تجربه مشتری دوقطبی میشود: کشف محصول با دستیار هوش مصنوعی، وفاداری با تماس انسانی
سهم ارجاع دستیارهای هوش مصنوعی در فروشگاههای آنلاین به حدود ۵ درصد رسیده و همزمان برندها خط تلفن انسانی و فروشگاه فیزیکی را تقویت میکنند.
فهرست مطالب
به گزارش Digital Commerce 360، خردهفروشان آنلاین پیشرو در ابتدای ۲۰۲۶ گفته بودند کمتر از ۲ درصد ارجاعهای سایتشان از پلتفرمهای هوش مصنوعی میآید، اما این سهم اکنون بهطور کلی حدود ۵ درصد است[۱]. همزمان مدیران برندهای مد و زیبایی میگویند تبلیغات جستوجو و نمایشی دیگر اثر گذشته را ندارد و به همین دلیل به فروشگاه، رویداد و خدمات انسانی رو آوردهاند[۲]. برندهایی مانند Sproos، Made In و Trade Coffee هم خط تلفنی با پاسخگوی انسانی را به نقطه تمایز خود تبدیل کردهاند[۳]. برداشت ما این است که تجربه مشتری دوقطبی میشود. کشف و مقایسه محصول به دستیارهای هوش مصنوعی منتقل میشود و برند ارزش افزوده خود را در لحظههایی نشان میدهد که حضور انسان لازم است.
واقعیتهای کلیدی
- سهم ارجاع از پلتفرمهای هوش مصنوعی در خردهفروشان پیشرو از کمتر از ۲ درصد در ابتدای ۲۰۲۶ به حدود ۵ درصد رسیده است.[۱]
- ترافیک ارجاعی هوش مصنوعی به سایتهای تجارت الکترونیک در جولای نسبت به سال قبل ۶۲ درصد رشد کرد و درآمد هر بازدید این کاربران ۵۳ درصد بیشتر بود.[۱]
- در Edible Brands نرخ تبدیل ترافیک هوش مصنوعی بیش از ۵ درصد و کمتر از میانگین بیش از ۱۰ درصدی سایت است.[۱]
- Daydream با iOS 27 خرید از روی عکسهای گالری و جستوجو از طریق Siri را عرضه کرد.[۴]
- Sproos روزانه حدود ۳۰ تماس با خط تلفن انسانی خود دریافت میکند و Trade Coffee همزمان حدود ۶ پاسخگوی تلفنی دارد.[۳]
- به نقل Modern Retail، در نظرسنجی SurveyMonkey ۷۹ درصد آمریکاییها تعامل با انسان را به عامل هوش مصنوعی ترجیح دادهاند.[۳]
ترافیک ارجاعی از دستیارها: رشد واقعی در کانالی که هنوز کوچک است
ترافیک ارجاعی مرتبط با هوش مصنوعی به سایتهای تجارت الکترونیک در ماه جولای نسبت به سال قبل ۶۲ درصد رشد کرد و خریدارانی که از ابزارهای هوش مصنوعی آمده بودند، در هر بازدید ۵۳ درصد درآمد بیشتری ایجاد کردند[۱]. مدیرعامل Povison، فروشنده آنلاین مبلمان، میگوید حدود ۵ درصد کل ترافیک سایت این شرکت از ارجاع هوش مصنوعی میآید و انتظار دارد این سهم تا اوایل ۲۰۲۷ به حدود ۱۰ درصد برسد[۱]. بنیانگذار La Joya Jewelry میگوید این سهم از حدود ۲ تا ۳ درصد در ابتدای سال به حدود ۵ یا ۶ درصد رسیده است[۱]. به گفته او، اگر نرخ تبدیل معمول ۳ درصد باشد، این نرخ برای کاربرانی که از هوش مصنوعی میآیند به بیش از ۱۳ درصد میرسد[۱].
اما وضعیت همه فروشگاهها یکسان نیست[۱]. در Bero این سهم کمتر از ۵ درصد است و مسئول تجارت الکترونیک این برند میگوید رشد آن سریع نبوده و گزارشهای نشست (session) هنوز منبع ترافیک هوش مصنوعی را دقیق نشان نمیدهند[۱]. در Edible Brands کمتر از ۱۰ درصد ترافیک از ارجاع هوش مصنوعی میآید و حدود ۹۵ درصد آن از ChatGPT است[۱]. میانگین ارزش سفارش این کاربران ۵٫۵۰ دلار بالاتر از میانگین سایت است، اما نرخ تبدیلشان (بیش از ۵ درصد) از میانگین سایت (بیش از ۱۰ درصد) پایینتر است[۱]. به گفته La Joya، این کاربران لزوماً بیشتر خرج نمیکنند و تفاوت اصلیشان این است که پیش از ورود تحقیقشان را کردهاند[۱]. به نظر میرسد تیترهای رشد، تغییر را بزرگتر از اندازه واقعی آن نشان میدهند، چون این کانال هنوز کوچک و اندازهگیریاش ناقص است.
کشف محصول از تبلیغ جستوجو به دستیار و لایه سیستمعامل میرود
یک بازاریاب داخلی برند در نشست Modern Retail گفته است تبلیغات جستوجو و نمایشی که شرکتش سالها برای جذب مشتری به کار میبرد، کماثرتر شدهاند، چون مردم برای کشف محصول بیشتر از مدلهای زبانی استفاده میکنند[۲]. به گفته او، این شرکت برای متنوع کردن ترکیب بازاریابی دوباره به ارتباطات حضوری تکیه کرده است[۲].
در سمت محصول، Daydream، اپ کشف مد مبتنی بر هوش مصنوعی، با ابزارهای توسعه iOS 27 دو قابلیت تازه عرضه کرد[۴]. قابلیت اول عکسهای لباس در گالری را به نتایج قابل خرید تبدیل میکند و قابلیت دوم جستوجو از طریق Siri را بدون باز کردن اپ ممکن میکند[۴]. این اپ لباس داخل تصویر را به قطعههای جداگانه تفکیک میکند و از کاتالوگی با حدود ۳ میلیون محصول، همان کالا یا گزینههای مشابه را پیشنهاد میدهد[۴]. به ادعای Daydream، بیش از ۱٫۵ میلیون خریدار در این اپ محصولات بیش از ۳۲۵ خردهفروش را مرور میکنند[۴]. مدیرعامل Daydream هدف بلندمدت شرکت را ساخت عامل خریدی (shopping agent) میداند که سلیقه کاربر را در همه جنبههای زندگیاش بشناسد[۴]. به نظر میرسد وقتی کشف محصول در لایه سیستمعامل انجام شود، برند کنترل کمتری بر اولین برخورد مشتری دارد و کیفیت داده کاتالوگ به عامل اصلی دیده شدن تبدیل میشود.
انسان به مزیت رقابتی برمیگردد و عملیات به سمت حلقه بسته میرود
Sproos، برند سردوشی که مستقیم به مصرفکننده میفروشد، تابستان امسال خط تلفنی با پاسخگوی انسانی راه انداخت و اکنون روزانه حدود ۳۰ تماس دریافت میکند[۳]. Made In کنار چتبات هوش مصنوعی خود خط تلفن هم دارد و کارکنانش با مشتریان تماس تصویری برقرار میکنند[۳]. Trade Coffee همزمان حدود ۶ پاسخگوی تلفنی دارد که همه باید سابقه کار باریستایی داشته باشند و گاهی تا ۳۰ دقیقه با یک مشتری صحبت میکنند[۳]. به نقل Modern Retail، در نظرسنجی SurveyMonkey ۷۹ درصد آمریکاییها گفتهاند تعامل با انسان را به عامل هوش مصنوعی ترجیح میدهند و ۴۱ درصد معتقدند هوش مصنوعی خدمات مشتری را بدتر کرده است[۳].
داده این تماسها هم ارزش دارد[۳]. Trade Coffee پرسشهای مشتریان را با برشتهکاران شریک خود در میان میگذارد و محتوای بازاریابیاش را بر اساس موضوعهای پرتکرار تماسها بهروز میکند[۳]. Sproos نیز از این گفتوگوها برای شناخت مسیر خرید مشتری استفاده میکند[۳].
در بخش عملیات، AWS در یک راهنمای فنی الگویی چهارمرحلهای را شرح داده است[۵]. ابتدا مدل Chronos-2 روی Databricks تقاضای ۷ روز آینده را برای هر کالا پیشبینی میکند[۵]. سپس یک Genie Agent کالاهایی را پیدا میکند که میانگین تقاضای پیشبینیشدهشان دستکم ۱٫۵ برابر میانگین ۱۴ روز گذشته است[۵]. بعد Amazon Quick ارزانترین تأمینکنندهای را که بتواند این تقاضا را پوشش دهد انتخاب میکند و سفارش را خودکار ثبت میکند و انسان فقط وقتی وارد کار میشود که هیچ قاعدهای با وضعیت جور درنیاید[۵]. به گفته AWS، با آمدن مدلهای بنیادی، گلوگاه اصلی از خود پیشبینی به فاصله میان پیشبینی و ثبت سفارش منتقل شده است[۵].
چه کسی سود میبرد و تیمهای بازاریابی، محصول و داده چه باید ببینند
برداشت ما این است که بیشترین سود به برندهایی میرسد که داده محصولشان دقیق، کامل و برای ماشین خوانا است، چون دستیار هوش مصنوعی فقط کالایی را پیشنهاد میدهد که ویژگیها و موجودیاش را درست بفهمد. در مقابل، مدلهای کسبوکاری که به خرید تبلیغ جستوجو و نمایشی وابستهاند احتمالاً زیر فشار بیشتری قرار میگیرند.
تیمهای بازاریابی بهتر است ترافیک دستیارهای هوش مصنوعی را کانالی جداگانه ببینند و آن را با نرخ تبدیل و ارزش سفارش خودش بسنجند، چون این شاخصها از برندی به برند دیگر حتی جهت مخالف دارند. برای تیمهای CRM، ثبت منشأ ورود کاربر و ذخیره ساختاریافته محتوای تماسهای انسانی میتواند بخشی از زیرساخت پیگیری مشتری باشد. تیم محصول هم میتواند کارهای تکراری را به ابزارهای هوش مصنوعی و پرسشهای تخصصی را به انسان بسپارد.
یک پیامد مرتبه دوم محتمل این است که خدمات انسانی به ویژگی ممتاز برند تبدیل شود و فشار هزینه را بر برندهای کوچک بیشتر کند. پیامد دیگر این است که اتصال پیشبینی تقاضا به سفارش خودکار، تجربه مشتری را به زنجیره تأمین گره بزند. با این حال، شواهد فعلی از اظهارات چند مدیر و یک راهنمای فنی آمده و هنوز نمیتوان آن را جابهجایی گسترده در بازار دانست.
| خردهفروش | سهم ترافیک از هوش مصنوعی | نرخ تبدیل و ارزش سفارش | نکته |
|---|---|---|---|
| Bero | کمتر از ۵ درصد | اعلام نشده | رشد کند و اندازهگیری ناقص |
| Povison | حدود ۵ درصد کل ترافیک | اعلام نشده | انتظار حدود ۱۰ درصد تا اوایل ۲۰۲۷ |
| La Joya Jewelry | از ۲ تا ۳ درصد به ۵ یا ۶ درصد | بیش از ۱۳ درصد در برابر نرخ معمول ۳ درصد (مثال مدیر) | خرید بیشتر مشاهده نشده |
| Edible Brands | کمتر از ۱۰ درصد | بیش از ۵ درصد، کمتر از میانگین سایت؛ سفارش ۵٫۵۰ دلار بالاتر | حدود ۹۵ درصد از ChatGPT |
خط زمانی
- 2026-07: ترافیک ارجاعی هوش مصنوعی به سایتهای تجارت الکترونیک نسبت به سال قبل ۶۲ درصد رشد کرد[۱]
- 2026-09-14: Daydream با ابزارهای توسعه iOS 27 خرید از روی عکس و جستوجو از طریق Siri را عرضه کرد[۴]
- 2026-09-14: AWS راهنمای حلقه خودکار پیشبینی و سفارش تأمین با Databricks و Amazon Quick را منتشر کرد[۵]
- 2026-09-15: Modern Retail از برندهایی گزارش داد که خط تلفن انسانی را به مزیت رقابتی تبدیل کردهاند[۳]
- 2026-09-16: Modern Retail گزارش داد برندهای مد و زیبایی به فروشگاه فیزیکی، رویداد و خدمات انسانی رو آوردهاند[۲]
- 2026-09-16: Digital Commerce 360 سهم ارجاع هوش مصنوعی در خردهفروشان پیشرو را حدود ۵ درصد گزارش کرد[۱]
برای کسبوکارهای ایرانی
این بخش تفسیر ماست و آمار ایرانی در آن نیست. فروشگاههای آنلاین ایرانی میتوانند در ابزار تحلیل وب، ارجاعهایی را که از دستیارهای هوش مصنوعی میآیند جداگانه برچسب بزنند تا دستکم اندازه این کانال را ببینند. درس خدمات انسانی هم برای تیمهای کوچک پرهزینه نیست. پاسخگویی که محصول را میشناسد، همراه با ثبت منظم موضوع تماسها، میتواند هم به وفاداری کمک کند و هم دادهای برای بازاریابی فراهم کند. ساختاریافته کردن داده کاتالوگ نیز احتمالاً به دیده شدن در جستوجوی مبتنی بر هوش مصنوعی کمک میکند.
چه چیزی را باید دنبال کرد
- آیا سهم ترافیک هوش مصنوعی در Povison تا اوایل ۲۰۲۷ واقعاً به حدود ۱۰ درصد میرسد و آیا دیگر خردهفروشان هم همین مسیر را طی میکنند
- آیا گزارشهای تحلیل وب منبع ترافیک هوش مصنوعی را دقیقتر تفکیک میکنند؛ ضعفی که مدیر Bero به آن اشاره کرده است
- آیا فصل خرید تعطیلات، برندهایی را که خط تلفن انسانی دارند با افزایش تماسها روبهرو میکند
- آیا عاملهای خرید مثل Daydream از جستوجو فراتر میروند و به تکمیل خرید در سطح سیستمعامل میرسند
منابع
- How AI referrals are impacting traffic at 4 online retailers — Digital Commerce 360، انتشار: 2026-09-16، دسترسی: 2026-09-16
- Brands refocus on physical retail as AI disrupts digital customer acquisition — Modern Retail، انتشار: 2026-09-16، دسترسی: 2026-09-16
- Brands Briefing: Customer-service phone lines are getting a second look thanks to AI fatigue — Modern Retail، انتشار: 2026-09-15، دسترسی: 2026-09-16
- Fashion app Daydream uses Apple Intelligence to help you shop the outfits in your camera roll | TechCrunch — TechCrunch AI، انتشار: 2026-09-14، دسترسی: 2026-09-16
- Automate replenishment with MMF, Databricks Genie, and Amazon Quick | Amazon Web Services — AWS Machine Learning Blog، انتشار: 2026-09-14، دسترسی: 2026-09-16
روش تهیه: این تحلیل با سامانه پایش خودکار khavarzadeh.com و کمک مدلهای زبانی از منابع بالا تهیه شده و پیش از انتشار، تطابق اعداد، تاریخها و ارجاعها با منابع بهصورت خودکار کنترل شده است. واقعیتها با شماره منبع مشخص شدهاند و بقیه متن برداشت تحلیلی است. تاریخ تهیه: 2026-09-16.
نظرات
هنوز نظری ثبت نشده است؛ اولین نفر باشید.
افزودن نظر