Традиційний маркетинг не працює на ШІ-агентах — що показало дослідження HBR
Штучний інтелект змінює ecommerce: на презентації I/O Google заявили, що переходять до епохи ШІ-агентів, які самостійно створюють замовлення. Через це виникає питання: чи працюють на AI-агентах ті самі прийоми, які десятиліттями працювали на людях? Промо-бейджі, таймери, закреслені ціни, бандли — все це побудовано на людській психології. Як на ці сигнали реагує штучний інтелект?
Harvard Business Review провели дослідження, у якому Джафар Саббах (Bayes Business School) та Огуз А. Аджар (King’s Business School) перевірили 8 поширених механік на 4 моделях AI у понад 16 000 симуляцій вибору.
Результати ставлять під сумнів інтуїцію більшості ecommerce-підходів — і показують, що стратегії, які працювали колись, втрачають сенс.
Як проводили дослідження
Автори протестували 4 моделі AI: GPT-4.1-mini, GPT-5, Gemini 2.5 Pro і Gemini 2.5 Flash Lite. Кожна модель отримувала завдання обрати товар із сітки продуктів — як на типовій сторінці інтернет-магазину.
Перевіряли 8 поширених промо-механік:
- значки гарантії (Money-back guarantee);
- таймери зворотного відліку;
- закреслені ціни зі знижкою;
- штучний дефіцит (Залишилось 2 шт!);
- соціальний доказ (кількість покупок);
- ваучери;
- бандли;
- рейтинги.
Категорії товарів змінювали — телефон, фітнес-годинник, пральна машина, килимок для миші. Усього — понад 16 000 симуляцій вибору.
Чи працюють прийоми маркетингу на ШІ-агентах
Стабільно працює лише одне — рейтинги. В усіх моделях і категоріях вищі оцінки підвищували ймовірність вибору товару. Соціальний доказ (кількість покупок) — другий за надійністю сигнал, але вже з варіаціями.
Усі інші прийоми поводилися непередбачувано:
- закреслені ціни, таймери, бандли не давали стабільного ефекту;
- в одних випадках вони підвищували вибір, в інших — не впливали взагалі;
- бандли в окремих випадках навіть зменшували ймовірність покупки.
Цікава закономірність: простіші моделі (Gemini Flash Lite, GPT-4.1-mini) більше реагували на промо-сигнали. «Розумніші» моделі (GPT-5, Gemini 2.5 Pro) реагували менше — а подекуди ще й понижували товар за надмірний маркетинговий тиск, ніби сприймаючи це як ознаку низької якості або маніпуляції.
Важливий нюанс: промо-стимули іноді впливали на вибір AI, але не з тих психологічних причин, з яких вони працюють на людях. Наприклад, для Gemini 2.5 Pro чим більшою ставала знижка, тим слабшим ставав її додатковий ефект — протилежно до людської логіки.
Що з цим робити: 6 стратегічних рекомендацій
Висновки дослідження вказують на те, що принципи переконання людей не завжди переносяться на ШІ-агентів. проте автори дають поради щодо того, що варто робити вже зараз.
Спочатку — наведіть лад в основі
В усіх протестованих моделях два фактори поводилися рівно так само, як і з людьми: ціна і рейтинги. Вища ціна послідовно знижувала ймовірність вибору, вищі рейтинги — підвищували. Решта бейджів і сигналів не давали стабільного результату.
Тому перш ніж вкладатися в спеціальні тактики під агентів, переконайтеся, що базові у вас конкурентна ціна та сильний, чесний профіль відгуків.
Розглядайте кожну модель як окремий сегмент ринку
Десятиліттями маркетологи сегментували покупців за демографією, географією, психографікою та поведінкою. Результати дослідження підказують: тепер треба врахувати ще одну змінну — саму модель AI.
Якщо ви будете думати про кожну модель як про окремий сегмент зі своїм профілем реакції на промо-сигнали — це дасть звичну і робочу рамку для управління новою складністю.
Адаптуйте те, що показуєте, до того, хто (або що) дивиться
Якщо різні моделі реагують по-різному, логічний наступний крок — показувати різні версії інформації про товар залежно від того, який агент взаємодіє з вашим сайтом чи фідом даних.
Для початку потрібно з’ясувати, які ШІ-моделі генерують найбільше трафіку чи транзакцій у вашій категорії, і оптимізувати під них. Це стає простіше: коли покупки все частіше йдуть через комерційні протоколи на кшталт Google UCP, мерчанти отримують видимість того, які AI-платформи приводять їм продажі.
Автори проводять пряму аналогію з раннім періодом мобільної оптимізації: спочатку компанії проєктували сайти під домінуючий пристрій, а лише потім будували повністю адаптивні досвіди. З AI-агентами буде так само.
Ще один підхід — динамічний: виявляти модель агента в реальному часі і відповідно підлаштовувати промо-сигнали — які бейджі показати, як подати ціну, чи виводити бандли або ваучери.
Сьогодні це поки складно: більшість AI-агентів заходять на сайти через звичайні браузери, тож їх важко відрізнити від людей у реальному часі. Але з розвитком комерційних протоколів і покращенням поведінкової детекції цей розрив скорочуватиметься. Компанії, які почнуть будувати інфраструктуру тестування зараз, будуть у найкращій позиції, коли налаштування в реальному часі стане технічно доступним.
Зрозумійте промпт, а не лише агента
AI-агент приходить на сайт за промптом користувача. Споживач, який сказав агенту «знайди мені найкращі за відгуками бездротові навушники до 100 фунтів», поставив зовсім інше завдання, ніж той, хто сказав «знайди найдешевший варіант, який доставлять завтра». Поведінка агента формується саме цими інструкціями.
Розуміння найпоширеніших структур промптів у вашій категорії — це нова й важлива форма споживчого дослідження. Як її проводити:
- пряме опитування клієнтів;
- аналіз патернів запитів;
- партнерства з AI-платформами.
Очікуйте, що просунутіші моделі стануть скептичнішими
Є поширене припущення: чим потужнішою стає модель, тим вона раціональніша — менш чутлива до маркетингу, ближча до ідеального раціонального покупця з підручників економіки.
Дослідження це спростовує. Просунутіші моделі — GPT-5 і Gemini 2.5 Pro — справді менше реагували на певні промо-прийоми, але вони їх не ігнорували. У низці випадків вони, навпаки, карали товар за надто явні сигнали переконання — ніби сприймали їх як ознаки низької якості або маніпуляції.
Висновок: агресивні промо-прийоми, які ще працюють на багатьох людях, у міру розвитку моделей ставатимуть контрпродуктивними. Тенденція не в тому, що агенти просто ігноруватимуть ваш маркетинг — а в тому, що чим більше переконування, тим менше виборів вашого товару.
Будуйте інфраструктуру тестування, а не разову стратегію
Можливо, найважливіший висновок — структурний.
Промо-ефекти, які ми бачимо сьогодні, не залишаться такими після наступної моделі. Кожен великий реліз, донавчання чи зміна налаштувань безпеки може зрушити те, як агент реагує на цінові акценти, відчуття терміновості чи соціальний доказ. Будь-яка фіксована стратегія оптимізації під агентів матиме короткий термін придатності.
Що варто робити компаніям:
- створювати симуляційні середовища, де можна систематично проганяти AI-агентів через ваші сторінки товарів — у різних моделях, категоріях і конфігураціях промо;
- вести версійовану базу поведінки агентів, прив’язану до релізів моделей — щоб вчасно помічати, коли тактика, яка працювала минулого кварталу, перестала працювати або почала шкодити.
Резюмуємо
Десятиліттями маркетологи відточували кожен інструмент переконання з однією аудиторією на увазі — людьми. Ця аудиторія тепер розділяється.
Все більша частка рішень про покупку буде прийматись — або фільтруватись — агентами, які не реагують на ваші ретельно сконструйовані сигнали так, як це робили люди. Дехто з них їх ігноруватиме. Дехто, як показують дані, триматиме це проти вас.
Для маркетологів, які присвятили кар’єру мистецтву переконання, незручний висновок такий: іноді найкращий хід — прибрати тиск. Виграють ті бренди, у яких вистачить дисципліни зрозуміти, коли переконливість сама по собі стає проблемою.
