2026 m. lapkričio 18 d.

    ChatGPT Wallet: kas priima sprendimą, kai pirkimą patikite AI?

    ChatGPT Wallet leidžia agentams mokėti naudotojo vardu. Tačiau kas iš anksto pasirenka produktą ir atmeta alternatyvas? Paaiškiname, kokią pirkimo dalį galima deleguoti AI ir kodėl svarbūs duomenys, šaltiniai bei tikslus prekės ženklo pateikimas.

    Žmogus išmaniajame telefone tikrina informaciją apie parduotuvę ir mokėjimo būdus prie „Black Friday“ akcijos vitrinos
    nuotr. CardMapr.nl | Unsplash
    Dalintis:LinkedInX (Twitter)FacebookWhatsAppApibendrinti su AI:ChatGPTClaudePerplexity

    Patvirtinate produktą, sumą ir mokėjimą. Tačiau kas prieš tai nusprendė, kokius pasiūlymus matysite, kurie kriterijai bus svarbiausi ir ko galėsite atsisakyti? ChatGPT Wallet suteikia konkrečią priežastį atidžiau pažvelgti į agentinius pirkimus: kokius sprendimus patikime AI ir ką šis atsakomybės pasidalijimas reiškia prekės ženklams.

    OpenAI plėtoja galimybę agentams pirkti. Naudotojams tai žada patogumą: mažiau naršymo svetainėse, pasiūlymų lyginimo ir formų pildymo. Įmonėms atsiranda papildoma užduotis – užtikrinti, kad kliento vardu veikianti sistema gebėtų teisingai suprasti pasiūlymą ir patikrinti, ar jis atitinka reikalavimus.

    Vis dėlto įdomiausias pokytis gali vykti dar prieš mokėjimą. Jis susijęs su tuo, kas susiaurina pasirinkimą.

    Ką OpenAI paskelbė apie ChatGPT Wallet?

    2026 m. lapkričio 13 d. OpenAI pristatė ChatGPT Wallet – ChatGPT piniginę, leidžiančią agentams mokėti naudotojo vardu. Sprendimas sukurtas bendradarbiaujant su American Express, Chase, Mastercard ir Visa. Pradinis, laipsniškas diegimas skirtas ribotai grupei pilnamečių ChatGPT Pro naudotojų JAV, turinčių šioje šalyje išduotas tinkamas korteles.

    Prieš pirkdamas naudotojas peržiūri produktus, bendrą sumą ir pasirinktą kortelę, tada patvirtina operaciją ir pereina saugumo patikrą. Agentas gauna pakaitinius mokėjimo duomenis – žetoną, nesuteikiantį prieigos prie tikrųjų kortelės duomenų.

    Svarbu tai, kad OpenAI taip pat apibūdina būsimą kryptį – galimybę iš anksto įgalioti agentą pirkti nustatytose ribose, pavyzdžiui, pagal biudžetą, kategoriją ar laikotarpį. Tai plėtros planas, o ne šiuo metu plačiai prieinamos funkcijos aprašymas.

    Ši naujiena pratęsia temą, kurią aptariau straipsnyje apie pirkimą, reklamą ir personalizavimą ChatGPT. Šįkart nagrinėsiu, kaip pasiskirsto pirkimo kontrolė.

    Ką iš tiesų reiškia agentiniai pirkimai?

    Šioje analizėje taikau operacinį apibrėžimą: agentiniai pirkimai – tai mastas, kuriuo AI sistema gali parinkti ir atlikti pirkimą lemiančius veiksmus, neperžengdama naudotojo užduoties ir suteikto įgaliojimo ribų.

    Toks apibrėžimas leidžia vertinti konkrečią sistemos elgseną. Vien produktų sąrašo sugeneravimas dar mažai pasako apie sistemos savarankiškumą. Svarbu, ar ji gali ieškoti informacijos, keisti planą, pasirinkti įrankius, lyginti pasiūlymus ir reaguoti į kliūtis.

    Panašų architektūrinį skirtumą aprašo Anthropic: iš anksto užprogramuotame procese tolesnius žingsnius nustato kodas, o agentinėje sistemoje modelis dinamiškai valdo procesą ir įrankių naudojimą. Tai naudinga sąvokinė perspektyva, bet ne konkrečios ChatGPT Wallet architektūros aprašymas.

    Pirkimo procese savarankiškumo lygis gali labai skirtis. Naudotojas gali nurodyti tikslų produktą ir pavesti agentui vien jį užsakyti. Taip pat gali apibūdinti poreikį, biudžetą ir terminą, o produkto bei pardavėjo pasirinkimą palikti agentui.

    Abiem atvejais procesas baigiasi pirkimu. Tačiau antruoju atveju sistema turi gerokai daugiau įtakos tam, kas bus nupirkta.

    Mokėjimo patvirtinimas – tik vienas kontrolės taškų

    Įsivaizduokime, kad paprašote agento rasti lagaminą konkrečiam skrydžiui. Sistema pateikia vieną pasiūlymą, paaiškina jo privalumus ir paprašo patvirtinti pirkimą.

    Išlaidas kontroliuojate jūs. Tačiau norint įvertinti pasirinkimo kontrolę, reikia daugiau informacijos – kokius pasiūlymus sistema svarstė, kuriuos atmetė ir kuo remdamasi nusprendė, kad pasirinktas produktas tinkamas. Ji galėjo teisingai patikrinti visus reikalavimus. Tačiau galėjo ir neapibrėžtą teiginį „rankinis bagažas“ palaikyti pakankamu įrodymu, kad produktas atitinka konkretaus tarifo sąlygas. Tai visiškai skirtingi rezultatai, nors mokėjimo patvirtinimo ekranas atrodo vienodai.

    Patvirtindamas operaciją naudotojas parodo, kad sutinka su pateiktu pirkiniu. Tačiau vien tai neįrodo, kad ankstesnė atranka buvo išsami ir teisinga.

    Tai mūsų metodologinė išvada, o ne pastebėtos Wallet klaidos aprašymas. Ji parodo, kodėl AI padedamų pirkimų tyrimas turėtų apimti ir iki mokėjimo priimamus sprendimus.

    Pirkimo delegavimo matrica

    Užuot visam procesui priskyrę vieną „autonomijos lygį“, siūlau jį suskaidyti į sprendimus ir veiksmus. Kiekviename etape reikia nustatyti, ką apibrėžia žmogus, ką gali atlikti agentas ir kada jis turėtų paprašyti papildomo patvirtinimo.

    Pabrėžiu – tai mano pasiūlyta analitinė sistema, o ne oficiali OpenAI klasifikacija. Jos privalumas – galimybė aprašyti skirtingas konfigūracijas. Agentui galima suteikti didelę paieškos laisvę, bet nesuteikti jokios mokėjimo laisvės. Arba pavesti įsigyti tiksliai nurodytą produktą, paliekant jam nedaug sprendimų dėl paties pasiūlymo.

    Prekės ženklui svarbu atskirti dvi situacijas: klientas jau pasirinko prekės ženklą ir deleguoja pirkimo įvykdymą arba tik paveda sistemai pasirinkti iš galimų prekės ženklų.

    Pavyzdys: lagaminas, turintis atitikti konkrečius reikalavimus

    Panagrinėkime hipotetinę užklausą:

    Rask lagaminą, kainuojantį iki 150 eurų, kuris atitinka mano skrydžio bagažo po sėdyne limitą ir bus pristatytas iki penktadienio. Jei negali patvirtinti kurios nors sąlygos, prieš pirkdamas paklausk manęs

    Tokiai užduočiai reikia sujungti kelių rūšių informaciją: konkretaus produkto varianto matmenis, oro linijų taisykles konkrečiam skrydžiui ir tarifui, galutinę kainą, prieinamumą ir pristatymo į nurodytą adresą terminą.

    Atkreipkite dėmesį: teiginys „puikiai tinka kelionėms lėktuvu“ nepatvirtina, kad produktas atitinka reikalavimus, o informacija „išsiunčiama per 24 valandas“ negarantuoja pristatymo datos. Be to, palyginime rodoma kaina gali neapimti pristatymo.

    Todėl siūlau kiekvieną privalomą sąlygą vertinti pagal vieną iš trijų būsenų:

    • patvirtinta – turimi įrodymai rodo, kad konkretus pasiūlymas atitinka reikalavimą

    • neatitinka – turimi įrodymai rodo, kad pasiūlymas pažeidžia reikalavimą

    • neaišku – nepakanka informacijos išvadai padaryti

    Patvirtinimo nebuvimo nereikėtų automatiškai laikyti nei atitiktimi, nei neatitiktimi. Mūsų pavyzdyje tai priežastis patikrinti papildomai arba paklausti naudotojo.

    Įmonėms tai praktiškas patarimas, kaip rengti produktų turinį. Verta aiškiai nurodyti, kuriems teiginiams reikia įrodymų ir kuriam variantui jie taikomi. Plačiau apie tokį pasiūlymų struktūravimą rašome Semantio medžiagoje apie produktų ir paslaugų parengimą AI atsakymų tyrimams.

    Kokia informacija apie prekės ženklo pasiūlymą turi būti aiški?

    OpenAI prekybos partneriams skirtame vadove nurodo, kad pirkimo procese naudojama informacija gali būti gaunama iš viešojo interneto, privačių API integracijų ir produktų duomenų failų. Užduotis vėliau gali būti vykdoma per naršyklę arba integraciją, suteikiančią prieigą prie konkrečių veiksmų.

    Iš to išplaukia, kad reikia tikrinti informacijos nuoseklumą visuose šiuose šaltiniuose. Jei produkto aprašyme, specifikacijoje ir pasiūlymo duomenyse nurodyti skirtingi matmenys ar sąlygos, kyla klausimas, kurį reikia išspręsti.

    Praktikoje verta susieti:

    • produktą su aiškiai apibrėžtu variantu

    • atributą su matavimo vienetu, apimtimi ir taikymo sąlygomis

    • teiginį su aktualiu jį patvirtinančiu šaltiniu

    • pasiūlymą su pardavėju, rinka, kaina ir prieinamumu

    Tai konkretus Brand semantics infrastructure aprašyto požiūrio pritaikymas. Pirkimo procese ypač svarbus ryšys tarp teiginio apie produktą ir sąlygos, kurią klientas nori įvykdyti.

    Brand Semantics tai reiškia, kad prekės ženklo semantinės strategijos darbą reikia papildyti klausimu: ar turima informacija leidžia patikrinti pasiūlymą realioje sprendimo priėmimo situacijoje?

    Aiškus pasiūlymas ir veikiantis pirkimo procesas reikalauja atskirų testų

    Teisingai atpažinti produktą dar nereiškia sėkmingai įvykdyti užduotį.

    web.dev aprašo, kad agentai gali naudotis ekrano kopijomis, HTML ir puslapio prieinamumo medžiu. Todėl svarbios formų etiketės, elementų vaidmenys, aiškiai pateikiamos sąsajos būsenos ir mygtukų susiejimas su tinkamais produktais. Tai techninės gairės, kaip agentai sąveikauja su svetaine, o ne kiekvieno pirkimo sėkmės garantija.

    Mokėjimas – atskiras etapas. Pasak OpenAI mokėjimų dokumentacijos, Wallet veikia su esamomis mokėjimo formomis ir nereikalauja specialiai šiai piniginei skirtos integracijos. Vis dėlto rizikos vertinimo sistemos gali per klaidą blokuoti pirkinius, atliekamus per agento naršyklę.

    Todėl įmonėms svarbu atskirti problemas. Neteisingai perskaityti parametrai, netinkamai pasirinktas variantas ir atmestas mokėjimas kyla dėl skirtingų priežasčių ir reikalauja skirtingų veiksmų.

    Kaip patikrinti, ar AI deleguojami pirkimai keičia prekės ženklo pasirinkimą?

    AI matomumo tyrimuose verta palyginti tris būdus pateikti tą pačią užduotį:

    • tyrinėjimas – pateik kelis reikalavimus atitinkančius pasiūlymus ir paaiškink jų skirtumus

    • atranka – pasirink vieną pasiūlymą, pagrįsk pasirinkimą ir nurodyk neaiškumus

    • veiksmo parengimas – prieš patvirtinimą patikrink pasirinktą variantą, kainą ir sąlygas

    Tai siūlomas tyrimo planas, o ne atlikto eksperimento rezultatas. Jis leidžia patikrinti, ar palyginime pasirodęs prekės ženklas išlieka rekomendacija, kai sistema turi nurodyti vieną produktą, ir ar rekomendacija vis dar pagrįsta teisinga informacija.

    Analizuojant verta išsaugoti visus atsakymus, matomus šaltinius ir testo sąlygas. Palyginimus reikėtų kartoti atsižvelgiant į platformą, veikimo režimą, kalbą, rinką, datą ir naudotojui prieinamą kontekstą.

    Taip pat galima taikyti paprastą papildomą rodiklį: rekomendacijų dalis, kuriai galima patvirtinti visų scenarijuje nustatytų privalomų reikalavimų atitiktį. Vardiklis būtų vertinamos rekomendacijos, o skaitiklis – patikrą praėjusios rekomendacijos. Rezultatas galiotų tik tirtam užduočių ir sąlygų rinkiniui.

    Tai papildo požiūrį į prekės ženklo matomumo ir reprezentavimo AI sistemose matavimą: vertiname ne tik prekės ženklo paminėjimą, bet ir tai, ar jis pagrįstai atitinka poreikį.

    Semantio – atskiras tyrimų įrankis, skirtas prekės ženklų reprezentacijai AI atsakymuose analizuoti. Šioje srityje jis gali padėti tirti matomumą, rekomendacijas, klaidas ir šaltinius. Parduotuvės veikimo, mokėjimo autorizavimo ir užsakymo patvirtinimo testams reikia atskiro užduoties vykdymo tyrimo. Atsakymų stebėsenos rezultatai nepatvirtina, kaip vyko pirkimas per Wallet.

    Ko ChatGPT Wallet nereiškia?

    Wallet paskelbimas nesuteikia pagrindo teigti, kad autonominiai pirkimai jau tapo įprasti, taip pat ir Lenkijoje. Jis taip pat neparodo, kokį poveikį diegimas turės atskirų prekės ženklų pardavimams.

    Vien galimybė atlikti mokėjimą neįrodo, kad produktas parinktas teisingai.

    Struktūruoti duomenys ir prieinama svetainė negarantuoja rekomendacijos.

    Teisinga rekomendacija dar nėra patvirtintas užsakymas.

    Svarbiausi tyrimų klausimai lieka atviri:

    • Ar platesnis pirkimo delegavimas iš tiesų susiaurina svarstomų prekės ženklų pasirinkimą?

    • Kaip dažnai sistema atskleidžia, kad trūksta duomenų?

    • Ar pasikeitus sąlygoms ji prašo patvirtinimo?

    • Kuo rezultatai skiriasi skirtingose rinkose ir pirkinių kategorijose?

    ChatGPT Wallet suteikia šiems klausimams konkretų kontekstą. Prekės ženklams naudinga pradėti nuo kliento užduoties: nustatyti, ką reikia patikrinti, kur rasti įrodymus ir ar pasiūlymas išlieka tinkamas, kai sistema pagal jį turi parengti realų pirkimą.

    Su šiais klausimais palieku jus ir save ;)


    Dalintis:LinkedInX (Twitter)FacebookWhatsAppApibendrinti su AI:ChatGPTClaudePerplexity

    COO Brand Semantics

    Brand Semantics bendraautorius. Su marketingu dirba nuo 2009 metų. Mokymų specialistas. Strategas. Naujų tyrinėjimo sričių moderniame marketinge ieškotojas. Sujungia žinias iš įvairių sričių ir paverčia jas verslo sprendimais klientams.