Hvordan kommerciel hensigt udvikler sig i AI-samtaler

01

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.

02

Syv nøglefund

1. 6,8%

   01Kommercielle samtaler er et mindretal

   Det store flertal af AI-samtaler handler om kodning, skrivning og informationssøgning. Under 7% har kommerciel hensigt.

2. 31%

   02Pris 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.

3. -69 point

   03Pris udløser kraftig cooling

   Det gennemsnitlige intensitetsfald efter en prisrelateret cooling event er -69 point. Brugeren går fra købsklar til tilbage på start.

4. 91%

   04Brugere 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.

5. 41%

   05Mange købere starter i BOFU

   Brugere følger ikke en opdagelsesrejse. Over 4 ud af 10 ved allerede, hvad de vil have, når de åbner samtalen.

6. 4,4%

   06Den 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.

7. 2,92 turns

   07Transaktionelle samtaler er korte

   Kommercielle samtaler er korte og handlingsorienterede. Næsten halvdelen er single turn. Brugere vil have svar hurtigt.

03

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.

04

Kollapset efter pris

Prisspørgsmål signalerer købshensigt. Men AI-svaret formår typisk ikke at lukke handlen og sender brugeren tilbage til start.

05

Hvorfor sker det?

Fejlen er ikke prisen i sig selv. Det er præcisionen i AI-svaret. Tre svarmønstre udløser konsekvent, at brugeren falder tilbage.

• Low closure

  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'

• Medium closure

  Hedget svar

  AI svarer rigtigt, men tilføjer et forbehold, der åbner en ny bekymring.

  'Det koster X, men tjek tilgængeligheden først'

• No closure

  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'

06

Ægte samtaleeksempler

Tre dokumenterede samtaler fra vores datasæt, der viser pris-til-cooling-mønsteret i praksis.

07

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.

• Vage prisintervaller

  → Erstat 'priser fra X' med scenariebaseret prissætning. F.eks. 'For en standardbolig på 150 m2: X. For 200 m2: Y.'

• Betinget sprog i brødteksten

  → Flyt alle forbehold til en separat FAQ-sektion. Led med det konkrete svar.

• Manglende strukturerede data

  → Implementér JSON-LD schema markup (Product, Offer, PriceSpecification) for alle transaktionelle sider.

• Intet 'næste skridt'-indhold

  → Hver ydelsesside har brug for en tydelig, maskinlæsbar konverteringssti. Fortæl AI'en, hvad der sker efter køb.

08

Ofte stillede spørgsmål

• Hvor stor en andel af AI-samtalerne har kommerciel hensigt?

• Hvad bruger folk egentlig AI til?

• Hvorfor får prisspørgsmål brugere til at opgive købsbeslutninger?

• Følger brugere en traditionel opdagelsestakt i AI-samtaler?

• Hvor lange er kommercielle AI-samtaler?