pozycje.
Źródło: Neil Patel (2026)
Dlatego widoczność marki w palecie opcji stanowi dopiero połowę (tę mniejszą) problemu. Drugą jest jej reprezentacja – sposób, w jaki AI przedstawi firmę w konkretnej sytuacji zakupowej.
Trudno jednak nie oprzeć się wrażeniu, że znacznie lepszym hasłem byłaby tu „interpretacja” – LLM ani myśli bowiem odzwierciedlać 1:1 pieczołowicie budowanego przez lata pozycjonowanie marki. W zamian wybiera te cechy, które najlepiej pasują do kryteriów powstałych w rozmowie – nierzadko paskudnie przy tym halucynując.
Resztę pomija. Wieloletnia praca nad znaczeniem marki może zostać zamknięta w zdaniu pokroju „dobry stosunek ceny do jakości”. Cóż, trudno wyobrazić sobie bardziej marketingowe epitafium.
Specjaliści z naszej branży mają więc przed sobą dość niewdzięczne wyzwanie (choć autor tekstu stara się pomagać z nim walczyć na module „AI marketing” studiów Diploma). Z jednej strony, tworzone lub nadzorowane przez marketerów treści powinny być łatwe do znalezienia i zrozumienia przez model – inaczej w ogóle pozbawiamy się szansy zaistnienia w palecie LLM-owych opcji. Z drugiej jednak, nadmierne uproszczenie pozycjonowania doprowadzi do usunięcia tego, co miało odróżniać brand od konkurencji.
To właśnie w tym miejscu jest pole dla „mądrego GEO” (Generative Engine Optimization). Bo o ile klasyczne SEO optymalizowało przede wszystkim ścieżkę prowadzącą do odkrycia treści (nad którymi często panowała sama firma), o tyle optymalizacja pod kątem LLM-ów prowadzi do historii opowiedzianej przez AI, a nie marketera. Użytkownik może więc nigdy nie zetknąć się z pełnym komunikatem ani nie wygenerować sygnałów zaangażowania, które pomagały oceniać skuteczność tradycyjnego contentu.
Póki co nie istnieje zestaw magicznych zabiegów, które faktycznie pozwoliłyby optymalizować treść w „mądry” sposób – zwłaszcza, że każdy model interpretuje techniki GEO na swój sposób. Najbardziej stabilne pozostają jednak trafność tematyczna i wyraźne osadzenie informacji w kontekście. Aż chciałoby się narysować prostą analogię, że jako ludzie cenimy dokładnie te same elementy komunikatu, prawda?
AI jako wykonawca decyzji i pośrednik po zakupie
Po zbudowaniu shortlisty produktów model wie już, czego szuka użytkownik i dlaczego jedna możliwość pasuje lepiej od drugiej. Ma zatem wystarczająco dużo informacji, aby wykonać kolejny krok.
Czasem będzie nim udzielenie przekonującej, podsumowującej odpowiedzi – która z miejsca popchnie klienta w stronę zakupu już konkretnej opcji. Wskazują na to tendencje związane m.in. z AI overviews, które mocno odwodzą klientów od przeglądania stron internetowych marek/sklepów i ograniczają je do roli miejsca, w którym dokonywana jest wyłącznie sama transakcja.
Mniej kliknięć nie oznacza jednocześnie płytszego namysłu. Po prostu część pracy wcześniej wykonywana na stronie sklepu, porównywarki czy agregatora recenzji, zostaje skompresowana do rozmowy z chatbotem. Z perspektywy marki – jest ona jednak niemal zupełnie niewidoczna.
Źródło: Pew Research Center (2025). Google Users Are Less Likely to Click on Links When an AI Summary Appears in the Results
Nie jesteśmy natomiast jeszcze w momencie pełnej automatyzacji zakupów. Według Gartnera tylko 11% badanych było gotowych pozwolić AI samodzielnie decydować o zakupach nawet w kategoriach o stosunkowo niskim ryzyku. Znacznie więcej osób doceniało przede wszystkim wsparcie na wcześniejszych etapach customer journey – z zawężeniem zestawu możliwości na czele.
Granica techniczna przesuwa się jednak szybciej niż ta związana z barierami psychologicznymi. Agentic Commerce Protocol rozwijany przez OpenAI i Stripe pozwala agentom AI de facto obsłużyć proces zakupowy wewnątrz interfejsu rozmowy. Zbiera wybory klienta, uruchamia płatność i przekazuje informacje o realizacji zamówienia. W takim świecie strony internetowe marek/sklepów stają się de facto terminalem dla agentów, a nie miejscem skoncentrowanym na ludzkim kliencie.
Na tym naturalnie ścieżka zakupowa się nie kończy – a wraz z nią pozostaje także LLM-owe wsparcie. Badania NIM wskazują, że klienci korzystają ze wsparcia AI również podczas używania zakupionych produktów, usuwaniu usterek czy w kwestiach związanych z konserwacją. Model przejmuje wówczas część funkcji instrukcji, wyszukiwarki i customer supportu.
Dzięki temu AI może potencjalnie uratować źle zaczynające się doświadczenie. Wystarczy, że pomoże poprawnie skonfigurować urządzenie albo odnaleźć konkretną funkcję. Może też zrobić coś odwrotnego – jeżeli uzna produkt za niedopasowany, podpowie zmianę planu, zwrot lub zakup u konkurenta.
Jednocześnie nie będzie przy tym bezstronnym arbitrem. Zjawisko tzw. sykofancji (schlebiania użytkownikowi i potwierdzania jego myśli i poglądów) sprawia bowiem, że asystenci chętnie przychylą się do opinii usera nawet gdy urąga to etyce i prawdziwości odpowiedzi. W praktyce mogą więc zarówno nazbyt łatwo usprawiedliwić zakup, jak i przesadnie poprzeć rozczarowanego klienta.
Wspomniane GEO zyskuje przez to dodatkowy wymiar – posprzedażowy. Marka potrzebuje bowiem treści, które pozwolą modelowi uczciwie diagnozować problemy i oceniać dopasowanie. Powinna też wyraźnie opisywać ograniczenia oraz sposób korzystania z produktu. Potrzebuje również wiarygodnych informacji o serwisie i zwrotach. Tak, aby kontrola nad tak prowadzonym „customer supportem” (lub, nie oszukujmy się, procesem redukowania pozakupowego dysonansu) wciąż pozostała przy firmie.
AI jako warstwa (?) całej ścieżki
Współczesne customer journey nie jest już tradycyjną ścieżką zakupową z doklejonym chatbotem.
AI uczestniczy w niej już na poziomie interpretacji samej potrzeby. Potem pomaga określić kryteria i ogranicza zestaw marek według własnego uznania. Następnie nadaje im znaczenie, uzasadnia rekomendację i popycha lub odpycha od transakcji. A na dodatek, już po zakupie, wpływa na sposób korzystania z produktu oraz psychologiczną ocenę podjętej decyzji.
Customer journey zaczyna więc przypominać współpracę trzech stron. Klient wnosi do niej kontekst oraz reakcje. Marka dostarcza swoją ofertę i treści. A sztuczna inteligencja bezustannie łączy te elementy w robocze interpretacje, na podstawie których można realizować kolejne kroki ścieżki.
I jakkolwiek nie „psioczylibyśmy” na odbieranie w ten sposób sprawczości samym marketerom – ich obecność i walka o kontrolę nad tym procesem jest absolutnie nieodzowna. Zawrócenie Wisły przysłowiowym kijem i odwiedzenie klientów od dyskutowania zakupów z LLM-ami jest już bowiem niemożliwe. I jeśli wsadu do podejmowania takowych decyzji nie dostarczymy my, z chęcią zrobi to albo konkurencja. Albo ochoczo halucynujący model.