Kunstig intelligens i e-handel

Kunstig intelligens i e-handel er brugen af maskinlæring, generativ AI og automatiserede beslutningsmodeller til at forbedre søgning, anbefalinger, lager, priser, kundeservice og indhold i webshops. Værdien afhænger især af datakvalitet, tydelige mål, menneskelig kontrol og løbende måling af effekt.

Hvad betyder kunstig intelligens i e-handel?

Kunstig intelligens i e-handel betyder, at en webshop bruger modeller til at analysere produktdata, brugeradfærd, lagerstatus, søgninger, købsmønstre og tekstindhold. Formålet er typisk at gøre butikken mere relevant for kunden og mere styrbar for virksomheden. Det kan være en søgemotor, der forstår hensigt, et anbefalingsmodul, der prioriterer produkter, eller et system, der foreslår bedre produkttekster.

Begrebet dækker ikke kun generativ AI. En stor del af værdien kommer stadig fra klassisk maskinlæring, statistiske modeller, regelsæt og dataanalyse. Generativ AI bliver mest relevant, når webshoppen skal omsætte data til tekst, dialog, billeder, forklaringer eller forslag, mens mere traditionelle modeller ofte styrer ranking, prognoser og segmentering.

En god afgrænsning er derfor, at kunstig intelligens i e-handel ikke er et enkelt produkt, men et lag af beslutningsstøtte oven på webshop, produktkatalog, ordredata og kunderejse. Hvis datagrundlaget er uklart, bliver AI-laget også uklart.

Hvilke dele af en webshop kan AI påvirke?

AI kan påvirke næsten hele den digitale handelsproces, men de mest konkrete anvendelser ligger dér, hvor mange små beslutninger gentages. Det gælder især produktvisning, søgning, sortering, anbefalinger, prisjustering, lagerprognoser, returforebyggelse, kundeservice og kampagneprioritering.

I praksis bør anvendelserne adskilles efter, om de påvirker kunden direkte eller primært hjælper internt. En produktanbefaling, en chatbot og en personaliseret søgeside er synlige for kunden. En lagerprognose, en fejlrapport og en intern tekstkladde er mere indirekte. Den skelnen gør det lettere at vurdere krav til kontrol, dokumentation og test.

Hvordan fungerer anbefalinger og søgning teknisk?

AI-baseret søgning og anbefalinger bygger normalt på to datatyper: produktkataloget og brugerhændelser. Produktkataloget beskriver varer, kategorier, priser, attributter, billeder, tilgængelighed og relationer. Brugerhændelser beskriver, hvad personer søger efter, klikker på, lægger i kurv, køber eller forlader.

Når de to datatyper kobles, kan modellen lære mønstre, som et fast regelsæt har svært ved at rumme. En kunde, der søger efter “let regnjakke til cykel”, kan have brug for andre resultater end en kunde, der blot søger efter “jakke”. En anbefalingsmodel kan samtidig bruge historiske mønstre til at vise produkter, der ofte passer sammen, men den bør stadig styres af lager, margin, returdata og forretningsregler.

Den faglige forskel mellem machine learning og deep learning er relevant, fordi e-handel ofte bruger flere modeltyper samtidig. Nogle opgaver kan løses med forholdsvis enkle modeller, mens andre kræver dybere sprog- eller billedforståelse. Det rigtige valg afhænger mindre af modelnavnet og mere af data, svartid, forklarbarhed og risiko.

Hvilke data skal være på plads før AI giver værdi?

Datakvalitet er den mest praktiske begrænsning i AI for e-handel. Hvis produktnavne, kategorier, størrelser, farver, materialer, billeder, lagerstatus og varianter ikke er konsistente, får modellen et ustabilt grundlag. Det kan give dårlige søgninger, irrelevante anbefalinger og produkttekster, der lyder plausible uden at være præcise.

Brugerhændelser skal også registreres konsekvent. Det er ikke nok at kende antallet af køb. En webshop bør kunne skelne mellem visning, klik, søgning, filtrering, kurvtilføjelse, køb, annullering og retur, hvis AI skal bruges til at forbedre kunderejsen. Jo tættere data ligger på den konkrete beslutning, desto bedre kan du måle, om modellen faktisk hjælper.

Arbejdet med kundedataanalyse med generativ AI bør derfor begynde med datadefinitioner og adgangskontrol, ikke med selve modellen. Et mindre, rent datasæt med klare mål er ofte mere anvendeligt end et stort datasæt med uklare felter, dubletter og manglende historik.

• Produktdata skal have stabile felter for kategori, variant, pris, lager, brand og egenskaber.
• Hændelsesdata skal registreres på samme måde på tværs af web, app, kampagner og checkout.
• Retur- og reklamationsdata bør holdes adskilt fra almindelige køb, så modellen ikke belønner problematiske varer.
• Persondata og samtykker skal håndteres særskilt, før data bruges til personalisering.

Hvordan kan AI bruges i produkttekster og kundeservice?

Generativ AI kan hjælpe med produktbeskrivelser, kategoritekster, e-mails, svarforslag og kundedialog. Den mest robuste brug er ofte som kladde- og kontrolværktøj, hvor systemet foreslår tekst ud fra et godkendt produktkatalog, mens en medarbejder eller en regelbaseret kontrol sikrer, at pris, levering, garanti, materialer og størrelser er korrekte.

I kundeservice kan AI sortere henvendelser, foreslå svar, hente relevante oplysninger og forklare almindelige processer. Hvis systemet svarer direkte til kunder, skal det have snævre rammer. Det bør ikke love refundering, ændre ordrestatus, give bindende leveringsdatoer eller udtale sig om vilkår, hvis oplysningerne ikke findes i den godkendte datakilde.

Der er også en sproglig begrænsning. En generativ model kan skrive flydende, men den ved ikke automatisk, om en webshop har ændret en vare, en returregel eller en kampagne. Derfor skal produkttekster og kundesvar knyttes til opdaterede kilder, og der bør være en klar proces for at fjerne forældede svar.

Hvor går grænsen mellem automatisering og selvstændige beslutninger?

Automatisering betyder, at en kendt regel eller arbejdsgang udføres hurtigere. AI-beslutningsstøtte betyder, at systemet vurderer mønstre og foreslår en handling. Selvstændige beslutninger opstår, når modellen ændrer kundens oplevelse, pris, anbefaling, svar eller prioritering uden menneskelig godkendelse i hvert enkelt tilfælde.

Grænsen er praktisk, ikke kun teknisk. En AI, der sorterer produkter efter sandsynlig relevans, træffer en beslutning om synlighed. En AI, der foreslår en prisændring, påvirker kommercielle vilkår. En AI, der svarer en kunde, kan påvirke tillid og forventninger. Jo tættere funktionen er på kundens rettigheder, betaling eller oplevelse, desto stærkere bør kontrolniveauet være.

For prisarbejde kan AI-baseret prisfastsættelse i detailhandel være nyttigt, men modellen bør ikke stå alene. Den skal afgrænses af forretningsregler, lagerstatus, kampagnekalender, margin, konkurrentdata og kontrol mod utilsigtede udsving. Et system, der kan ændre priser hurtigt, kan også lave fejl hurtigt.

Hvordan måler du om AI forbedrer e-handlen?

AI i e-handel bør måles på konkrete forretnings- og kvalitetsmål, ikke på om teknologien virker imponerende. Relevante mål kan være færre nul-resultater i søgning, højere klikrate på relevante produkter, lavere returandel, bedre lagertræfsikkerhed, hurtigere svartid i kundeservice eller færre manuelle rettelser i produktindhold.

A/B-test er ofte den reneste metode, fordi en del af trafikken ser den nye AI-funktion, mens en anden del ser den eksisterende løsning. Testen skal måle både gevinster og bivirkninger. En anbefalingsmodel kan for eksempel øge klik, men samtidig skubbe kunder mod varer med høj returgrad. En chatbot kan reducere svartid, men give flere opfølgende klager, hvis svarene er uklare.

En moden måling kombinerer derfor kvantitative og kvalitative signaler. Tallene fortæller, om adfærden ændrer sig. Gennemgang af eksempler fortæller, hvorfor ændringen sker. Den kombination er nødvendig, fordi e-handel har mange skjulte afhængigheder mellem søgning, sortering, sortiment, levering, pris og forventninger.

Hvilke risici følger med personalisering?

Personalisering kan gøre en webshop mere relevant, men den kan også skabe uigennemsigtighed. Hvis to kunder ser forskellige produkter, priser, sorteringer eller budskaber, bør virksomheden kunne forklare, hvilke signaler der bruges, og hvilke signaler der ikke bruges. Ellers bliver det svært at opdage fejl, diskriminerende mønstre eller kommercielle beslutninger, der ikke kan forsvares internt.

En teknisk risiko er, at personaliserede resultater håndteres forkert. Hvis et system gemmer et personligt søgeresultat og viser det til en anden kunde, kan det skabe både relevansfejl og databeskyttelsesproblemer. Derfor bør caching, sessioner, brugerprofiler og anbefalingslogik testes særskilt, især når webshoppen har login, loyalitetsprogram eller personlige tilbud.

Generativ AI til kundedialog har en anden risikoprofil. Her handler det ikke kun om personalisering, men også om følsomme oplysninger, injicerede instruktioner, utilstrækkelig kontrol af output og for stor handlefrihed i systemet. Hvis AI kan hente ordredata eller udføre handlinger, skal adgang, logning og godkendelse begrænses tydeligt.

Hvilke regler og krav kan få betydning i EU?

I EU skal AI i e-handel vurderes i sammenhæng med databeskyttelse, forbrugerinformation, markedsføring, produktsikkerhed og AI Act. De fleste almindelige e-handelsfunktioner som anbefalinger, lagerprognoser og søgeforbedringer vil ikke automatisk være højrisiko efter AI Act, men konkrete funktioner kan udløse transparens- eller dokumentationskrav afhængigt af brugen.

Chatbots er et klart eksempel på et område, hvor gennemsigtighed kan blive praktisk relevant. EU-Kommissionen beskriver, at mennesker i visse tilfælde skal informeres, når de interagerer med et AI-system som en chatbot. For generativt indhold kan der også være krav om mærkning eller identifikation, afhængigt af indholdstype og kontekst.

Tidslinjen har betydning for planlægning. AI Act trådte i kraft 1. august 2024. Ifølge Kommissionens oversigt gælder forbudte AI-praksisser og visse AI-kompetencekrav fra 2. februar 2025, regler for generelle AI-modeller fra 2. august 2025 og flere transparensregler fra august 2026. En webshop bør derfor behandle AI som et styringsområde, ikke kun som en marketingfunktion.

Hvordan adskiller e-handels-AI sig fra almindelig marketingautomatisering?

Marketingautomatisering følger ofte faste regler: send en e-mail efter et køb, vis en rabat til en bestemt målgruppe, eller flyt en kunde til et segment. AI i e-handel arbejder mere dynamisk med sandsynligheder, mønstre og kontekst. Den kan ændre rangering, anbefalinger eller svar ud fra signaler, der ikke er skrevet som en simpel regel.

Forskellen betyder ikke, at AI altid er bedre. Regler er ofte mere gennemsigtige, lettere at godkende og billigere at vedligeholde. AI er mest relevant, når problemet har mange varianter, mange produkter, mange søgetermer eller hurtigt skiftende adfærd. Hvis opgaven kan løses med en klar regel, bør den ofte løses med en klar regel.

Det praktiske valg handler derfor om kompleksitet. En fast kampagnekode kræver sjældent AI. En søgefunktion, der skal forstå tusindvis af produktvarianter, stavefejl, synonymer og sæsonbestemte mønstre, kan have mere gavn af modeller. En lagerfunktion med mange varer, leverandører og sæsoner kan tilsvarende have brug for mere end manuelle regneark.

Hvordan hænger AI sammen med lager og forsyning?

E-handel er ikke kun skærmbilleder og annoncer. Hvis AI viser varer, der er udsolgt, anbefaler produkter med lang leveringstid eller skubber efterspørgsel mod et svagt lagerpunkt, bliver kundeoplevelsen dårligere. Derfor hænger AI i frontenden tæt sammen med lager, indkøb, returdata og leveringsinformation.

AI-drevet lagerstyring kan bruges til prognoser, genbestilling, sæsonplanlægning og varsling af udsolgte varer. Men modellen bør ikke kun trænes på salg. Kampagner, vejr, leverandørforsinkelser, returgrader og manuelle sortimentsbeslutninger kan ændre billedet. En vare kan sælge meget, fordi den er populær, men den kan også sælge meget, fordi den var den eneste synlige mulighed.

Den dybere pointe er, at AI-anbefalinger kan påvirke de data, de senere lærer af. Hvis systemet altid viser de samme produkter, får de produkter flere klik og køb, hvilket kan få modellen til at vise dem endnu mere. Derfor bør e-handels-AI have mekanismer for variation, test og menneskelig korrektion.

Hvordan kan en mindre webshop begynde kontrolleret?

En mindre webshop bør begynde med en smal, målbar funktion. Det kan være bedre intern søgning, forslag til produkttekster, sortering af kundehenvendelser eller en lagerprognose for en afgrænset produktgruppe. Jo mindre området er, desto lettere er det at opdage fejl og afgøre, om AI skaber reel værdi.

En kontrolleret start kan følge en enkel rækkefølge:

1. Vælg ét problem, som kan måles før og efter, for eksempel nul-resultater i søgning eller tid brugt på produkttekster.
2. Rens de vigtigste datafelter, især produktnavne, kategorier, varianter, lager og hændelser.
3. Fastlæg hvad AI må foreslå, og hvad et menneske skal godkende.
4. Test løsningen på en begrænset del af sortimentet eller trafikken.
5. Evaluer både tal, fejltyper og kundehenvendelser før en bredere udrulning.

Hvis formålet er at automatisere salgsarbejde, gælder samme princip: start med en proces, hvor input, output og ansvar kan beskrives klart. AI bør indføres der, hvor du kan måle en forbedring uden at gøre salgslogikken uigennemsigtig.

Hvilke kilder ligger til grund?

Artiklen bygger især på Google Clouds dokumentation om AI Commerce Search, Google Search Centrals vejledning om e-handel, NIST AI Risk Management Framework, OWASP GenAI Security Projects LLM Top 10 og EU-Kommissionens oversigt over AI Act.