L’AI shopping è ufficialmente entrato in una nuova fase di maturità. Con l’inizio della stagione degli acquisti natalizi, OpenAI e Perplexity hanno lanciato funzionalità avanzate dedicate allo shopping conversazionale, integrando capacità di product search, comparazione e raccomandazione direttamente nei loro chatbot. OpenAI suggerisce scenari d’uso come chiedere a ChatGPT di trovare “un laptop da gaming sotto i 1000 dollari con schermo oltre i 15 pollici”, oppure identificare alternative economiche a un capo premium fotografato. Perplexity, invece, enfatizza un approccio di AI shopping personalizzato, sfruttando la memoria del modello per fornire consigli basati su preferenze, posizione e stile di vita degli utenti.
Il contesto è più che favorevole: Adobe prevede un incremento del 520% dello shopping online assistito da AI durante le festività. Una crescita che mette pressione sulle startup del settore come Phia, Cherry e Onton, costrette a confrontarsi con l’ingresso aggressivo dei big dell’intelligenza artificiale in quello che, fino a ieri, era il territorio naturale delle piattaforme verticali.
Perché l’AI shopping generalista non basta: il valore dei modelli verticali
Secondo Zach Hudson, CEO di Onton, le startup specializzate continueranno a mantenere un vantaggio competitivo nell’AI shopping grazie ai loro dataset verticali e alla comprensione profonda delle categorie di prodotto. “Ogni modello o knowledge graph è valido quanto le sue fonti di dati”, sottolinea Hudson. Gli strumenti generalisti come ChatGPT e Perplexity si appoggiano a motori di ricerca come Bing e Google, e quindi risentono della qualità — e dei limiti — dei primi risultati indicizzati.
L’AI shopping richiede precisione semantica, soprattutto in settori complessi come interior design e fashion. Onton ha sviluppato una pipeline proprietaria per catalogare centinaia di migliaia di articoli d’arredamento in modo pulito e strutturato, addestrando i propri modelli con dati curati. Hudson avverte che chi non investirà nella specializzazione rischia di essere schiacciato: “Se usi solo LLM off-the-shelf e una semplice interfaccia conversazionale, è difficile competere con aziende molto più grandi”.
AI shopping nella moda: perché i motori generalisti falliscono
La moda è uno dei campi più complessi per l’AI shopping, e le dichiarazioni di Julie Bornstein, CEO di Daydream, confermano il concetto. Bornstein definisce la ricerca tradizionale “il figlio dimenticato della moda”, incapace di interpretare il carattere emotivo e soggettivo delle scelte stilistiche. “Trovare un vestito che ami non è come trovare un televisore”, spiega, evidenziando come silhouette, tessuti, occasioni d’uso e logiche di merchandising richiedano modelli addestrati su dataset verticali e domain-specific.
È proprio in questi settori che l’AI shopping specializzato mostra il massimo potenziale, grazie a motori che comprendono le sfumature estetiche, le preferenze di stile e la costruzione di outfit nel tempo. Le piattaforme generaliste, invece, incontrano maggiori difficoltà a interpretare correttamente segnali di stile e caratteristiche visive.
L’integrazione end-to-end: il vantaggio competitivo dei big nell’AI shopping
Se da un lato le startup verticali guidano la specializzazione, dall’altro i big come OpenAI e Perplexity possiedono una forza di mercato ineguagliabile. L’integrazione dello AI shopping nei loro chatbot si accompagna a partnership strategiche con giganti del retail. OpenAI ha attivato un’integrazione diretta con Shopify, mentre Perplexity si è legata a PayPal, permettendo il checkout conversazionale senza uscire dalla chat.
Questo è un vantaggio enorme: riduce attrito, aumenta il conversion rate e trasforma il chatbot in una vera piattaforma e-commerce. Le startup come Daydream e Phia, al contrario, devono reindirizzare gli utenti ai siti dei retailer, monetizzando tramite affiliate marketing. Inoltre, i modelli come GPT e Perplexity richiedono enormi risorse computazionali; integrare l’AI shopping può diventare un driver di monetizzazione simile a quanto avviene già in Google Shopping o Amazon, anche con la possibile introduzione futura di placement sponsorizzati.
Tuttavia, c’è un rischio evidente: riprodurre i limiti già visti nella search tradizionale, introducendo bias e riducendo la trasparenza dei risultati consigliati dal chatbot.
AI shopping: chi vincerà tra modelli verticali e general-purpose?
Secondo Bornstein, la risposta è chiara: “I modelli verticali — moda, viaggi, home goods — performano meglio perché sono calibrati sulle reali logiche decisionali del consumatore”. Nel contesto dell’AI shopping, questo significa maggiore precisione, suggerimenti più pertinenti e una comprensione profonda delle esigenze dell’utente in specifici settori merceologici.
Lo scenario competitivo si sta quindi polarizzando:
• General-purpose AI shopping: guidato da OpenAI e Perplexity, forte di integrazioni commerciali, checkout in-chat e capacità conversazionali avanzate.
• Vertical AI shopping: trainato da startup iper-specializzate che puntano su dataset proprietari, modelli ottimizzati e categorizzazioni di prodotto estremamente granulari.
I prossimi mesi chiariranno se la scala dei big riuscirà a compensare la mancanza di profondità semantica o se, nell’AI shopping del futuro, la specializzazione rimarrà l’asset decisivo. Le prime evidenze suggeriscono che la verticalità continuerà a svolgere un ruolo centrale, soprattutto in quei settori in cui l’esperienza d’acquisto è più emotiva, estetica e soggettiva.
