De flesta varumärken inom e-handeln är inte redo för att AI ska sköta försäljningen åt dem

Varannan vecka sätter vi oss ner med någon utanför Hello Retail för vår serie ”Conversations”: en Shopify-partner, en Klaviyo-communitychampion, en tillväxtchef, en av våra egna datavetare. Olika företag, olika yrken.
Sedan kom fyra av de sju senaste gästerna, utan att vi hade uppmanat dem, fram till samma varning.
De flesta varumärkens data är inte i ett format som gör det möjligt för någon form av AI att agera å deras vägnar. Oavsett om det handlar om den AI som varumärket själv utvecklar eller den AI som kunden har med sig. De råd som en köpare får innan köpet övergår till att hanteras av en maskin, och de flesta kataloger, inkorgar och blogginlägg är inte anpassade för att läsas av en sådan.
Browse all Hello Retail Conversations episodes →
Kundrådgivaren är inte längre en riktig person

Peter Sommer, VD för Shopify Plus-partnern Dtails, satte in frågan i sammanhanget av vem en kund vänder sig till för att få råd.
“Jag fick faktiskt rådet att helt enkelt ange fem kriterier. Då fick jag tillbaka en lista med fem skrivare som uppfyllde dessa kriterier.” (Peter Sommer)
Det var så han köpte sin egen skrivare. Fem kriterier för en LLM, en kortlista tillbaka, klart. Han tror att omvälvningen sker redan innan man går till kassan. Den sker redan i rådgivningen.
“Ju större kunderna är, ju bredare deras produktsortiment är och ju längre de har kommit i sin utveckling mot att bli en mogen e-handelsaktör, desto större behov finns det av verktyg som Hello Retail för att tillgodose kundernas behov.” (Peter Sommer)
Det är katalogens storlek som gör det här svårt. Tjugo produkter ryms i en människas huvud. Tjugo tusen gör det inte, och en LLM som ska svara på frågan ”vilken skrivare uppfyller dessa fem kriterier” kan bara utgå från den produktinformation den får.
Watch the full conversation with Peter Sommer →
De flesta varumärken utnyttjar inte den data de redan har

Anna Sophie Christensen, chef för e-postmarknadsföring och kundlojalitet på FABO och trefaldig ”Klaviyo Community Champion”, upptäckte samma lucka ett steg tidigare, innan någon AI-lösning kom in i bilden.
“Man skickar ut meddelanden till alla prenumeranter på en gång, utan att anpassa meddelandet eller innehållet. Och jag påpekar hela tiden att vi måste anpassa det, eftersom man har sina mest lojala kunder som har handlat hos en 20 gånger, och så har man en potentiell kund som registrerade sig för en vecka sedan.” (Anna Sophie Christensen)
De flesta varumärken avstår från personalisering eftersom de underliggande besluten aldrig fattas. Vilket segment, vilken produkt, vid vilket tillfälle. Därför samlas aldrig den data in som ett AI-lager skulle behöva.
“Redan då samlar ni in zero-party-data som ni kan använda för att utforma den övergripande strukturen för er kommunikation.” (Anna Sophie Christensen)
Problemet med beredskapen uppstår långt innan AI kommer in i bilden. Det börjar med att ingen bygger upp den struktur som vem som helst – människa eller maskin – skulle behöva för att kunna agera på ett bra sätt å ett varumärkes vägnar.
Watch the full conversation with Anna Sophie Christensen →
Personalisering utan att veta vem som handlar

Sarah Miguel Cournane, datavetare i Hello Retails FoU-team, säger att det finns en strukturell lösning, förutsatt att produktdata klarar av det.
“Om vi inte vet vem du är, fokuserar vi på vad du interagerar med. Det räcker för att förstå avsikten.” (Sarah Miguel Cournane)
Identiteten har aldrig varit det verkliga hindret. Man kan agera på ett intelligent sätt gentemot en kund som man inte kan namnge, så länge katalogen är tillräckligt väl strukturerad för att man ska kunna dra slutsatser om hur produkterna hänger ihop. De flesta kataloger är en platt lista över SKU:er utan något som en AI kan orientera sig efter.
“Vi har gått från att använda AI som stöd i beslutsfattandet till att faktiskt granska vad AI-systemen tar fram åt oss.” (Sarah Miguel Cournane)
Verifiering är den del som varumärkena underskattar. Att mata in en produktdataström i en generativ modell är den enkla delen. Därefter måste något kontinuerligt kontrollera att resultatet är korrekt, i linje med varumärket och användbart – i en omfattning som ingen manuell granskningsprocess kan hålla jämna steg med.
Watch the full conversation with Sarah Miguel Cournane →
Vad AI:n faktiskt belönar

Jennifer Montague, tidigare Senior Director för GoToMarket på Verdane och numera marknadsföringschef på Carivo, tillämpade samma problemställning på innehållsområdet.
“Användargenererat innehåll (UGC) är guld värt för AI:s upptäckbarhet. Det är just det som människor, och just det som AI, vill se: Att andra pratar om dig. Så det löser flera problem på en gång.” (Jennifer Montague)
AI-system belönar det som riktiga köpare uppskattar: Konkretitet, belägg och en tydlig ståndpunkt. De hoppar över det som köparna redan hoppar över.
“För att sticka ut måste man vara mer autentisk och låta mer mänsklig. Och för att lyckas med det måste man ha en ståndpunkt som man kan stå för och som gör att man sticker ut ur den intetsägande massan.” (Jennifer Montague)
Generiskt innehåll misslyckas på två sätt. Läsarna bläddrar förbi det, och de AI-system som numera står mellan ett varumärke och dess nästa kund hänvisar aldrig till det. Samma problem med relevansen, fast mätt i ord istället för produktattribut.
Watch the full conversation with Jennifer Montague →
Den röda tråden
Var för sig handlar de fyra om olika saker: En rådgivande LLM, ett e-postflöde, en produktkatalog och ett innehåll. Tillsammans utgör de en varning uttryckt på fyra olika sätt.
AI-baserad shopping misslyckas inte för att ett varumärke ännu inte har ”infört AI”. Den misslyckas i tysthet, redan i ett tidigare skede, eftersom produktstrukturen, kundsignalerna och innehållet aldrig har utformats tillräckligt väl för att något ska kunna återge varumärket på ett korrekt sätt. AI gör bara att bristen blir synlig snabbare än vad en gradvis nedgång i den organiska trafiken skulle göra.
Det är värt att fundera på innan du tar till verktygen. I alla fyra samtalen handlade lösningen om det tråkiga grundarbetet: Att differentiera målgruppen, kartlägga katalogen och skriva något som är tillräckligt konkret för att vara värt att citera. Då har det du lägger ovanpå något konkret att utgå ifrån.

