Anul acesta, o echipă de cercetare a evaluat principalele modele mari de limbaj pe parcursul campaniei Black Friday din Statele Unite și a analizat 10.000 de răspunsuri pentru a descifra cum percep aceste sisteme mediul comercial, ce surse utilizează și cum le influențează raționamentul creșterile bruște ale cererii. Compararea produselor, de la cataloage tipărite și târguri locale, prin motoare de căutare care au organizat webul, a ajuns acum la modele de limbaj care sintetizează informații din conversații, recenzii și clipuri video; Black Friday a reprezentat astfel un laborator natural pentru a observa cum se suprapun aceste etape evolutive sub presiune. Testul structurat a scos la iveală concluzii notabile: modelele nu extrag în mod egal din tot ce există online, ci preferă un număr limitat de domenii, iar comportamentul lor se ajustează rapid în fața fluctuațiilor mari de preț și stoc.
Analiza indică faptul că YouTube, marii retaileri și presa de specialitate din SUA domină sursele invocate de modele; topul domeniilor cele mai citate cuprinde YouTube cu 1.509 mențiuni, Best Buy cu 950, Walmart cu 885, Target cu 477, TechRadar cu 355, RTings cu 342 și Consumer Reports cu 325. Modelele formulează răspunsuri pornind de la o hartă internă condensată a relațiilor dintre surse și semnale, nu urmând mecanic o căutare de tip motor tradițional; în practică, asta se traduce prin răspunsuri orientate spre decizie, nu simple liste lungi de linkuri. Înainte de Black Friday, predominau comportamente de planificare: domeniile de retail și brand alcătuiau 59, 6% din referințe, site-urile media 23, 4%, iar conținutul social și cel generat de utilizatori 17%. Când evenimentul a început, ponderea conținutului social și UGC a urcat la 25, 1%, o creștere de 8, 1 puncte procentuale, în timp ce site-urile comerciale și media au pierdut din cotă; semnalul este că modelele, asemenea oamenilor, se bazează mai mult pe discuții și experiențe personale când incertitudinea legată de prețuri și stocuri crește.
Un alt tablou relevant provine dintr-o analiză Athena din octombrie 2025, care a identificat semnale off-page puternice: Reddit cu 34%, YouTube cu 19, 5%, Amazon cu 15, 5%, Business Insider cu 9, 2% și Walmart cu 8, 9%. Aceste surse furnizează volum de interes uman, recenzii, demo-uri video, date structurate și sentiment colectiv, elemente pe care modelele le folosesc pentru a compara și recomanda produse. În paralel, conținutul de comparație structurat are un impact disproporționat, fiind mai persuasiv pentru modele decât materialele produse de branduri. Totuși, site-urile de marcă rămân importante: structura internă contează, iar datele Athena arată că pagina principală furnizează 40% din semnalele citate, articolele de blog 10, 6% și paginile de produs 10, 5%. Asta înseamnă că o pagină de start bine organizată transmite semnale semantice ușor de interpretat, iar paginile de produs și conținutul educațional aduc detalii factuale pe care modelele le pot utiliza drept validare.
Privind distribuția pe retaileri, rezultă că retailerii generalisti dețin aproape jumătate din conversație, cu o cotă de 48%, iar lanțuri precum Walmart, Target și Best Buy apar frecvent ca repere pentru modele. Specialiștii în electronice au aproximativ 23% din share, cu Best Buy în frunte, urmat de Newegg și Micro Center, iar alte verticale precum fashion, beauty sau bricolaj rămân în urma lor, în principal din cauza volumului mai redus de conținut public și conversații asociate. Preferința modelelor pentru retailerii generalisti sugerează că familiaritatea și acoperirea largă de produse creează o rută implicită către recomandări și comparații.
Nu toate modelele se comportă identic. Gemini tinde să ofere răspunsuri extinse, cu o medie de 606 cuvinte, multe liste și secțiuni, tratând adesea solicitările ca pe articole lungi; în test, 97, 6% din răspunsurile sale includeau liste și 92, 3% foloseau titluri, iar numărul mediu de elemente listate era de aproape 28. OpenAI s-a poziționat la mijloc, cu o medie de 401 cuvinte, liste în 99% din răspunsuri și titluri în aproximativ două treimi din cazuri, listele fiind, surprinzător, mai dense, în jur de 32 de elemente. Perplexity a adoptat o abordare economă cu cuvintele: 288 de cuvinte pe răspuns în medie, cu mult mai puține elemente listate, în jur de 9, 7. Aceste diferențe reflectă strategii distincte de recuperare a informației și raționament, ceea ce înseamnă că vizibilitatea în AI nu mai e un fenomen uniform; fiecare platformă are propriile reguli nescrise.
Pe plan practic, concluzia principală este clară: conținutul trebuie etichetat semantic și structurat, iar brandurile care se rezumă la texte promoționale sau pagini superficiale rămân invizibile în acest mediu. Modelele învață din interacțiuni, nu doar din crawlere, iar demersurile unor companii precum OpenAI, prin inițiative recente legate de Shopping Research, arată că modelele pot capta comportamentul real de cumpărare: preferințe legate de preț, culoare, variante și disponibilitate, transformând semnalele de căutare în date de țintire. Pentru branduri, asta înseamnă trecerea de la o optimizare pasivă pentru motoare de căutare la o implicare activă în ecosistemul digital: prezență în medii de comparație, recenzii, forumuri și conținut video, plus date precise și structurate în marketplace-uri, toate semnale pe care modelele le absorb și le folosesc.
Black Friday a funcționat astfel ca un test de stres pentru descoperirea bazată pe AI: a evidențiat sursele dominante, modul în care echilibrează conținutul oficial versus conversațiile publice și cât de mult contează structura informației. Răspunsurile generate de modele au fost ferme, bine structurate și influente, dar nu neapărat exhaustive, deoarece ele reflectă adesea ceea ce întâlnesc cel mai frecvent în ecosistem, nu neapărat tot ce brandurile pot oferi. În perspectivă, se profilează o arhitectură de cumpărături în care agenții inteligenți vor facilita descoperirea, compararea și chiar tranzacțiile, iar vizibilitatea va depinde mai puțin de clasamentele tradiționale și mai mult de o reprezentare exactă, contextuală și omniprezentă în spațiile pe care modelele le folosesc.
OpenAI Shopping Research schimbă modul în care modelele asimilează comportamentul de cumpărare. Brandurile trebuie să se adapteze prin conținut clar, date structurate și prezență în sursele consultate de modele, precum YouTube, Reddit și marketplace-urile majore. Altfel, riscă să fie ignorate nu pentru că nu oferă produse bune, ci pentru că nu sunt reprezentate corect în harta pe care AI o folosește pentru a răspunde.
Crezi că brandurile românești sunt pregătite pentru o vizibilitate AI-native sau mai au pași de făcut?
daaa, brandurile romanesti in urma