Sztuczna inteligencja w e-commerce: dlaczego sklepy z „wdrożoną AI” wciąż tracą klientów – i co z tym zrobić

Tylko 25 proc. sklepów nie korzysta z żadnego narzędzia AI, wynika z najnowszego raportu Ceneo. Ale wśród tych, które wdrożyły sztuczną inteligencję, dominują proste zastosowania związane z tworzeniem treści i komunikacją z klientami. Zaawansowane funkcje, które realnie napędzają sprzedaż, pozostają niszowe: na wykorzystanie AI do cross-sellingu i up-sellingu wskazuje zaledwie 1,4 proc. respondentów.

Nawet tam, gdzie sklepy wdrażają AI z myślą o wzroście sprzedaży – rekomendacje, dynamiczna personalizacja, automatyczne triggery – często napotykają ten sam problem: algorytm otrzymuje niekompletne dane. Email, strona, aplikacja mobilna, push – każdy kanał działa osobno, każdy widzi tylko fragment zachowania klienta. Efekt jest taki, że narzędzie jest, ale nie może działać pełną parą.

I dzieje się to na tle rynku, gdzie nowych klientów jest coraz mniej, a konkurencja – coraz ostrzejsza. 

Słuchaj podcastu „E-commerce bez tajemnic”

Rynek, który przestał rosnąć

Gemius w raporcie z 2025 roku wskazuje, że liczba kupujących online w Polsce nie zmienia się od trzech lat. 78 proc. Polaków deklaruje zakupy w sieci – i ten wskaźnik praktycznie nie rośnie. Dużej grupy „nowych kupujących”, którą można by zagospodarować, już nie ma.

Jednocześnie oczekiwania rosną. 65 proc. transakcji odbywa się przez smartfon – to wzrost o 7 punktów procentowych rok do roku. Konsumenci sprawdzają ceny na telefonie, stojąc jeszcze w sklepie stacjonarnym. I coraz bardziej daje o sobie znać Temu – platforma, która rok temu miała 20 proc. spontanicznej rozpoznawalności w Polsce, a dziś już 32 proc.

W tej sytuacji walka o nowych klientów to gra o niskim zwrocie. Prawdziwa wartość leży w tym, żeby klienci, których sklep już ma, kupowali częściej, więcej i chętniej wracali. I to jest dokładnie ten problem, który rozwiązuje AI — pod warunkiem, że ma z czym pracować.

Gdzie się sypie większość drożeń

Co to znaczy „AI ma z czym pracować”? W praktyce – jeden spójny profil klienta zamiast danych rozrzuconych po kilku systemach. Ten sam klient może kontaktować się z firmą w wielu punktach: strona, aplikacja, e-mail, sklep stacjonarny. Tradycyjne systemy automatyzacji marketingu widzą tylko fragment tej układanki – zazwyczaj ten, który jest w ich własnej bazie.

Tu ważne jest zrozumienie: AI nie kompensuje słabej infrastruktury danych. Jeśli informacje o kliencie nie są zebrane w całości, nie są oczyszczone i nie zostały połączone w jeden profil – żaden algorytm nie da odczuwalnego efektu. Dlatego wybierając narzędzia AI, warto zwracać uwagę nie tylko na same algorytmy, ale też na to, czy dane są zbierane ze wszystkich kanałów interakcji, czy są unifikowane w jeden profil i czy są wykorzystywane do personalizacji w czasie rzeczywistym. Taki poziom pracy z danymi zapewnia omnichannel CDP – platforma danych klientów.

Przyjrzyjmy się, jak to działa na poziomie rekomendacji, segmentacji i testowania.

Rekomendacje, które naprawdę rozumieją powiązania między produktami

Rekomendacje produktowe to jedna z najbardziej sprawdzonych technologii w e-commerce. AI analizuje, co klient przeglądał, kupował i jak zachowywał się w różnych kanałach – i dobiera produkty, które z największym prawdopodobieństwem go zainteresują.

Rekomendacje produktowe to Twój „osobisty sprzedawca” na stronie, w aplikacji i w kanałach direct, który:

• analizuje tysiące sygnałów i powiązań w zachowaniu każdego klienta,
• za pomocą algorytmów AI dobiera produkty do użytkownika oraz do kontekstu strony,
• pokazuje to, co z największym prawdopodobieństwem zainteresuje klienta właśnie teraz.

Ale nie wszystkie systemy rekomendacji działają tak samo. W ostatnich latach systemy te znacząco się zmieniły: modele transformerowe – ta sama klasa architektur, która leży u podstaw nowoczesnych modeli językowych – zaczęły być stosowane do rekomendacji produktowych.

Praktyczna różnica jest duża. Tradycyjny system operuje na identyfikatorach produktów i korelacjach między nimi: „klienci, którzy kupili X, kupili też Y”. Model transformerowy rozumie znaczenie produktu – jego cechy, kategorie, kontekst użycia – i potrafi rekomendować produkty semantycznie powiązane, nawet jeśli nie ma między nimi historycznej korelacji zakupowej. Oznacza to między innymi, że system działa poprawnie nawet dla nowych produktów i klientów z krótką historią zakupów.

Yespo, omnichannel Customer Data Platform, wdrożyło model łączący architekturę transformerową z LLM (Large Language Model) do analizy cech produktów. Yespo ocenia tę zmianę jako największą w swoim algorytmie rekomendacji od 12 lat. Wyniki dla różnych branż – mierzone względem poprzedniego modelu AI:

Jak rekomendacje AI działają u klienta Yespo CDP

Konkretny przykład: PUMA przez dwa lata korzystała z klasycznego systemu rekomendacji produktów na swojej stronie. Po przejściu na model oparty na architekturze transformerowej w ciągu 14 miesięcy udział zamówień pochodzących z bloków rekomendacji wzrósł dziesięciokrotnie, a konwersja – siedmiokrotnie.

Podobny wynik osiągnął Foxtrot – retailer elektroniki, członek międzynarodowego stowarzyszenia Euronics, obecnego w 34 krajach. Po wdrożeniu nowego modelu CTR we wszystkich blokach rekomendacji wzrósł o 33 proc., a CTR bloku „Personalnie dla Ciebie” – ponad dwukrotnie. Szczególnie widoczny efekt pojawił się w bloku „Często kupowane razem”, gdzie kluczowe jest rozumienie semantycznych powiązań między produktami, a nie tylko korelacji zakupowych.

Rekomendacje działają nie tylko na stronie. Liki24.com – europejski marketplace leków i produktów zdrowotnych, działający w 10 krajach – wdrożył rekomendacje AI w masowych kampaniach e-mailowych. Efekt: konwersja wzrosła o 71 proc., a kliknięcia w blok AI przewyższyły wyniki klasycznego bloku rekomendacji o 106 proc.

AI-segmentacja, która przewiduje zachowanie – i chroni marżę

Rekomendacje to tylko część obrazu. Równie ważne jest zrozumienie, do kogo i kiedy kierować komunikację. Właśnie to rozwiązuje predyktywna AI-segmentacja – technologia o udowodnionych wynikach, już dostępna dla polskich e-commerce. Typowy marketer buduje segmenty na statycznych danych: kiedy był ostatni zakup, ile wydał, co kupował. To przydatne – ale to patrzenie wstecz.

Predyktywna AI dodaje prognozę: kto z tej bazy prawdopodobnie dokona zakupu w ciągu najbliższych 7, 14, 30 dni. Algorytm analizuje wzorce zachowań zakupowych, pełną historię przeglądania i podobieństwa między różnymi grupami kupujących – i na tej podstawie przypisuje klientów do grup według prawdopodobieństwa zakupu. W praktyce daje to cztery gotowe do działania segmenty:

• Bardzo wysokie prawdopodobieństwo zakupu – tu rabat jest niepotrzebny. Ten segment najlepiej reaguje na nowości, oferty premium i treści bez obniżki ceny.
• Średnie prawdopodobieństwo – ci klienci kupują chętniej przy lekkim impulsie: sezonowej promocji, darmowej dostawie.
• Niezdecydowani – to właściwa grupa dla rabatu jako narzędzia domknięcia decyzji.
• Niskie prawdopodobieństwo zakupu – do nich nie wysyłasz nic, oszczędzając budżet kampanii.

Chodzi nie o ograniczanie rabatów, ale o precyzję: rabat powinien trafiać tam, gdzie naprawde coś zmienia – zamiast być rozsyłany do całej bazy, w tym do tych, którzy i tak kupiliby w pełnej cenie. Według raportu Ceneo, głównym powodem powrotu klienta do sklepu jest pozytywne wcześniejsze doświadczenie (22 proc. wskazań), a atrakcyjne promocje i kupony – dopiero na szóstym miejscu z wynikiem 11 proc.

Logika finansowa jest prosta. Płatne kanały komunikacji – SMS, powiadomienia w aplikacji, wiadomości przez komunikatory – kosztują za każdą wysłaną wiadomość. Jeśli wysyłasz kampanię do 50 000 kontaktów i połowa z nich nie dokona zakupu w tym oknie czasowym – połowa budżetu przepada. Segmentacja predyktywna pozwala skierować ten budżet wyłącznie tam, gdzie ma szansę zadziałać.

Marka odzieżowa O.Taje testowała właśnie takie podejście do płatnych kampanii w komunikatorze: porównała standardowe wysyłki oparte na ręcznych segmentach z kampaniami kierowanymi do segmentów predyktywnych – przy zachowaniu tej samej treści i oferty. Segment predyktywny wygenerował o 310 proc. wyższy ROMI niż kampania do segmentów budowanych ręcznie, przy jednoczesnej redukcji liczby wysłanych wiadomości i kosztów kampanii.

Automatyzacja testów A/B z pomocą AI

Obok AI predyktywnej, w e-commerce coraz szerzej stosuje się AI generatywną, która pozwala szybko skalować kampanie i weryfikować hipotezy bez proporcjonalnego wzrostu zasobów zespołu. Pozwala między innymi automatyzować testy A/B: generować dziesiątki wariantów wiadomości i od razu testować je w czasie rzeczywistym.

Testy A/B są w e-commerce standardem – ale w praktyce większość sklepów testuje mało i rzadko. Powód jest prosty: przygotowanie każdego wariantu ręcznie, ustawienie osobnego scenariusza, czekanie na wyniki, wyłączenie przegranych – to poważne obciążenie dla zespołu. A testowanie 2–3 wariantów zamiast 10 ogranicza próbę i tym samym szansę na znalezienie najlepszego komunikatu.

Szczególnie widać to w powiadomieniach push. Wydaje się, że 10 słów nie wymaga testowania – ale w krótkim formacie każde słowo jest krytyczne: jedna nieudana fraza może przekreślić cały wynik i nie ma tu miejsca na „prawie dobry” komunikat.

Podejście oparte na AI rozwiązuje oba problemy jednocześnie: generuje wiele wariantów treści, a następnie automatycznie testuje je w czasie rzeczywistym i skaluje ten z najwyższym CTR-em – bez ręcznej ingerencji. Marketer dodaje nowy wariant do puli zamiast edytować cały scenariusz automatyzacji.

Promova – aplikacja do nauki języków z 17 milionami użytkowników – zastosowała to podejście do powiadomień push z treściami promocyjnymi i edukacyjnymi. Wyniki dla wiadomości dobieranych przez AI, w porównaniu z grupą kontrolną: +82 proc. CTR i +68 proc. wyższy współczynnik konwersji.

AI działające jako system, a nie dodatek

W 2026 roku AI w e-commerce przynosi efekty nie wtedy, gdy się je „dodaje”, ale wtedy, gdy wbudowuje się je w dane i procesy. Żeby AI realnie podnosiło sprzedaż i retencję, potrzebne są trzy rzeczy:

• Jeden profil klienta ze wszystkich kanałów, a nie fragmenty danych w różnych systemach.
• Poprawna atrybucja: możliwość zmierzenia realnego ROMI i LTV z rekomendacji, segmentacji i personalizacji – żeby podejmować trafne decyzje o inwestycjach i skalowaniu AI.
• Uczenie się na wynikach: reakcje na rekomendacje, segmenty i testy A/B powinny wracać do systemu i poprawiać personalizację.

Właśnie tak działa omnichannel CDP: organizuje cały cykl pracy z danymi – gdzie zachowanie klienta, wyniki testów i interakcje w kanałach stają się sygnałami dla kolejnych, bardziej trafnych decyzji. W tej logice AI przestaje być „dodatkiem” i staje się motorem wzrostu: personalizacja pogłębia się, retencja rośnie, a zwrot z inwestycji staje się mierzalny.

Artykuł przygotowano na podstawie materiałów Yespo Omnichannel CDP, raportu Gemius „E-commerce w Polsce 2025” oraz raportu Ceneo „E-commerce. Trendy na rynku polskim 2026”.

Materiał reklamowy partnera