Hvordan kommerciel hensigt udvikler sig i AI-samtaler
En analyse af 150.000 ægte AI-samtaler
De fleste antagelser om, hvordan brugere træffer købsbeslutninger i AI-søgning, er forkerte. Vi analyserede 150.000 ægte samtaler for at finde ud af, hvad der faktisk sker, når kommerciel hensigt møder AI.
Udgivet marts 2026 af CitationLab
Datasættet i tal
Hvad bruger folk egentlig AI til?
Før vi undersøgte kommercielle samtaler, kortlagde vi hele fordelingen af samtaletyper. Transaktionelle samtaler udgør et lille mindretal af AI-brugen.
Syv nøglefund
Kommercielle samtaler er et mindretal
Det store flertal af AI-samtaler handler om kodning, skrivning og informationssøgning. Under 7% har kommerciel hensigt.
Pris er det stærkeste købssignal
Når en bruger spørger om pris, udløser det en cooling event 31% af gangene. Prisspørgsmål er købssignaler, som AI konsekvent ikke formår at konvertere.
Pris udløser kraftig cooling
Det gennemsnitlige intensitetsfald efter en prisrelateret cooling event er -69 point. Brugeren går fra købsklar til tilbage på start.
Brugere falder tilbage til TOFU efter AI-hedging
Over 90% af prisudløste cooling events resulterer i regression til Problem Focus. AI-svaret formår ikke at lukke decision gap.
Mange købere starter i BOFU
Brugere følger ikke en opdagelsesrejse. Over 4 ud af 10 ved allerede, hvad de vil have, når de åbner samtalen.
Den progressive bue er sjælden
Kun 4,4% af transaktionelle samtaler følger den traditionelle TOFU-til-BOFU-progression. Den lineære tragt er en myte i AI-søgning.
Transaktionelle samtaler er korte
Kommercielle samtaler er korte og handlingsorienterede. Næsten halvdelen er single turn. Brugere vil have svar hurtigt.
Intensitetsbuen
Gennemsnitlig kommerciel intensitet over samtalens turns. Læg mærke til det kraftige fald fra Turn 1 til Turn 2 og det flade TOFU-plateau fra Turn 2 og fremefter.
Kollapset efter pris
Prisspørgsmål signalerer købshensigt. Men AI-svaret formår typisk ikke at lukke handlen og sender brugeren tilbage til start.
Hvad sker der efter en prisudløst cooling event?
Hvorfor sker det?
Fejlen er ikke prisen i sig selv. Det er præcisionen i AI-svaret. Tre svarmønstre udløser konsekvent, at brugeren falder tilbage.
Vagt estimat
AI giver et prisinterval uden at hjælpe brugeren med at navigere i det.
'Priserne varierer fra X til Y afhængigt af beliggenhed og stand'
Hedget svar
AI svarer rigtigt, men tilføjer et forbehold, der åbner en ny bekymring.
'Det koster X, men tjek tilgængeligheden først'
Inspirationsdrift
AI giver et svar, der får brugeren til at pivotere til et større, urelateret mål.
Brugeren spørger om at leje rengøringshjælp → AI giver pris → brugeren pivoterer til 'hvordan starter jeg et rengøringsfirma'
Ægte samtaleeksempler
Tre dokumenterede samtaler fra vores datasæt, der viser pris-til-cooling-mønsteret i praksis.
Stille regression
Bruger, der undersøger brugte biler, spørger om omkostninger. AI giver vage estimater. Brugeren forlader emnet helt.
Usikkerhedskaskade
Bruger med booket Genius Bar-tid spørger om diagnostik. AI hedger. Brugeren mister fokus og driver til urelaterede emner.
Scope-udvidelse
Bruger spørger om dagspris for vinduespudser. AI giver prisinterval. Brugeren pivoterer fra at leje pudsere til at starte eget rengøringsfirma.
Hvad kan du gøre ved det?
Grundårsagen til lav decision closure er websiteindhold, der tvinger AI til at hedge. Fire indholdsmønstre på kildesider forårsager konsekvent dårlige AI-svar.
Erstat 'priser fra X' med scenariebaseret prissætning. F.eks. 'For en standardbolig på 150 m2: X. For 200 m2: Y.'
Flyt alle forbehold til en separat FAQ-sektion. Led med det konkrete svar.
Implementér JSON-LD schema markup (Product, Offer, PriceSpecification) for alle transaktionelle sider.
Hver ydelsesside har brug for en tydelig, maskinlæsbar konverteringssti. Fortæl AI'en, hvad der sker efter køb.
Ofte stillede spørgsmål
Kun 6,8% af de 150.000 analyserede AI-samtaler havde kommerciel hensigt. Det store flertal handler om kodning, skrivning og generel informationssøgning.
I denne analyse faldt 66,8% af samtalerne i kategorien 'andet', mens 12,6% var skriverelaterede, 12,3% var koderelaterede og 3,4% var informationssøgning. Transaktionelle samtaler udgjorde kun 1,8% af alle samtaler.
Når en bruger spørger om pris, følger der en cooling event 31% af gangene — med et gennemsnitligt intensitetsfald på -69 point. Over 90% af disse cooling events resulterer i, at brugeren falder tilbage til Problem Focus (TOFU), altså at AI-svaret ikke formår at lukke decision gap.
Nej. Kun 4,4% af transaktionelle samtaler følger den klassiske TOFU-til-BOFU-progression. Faktisk starter 41% af brugerne samtalen allerede i BOFU — de ved, hvad de vil have, før første besked.
Transaktionelle samtaler er i gennemsnit kun 2,92 turns. Næsten halvdelen (48%) består af ét enkelt turn. Brugere i kommerciel tilstand vil have direkte svar, ikke lange frem-og-tilbage-udvekslinger.
Mål din egen decision closure
Denne analyse bygger på aggregerede data. Med CitationLab får du brandspecifik samtaleanalyse på tværs af ChatGPT, Gemini og Google AI Overview.
Læs hele artiklen på LinkedInVar dette nyttigt?