Các trợ lý mua sắm AI đang chiếm một phần đáng kể trong số người mua sắm trực tuyến và nhiều chiến thuật thuyết phục thương mại điện tử truyền thống không còn hiệu quả với chúng. Theo phân tích của HBR, các nhà nghiên cứu đã thử nghiệm tám cơ chế khuyến mãi phổ biến trên bốn mô hình, GPT-4.1-mini, GPT-5, Gemini 2.5 Pro và Gemini 2.5 Flash Lite, sử dụng một mô phỏng độc quyền với hàng nghìn vòng mua sắm mô phỏng và chỉ tìm thấy một cơ chế hoạt động nhất quán như đối với người mua là con người. HBR cho biết các chiến thuật như tín hiệu khan hiếm, bộ đếm ngược, giá gạch ngang và phiếu giảm giá thường thất bại hoặc phản tác dụng. HBR cũng báo cáo một cuộc khảo sát thăm dò với 50 giám đốc điều hành thương mại điện tử của Hoa Kỳ và Vương quốc Anh, trong đó nhiều người nhận thấy sự thay đổi về lưu lượng truy cập hoặc tỷ lệ chuyển đổi mà họ cho là do các trợ lý AI gây ra. Phân tích biên tập: Đối với những người thực hành, điều này ngụ ý rằng thử nghiệm A/B, phân bổ và đánh giá khuyến mãi nên tính đến hành vi do trợ lý điều khiển một cách rõ ràng thay vì giả định tất cả các phiên đều là con người.

Các trợ lý mua sắm AI đang nhanh chóng chiếm một phần đáng kể trong số người mua sắm trực tuyến và các chiến thuật thuyết phục thương mại điện tử truyền thống được xây dựng dựa trên tâm lý con người không thể áp dụng một cách đáng tin cậy cho các trợ lý ảo. Theo HBR, các nhà nghiên cứu đã đánh giá tám cơ chế khuyến mãi phổ biến trên bốn mô hình, GPT-4.1-mini, GPT-5, Gemini 2.5 Pro và Gemini 2.5 Flash Lite, bằng cách sử dụng một mô phỏng độc quyền chạy hàng nghìn vòng mua sắm mô phỏng, và nhận thấy rằng chỉ có một cơ chế hoạt động nhất quán như mong đợi đối với người mua là con người. HBR cũng đưa tin rằng một cuộc khảo sát thăm dò với 50 giám đốc điều hành thương mại điện tử tại Hoa Kỳ và Vương quốc Anh cho thấy nhiều người được hỏi đã nhận thấy sự thay đổi về lưu lượng truy cập hoặc tỷ lệ chuyển đổi mà họ cho là do hoạt động của trợ lý ảo.

HBR mô tả môi trường thử nghiệm là một hệ thống lưới sản phẩm mô phỏng, nơi các tác nhân lựa chọn giữa các sản phẩm được trình bày với các huy hiệu chung và các lớp phủ khuyến mãi. Báo cáo liệt kê các công cụ thuyết phục mà các nhà nghiên cứu đã thay đổi, bao gồm các chỉ báo khan hiếm, bộ đếm ngược, giá gạch ngang và phiếu giảm giá, và báo cáo rằng một số tín hiệu này hoặc không có tác động tích cực nào đến sự lựa chọn của tác nhân hoặc tạo ra kết quả ngược lại với dự định. Bài báo lưu ý sự khác biệt giữa các mô hình trong phản hồi trên bốn mô hình được thử nghiệm.

Phân tích biên tập - bối cảnh kỹ thuật
Quan sát mô hình ngành: Các mô hình được đào tạo hoặc tinh chỉnh cho việc duyệt web và ra quyết định thường tối ưu hóa các chỉ số khác với các quy tắc phán đoán của con người. Điều này giúp giải thích tại sao các chiến thuật khai thác sự ác cảm với mất mát hoặc bằng chứng xã hội của con người không khớp hoàn toàn với logic quyết định của tác nhân. Người quan sát nên coi tương tác của tác nhân là một phân khúc hành vi riêng biệt khi thiết kế thí nghiệm hoặc diễn giải phễu chuyển đổi.

Bối cảnh và ý nghĩa
Phân tích biên tập: Các phát hiện của HBR giao thoa giữa việc khám phá sản phẩm, tìm kiếm và các giao thức thương mại. Các báo cáo chỉ ra những động thái trong hệ sinh thái của các ông lớn, HBR đề cập đến sự tích hợp sâu hơn trong việc khám phá sản phẩm từ OpenAI, giao thức thương mại toàn cầu (UCP) của Google và các công cụ của Amazon cho phép mua sắm thông qua trợ lý ảo, điều này làm tăng khả năng lưu lượng truy cập trợ lý ảo sẽ tăng lên. Đối với các nhóm phân tích và học máy, phản hồi mô hình không nhất quán có nghĩa là một thử nghiệm A/B hoặc thuật toán đơn lẻ sẽ không thể khái quát hóa trên các loại trợ lý ảo hoặc các bản cập nhật mô hình...

Theo https://letsdatascience.com/news/hbr-finds-traditional-marketing-fails-with-ai-shopping-agent-ae884b35