Jak funguje AI obchodník a proč může zvyšovat konverze

V kamenné prodejně se dobrý prodavač nejdřív zeptá: k čemu to potřebujete, jaký máte rozpočet, co máte doma. Pak přinese dva tři kusy a řekne, proč zrovna tyhle. Na e-shopu tuhle roli obvykle hrají filtry a vyhledávání. Fungují dobře pro zákazníka, který ví, co chce. Pro toho, kdo neví, jaký výkon vysavače potřebuje nebo jestli se mu nabíječka hodí k telefonu, jsou filtry spíš zkouška z technických parametrů.

AI obchodník (anglicky se mluví o guided selling nebo AI shopping assistant) tuhle mezeru zaplňuje. V článku vysvětlujeme, jak funguje pod kapotou, proč může zvednout konverzní poměr, jaká data potřebuje a hlavně jak jeho přínos poctivě změřit. Procenta zlepšení vám slibovat nebudeme. Ukážeme, jak si je spočítat sami.

Co je AI obchodník a co není

AI obchodník je asistent pro výběr produktu, který pracuje nad vaším katalogem. Zákazník napíše běžnou větou, co řeší („hledám boty na horskou turistiku, spíš na suché túry, velikost 43, do 3 000 Kč“), asistent se případně doptá a vrátí konkrétní produkty s odůvodněním.

Pro jasnost rozlišujeme tři věci, které se často míchají:

V praxi mohou běžet ve stejném okně. Podrobněji o rozdílech píšeme v článku AI chatbot na e-shop a v textu o sémantickém vyhledávání.

Jak funguje pod kapotou

Jazykový model sám o sobě váš katalog nezná a nesmí si ho vymýšlet. Proto je AI obchodník postavený jako systém několika vrstev:

1. Porozumění potřebě. Model z volného textu vytáhne požadavky: účel, rozpočet, velikost, preference. Když něco zásadního chybí, doptá se, ale jen na to, co opravdu mění výběr.
2. Dotaz do katalogu. Požadavky se převedou na filtr nad strukturovanými parametry (cena, velikost, skladem) a zároveň na vyhledávání podle významu pomocí embedding modelů. Tvrdé podmínky řeší databáze, měkké preference sémantika.
3. Doplnění znalostí. K produktům se přidají relevantní podklady: popisy, recenze, tabulky velikostí, kompatibilita. Tomuto principu se říká RAG architektura.
4. Doporučení s odůvodněním. Model vybere dva až čtyři produkty a u každého napíše, proč sedí právě na zadání. Odkazy, ceny a dostupnost bere výhradně z dat e-shopu, ne ze své „paměti“.
5. Pojistky. Pravidla, která hlídají, že asistent nedoporučí vyprodané zboží, neslíbí slevu, kterou nemáte, a u dotazů mimo sortiment řekne, že neví.

Klíčové je, že čísla a fakta o produktu (cena, rozměr, sklad) nikdy negeneruje model. Model jen vybírá a vysvětluje. To je nejúčinnější obrana proti halucinacím.

Proč může zvyšovat konverze

AI obchodník nezvyšuje konverze kouzlem. Působí na konkrétní místa, kde zákazníci z e-shopu odcházejí:

• Zákazník nezná parametry. Neví, jestli potřebuje 2 000 nebo 3 000 Pa sání. Asistent převede „mám psa a koberce“ na parametry sám.
• Příliš mnoho možností. Kategorie s 400 produkty a 30 filtry vede k odkládání rozhodnutí. Zúžení na tři zdůvodněné varianty to zkracuje.
• Nulové nebo špatné výsledky filtru. Kombinace filtrů, která nic nevrátí, je slepá ulička. Asistent nabídne nejbližší alternativu a řekne, v čem se liší.
• Nejistota před nákupem. Otázky typu „vejde se to do kufru Octavie?“ nebo „hodí se to k mému modelu?“ jinak končí e-mailem na podporu nebo odchodem ke konkurenci.
• Rada mimo pracovní dobu. Asistent odpovídá ve 23:00 stejně jako v 10:00.

Že na hledání a výběru produktu hodně záleží, ukazuje dlouhodobý výzkum Baymard Institute. V jeho uživatelských testech opouštělo úkol najít vhodný produkt 67–90 % účastníků na webech s průměrnými výpisy a filtry, zatímco na webech s dobře navrženými nástroji 17–33 % (Baymard Institute, výzkum výpisů produktů). AI obchodník je jeden z nástrojů, jak tu mezeru zmenšit.

Často citovaný údaj přichází od Amazonu. Ve výsledcích za 3. čtvrtletí 2025 uvedl, že zákazníci, kteří při nákupu použijí asistenta Rufus, dokončí nákup o 60 % častěji (Amazon, Q3 2025). Pozor na výklad: jde o srovnání uživatelů a neuživatelů, ne o A/B test. Asistenta častěji otevírají lidé, kteří už nakoupit chtějí. Pro váš e-shop z toho žádné konkrétní procento nevyplývá.

Bez dobrých dat to nefunguje

AI obchodník je přesně tak dobrý, jak dobrá jsou produktová data. Model nedokáže doporučit boty „na suché túry“, když u nich v datech chybí typ podrážky a výška. Před nasazením proto kontrolujeme:

Pokud data žijí v PIM systému nebo v ERP, napojení bývá čisté. Když jsou roztroušená v popiscích, začínáme jejich vytěžením a sjednocením. Tahle příprava často dá víc práce než samotný asistent a zlepší zároveň filtry, feedy i SEO.

Jak přínos změřit A/B testem

Jediné číslo, kterému můžete věřit, je to z vašeho e-shopu. Doporučený postup:

1. Rozdělte návštěvníky náhodně. Polovina vidí asistenta, polovina ne. Rozdělení na úrovni návštěvníka, ne relace, aby se skupiny nepromíchaly.
2. Porovnávejte celé skupiny. Nesrovnávejte ty, kdo s asistentem mluvili, s těmi, kdo nemluvili. To je stejná chyba jako u čísla od Amazonu. Porovnávejte všechny návštěvníky testovací skupiny se všemi v kontrolní.
3. Určete hlavní metriku předem. Typicky tržba na návštěvníka nebo konverzní poměr. Vedlejší metriky: průměrná objednávka, podíl vratek, počet dotazů na podporu.
4. Nechte test běžet celé týdny. Minimálně dva celé obchodní cykly, aby se vyrovnaly víkendy a výplatní termíny.
5. Sledujte vratky se zpožděním. Asistent, který přesvědčí ke špatnému nákupu, zvedne konverzi a za tři týdny i vratky.

Kolik návštěv je potřeba, ukazuje modelový výpočet. Předpoklady: konverzní poměr 2 %, chceme spolehlivě poznat relativní zlepšení o 10 % (na 2,2 %), běžná hladina spolehlivosti 95 % a síla testu 80 %. Podle běžného orientačního vzorce vychází zhruba 78 000 návštěv na každou skupinu, tedy přes 150 000 celkem. E-shop s 60 000 návštěvami měsíčně by test vedl přibližně dva a půl měsíce. Menší e-shopy proto testují spíš na kategoriích s nejvyšším provozem, nebo hledají větší efekty a berou výsledek jako orientační.

Průběžné testování a vyhodnocování je jádro našeho CRO a programu Conversion Lab. Obecně o měření návratnosti AI píšeme v článku ROI AI nasazení.

Rizika a povinnosti

• Označení AI. AI Act od 2. srpna 2026 vyžaduje, aby zákazník věděl, že komunikuje s AI, pokud to není zjevné. Asistenta jasně pojmenujte jako AI.
• Nepravdivé sliby. Když asistent uvede nesprávný parametr, řešíte to jako klamavou informaci vůči spotřebiteli. Proto fakta jen z dat.
• Osobní údaje. Konverzace mohou obsahovat citlivé informace. Nastavte retenci a zpracování, detaily v článku AI a GDPR.
• Tlačení marže. Asistent, který vždy doporučí nejdražší kus, ztratí důvěru. Obchodní pravidla ano, manipulace ne.

Jak na to prakticky

Doporučujeme začít jednou kategorií, kde zákazníci nejčastěji váhají a ptají se podpory. Postup:

1. Vyberte kategorii s vysokým provozem a složitým výběrem.
2. Zkontrolujte a doplňte parametry produktů.
3. Sepište deset nejčastějších dotazů zákazníků z podpory a nechte na nich asistenta otestovat.
4. Spusťte A/B test s předem určenou metrikou.
5. Po vyhodnocení rozšiřte na další kategorie nebo upravte logiku.

Jednodušší asistent nad jednou kategorií bývá u nás hotový za dny až dva týdny, komplexní řešení s napojením na více systémů za 4–8 týdnů. Pokud nevíte, kde AI nasadit jako první, začněte AI auditem, který zvládneme do týdne. Detaily o tom, jak AI obchodníka stavíme, najdete na stránce AI obchodník.