Στα περισσότερα e-shop, τα καλύτερα προτεινόμενα προϊόντα προέρχονται ακόμη από κλασικές μεθόδους και όχι από ένα γλωσσικό μοντέλο που κατατάσσει προϊόντα. Το «όσοι αγόρασαν αυτό αγόρασαν και» υπολογισμένο από τις δικές σας παραγγελίες, μαζί με ένα μοντέλο κατάταξης εκπαιδευμένο σε προβολές και πωλήσεις, κοστίζει λίγο, απαντά σε χιλιοστά του δευτερολέπτου και σε αξιολογήσεις του 2026 κερδίζει ακόμη, στους περισσότερους τομείς δοκιμής, τα γλωσσικά μοντέλα που καλούνται να κατατάξουν απευθείας τα προϊόντα. Η τεχνητή νοημοσύνη κερδίζει τη θέση της αλλού: στον καθαρισμό και στον εμπλουτισμό του καταλόγου προϊόντων που διαβάζει η κατάταξη, στην προβολή νέων προϊόντων χωρίς ιστορικό πωλήσεων και στην κατανόηση ασαφών αιτημάτων, όπως «ένα ζεστό δώρο για παιδί δύο χρονών κάτω από 40 ευρώ». Σε online δοκιμή στο marketplace Lazada, μόνο τα καλύτερα χαρακτηριστικά προϊόντων αύξησαν κατά 7,89% την αξία των πωλήσεων από τις προτάσεις, χωρίς κανένα μοντέλο τεχνητής νοημοσύνης να τρέχει τη στιγμή που φόρτωνε η σελίδα.
Χρειάζονται τα e-shop τεχνητή νοημοσύνη για τα προτεινόμενα προϊόντα;
Τα e-shop χρειάζονται προτάσεις, αλλά σπάνια χρειάζονται ένα γλωσσικό μοντέλο για να τις παράγουν. Δύο κλασικές μέθοδοι κάνουν το μεγαλύτερο μέρος της δουλειάς. Το collaborative filtering ανάμεσα σε προϊόντα μετρά ποια προϊόντα αγοράζονται ή προβάλλονται μαζί και γεμίζει τη θέση «αγόρασαν επίσης». Ένα μοντέλο gradient-boosted trees κατατάσσει μια λίστα με σήματα όπως οι προβολές, οι πωλήσεις, η τιμή και το απόθεμα. Και τα δύο απαντούν σε πολύ λιγότερο από ένα χιλιοστό του δευτερολέπτου. Ένα benchmark του 2026 σε πέντε τομείς βρήκε ότι τα γλωσσικά μοντέλα που χρησιμοποιούνται για να ξανακατατάξουν υποψήφια προϊόντα δεν ξεπερνούν με συνέπεια τις ισχυρές κλασικές μεθόδους (arXiv 2606.29947), και μια δεύτερη μελέτη του 2026 βρήκε ότι κανένα μοντέλο ανοιχτών βαρών δεν κέρδισε μια καλά ρυθμισμένη κλασική μέθοδο σε δίκαιη σύγκριση (arXiv 2609.00086). Ο λόγος είναι απλός: το ισχυρότερο σήμα ενός συστήματος προτάσεων είναι τι έκαναν παρόμοιοι πελάτες, και ένα γλωσσικό μοντέλο δεν έχει πρόσβαση σε αυτό.
Πού βελτιώνει πραγματικά η τεχνητή νοημοσύνη τις προτάσεις προϊόντων;
Η τεχνητή νοημοσύνη βελτιώνει τις προτάσεις σε τέσσερα σημεία, και το πρώτο αποδίδει με τη μεγαλύτερη σιγουριά:
- Ο κατάλογος, εκτός σύνδεσης. Ένα μοντέλο εξάγει και τυποποιεί χαρακτηριστικά, συμπληρώνει κατηγορίες που λείπουν και γράφει περιγραφές όπου δεν υπάρχουν, και η κλασική κατάταξη, η αναζήτηση και τα φίλτρα βελτιώνονται όλα γιατί βελτιώθηκαν τα δεδομένα τους. Στο Lazada, τα χαρακτηριστικά που εξήχθησαν με αυτόν τον τρόπο αύξησαν την αξία των πωλήσεων κατά 3,81% στα badges, κατά 5,32% στην αναζήτηση και κατά 7,89% στις προτάσεις, σε online A/B tests (AutoPKG, arXiv 2604.16950).
- Τα νέα προϊόντα. Ένα προϊόν χωρίς πωλήσεις δεν έχει δεδομένα «αγόρασαν επίσης», αλλά ένα μοντέλο μπορεί να διαβάσει την περιγραφή του. Το εμπόδιο που έχει μετρηθεί είναι να μπει καν το νέο προϊόν στη λίστα των υποψηφίων, οπότε η λύση είναι μια αναζήτηση με βάση το περιεχόμενο, χτισμένη σε embeddings, που τρέχει δίπλα σε αυτή που βασίζεται στη συμπεριφορά.
- Τα ασαφή αιτήματα. Ένα chat ή ένα πεδίο αναζήτησης όπου το μοντέλο μετατρέπει το «κάτι αδιάβροχο για πεζοπορία, νούμερο 42» σε φίλτρα που εκτελεί η υπάρχουσα αναζήτησή σας. Το μοντέλο δίνει φίλτρα, ποτέ λίστα προϊόντων, οπότε δεν μπορεί να επινοήσει προϊόντα.
- Οι εξηγήσεις, όπως «επειδή αγόρασες τη σκηνή», με την προϋπόθεση ότι παράγονται από τον πραγματικό λόγο, όπως εξηγώ παρακάτω.
Γιατί να μην κατατάσσει τα προϊόντα ένα γλωσσικό μοντέλο;
Γιατί η σελίδα δεν μπορεί να περιμένει, και το κέρδος είναι μικρότερο απ' όσο φαίνεται. Ένα carousel σε σελίδα προϊόντος έχει περίπου 50 έως 150 χιλιοστά του δευτερολέπτου στον server, χωρίς περιθώριο για κλήση σε μοντέλο. Και το κόστος μαζεύεται: 20.000 προβολές προϊόντων την ημέρα με μία κλήση μοντέλου σε κάθε carousel κοστίζουν περίπου 50 έως 150 ευρώ τον μήνα σε μικρό μοντέλο, και 10 έως 20 φορές περισσότερο σε κορυφαίο μοντέλο, για ένα carousel του οποίου τα επιπλέον έσοδα δεν έχει μετρήσει κανείς. Και τα δημοσιευμένα κέρδη θέλουν προσεκτική ανάγνωση. Σε ένα benchmark το καλύτερο εμπορικό μοντέλο ξανακατέταξε μια δεδομένη λίστα 59% καλύτερα από την ισχυρότερη κλασική μέθοδο, αλλά η αλλαγή μόνο της μεθόδου που έφτιαχνε τη λίστα των υποψηφίων μετακίνησε τα αποτελέσματα πάνω από 50% με το ίδιο μοντέλο, οπότε μεγάλο μέρος από όσα μοιάζουν με ποιότητα του μοντέλου είναι η λίστα των υποψηφίων. Το ίδιο μοντέλο πέτυχε σχεδόν διπλάσιο σκορ όταν του επιτράπηκε να προτείνει ελεύθερα οποιοδήποτε προϊόν, κάτι που δεν μπορεί να επιτρέψει ένα κατάστημα που πρέπει να προτείνει πραγματικά προϊόντα σε απόθεμα. Και η κατάταξη ενός γλωσσικού μοντέλου εξαρτάται από τη σειρά με την οποία εμφανίζονται τα προϊόντα στην εντολή του, κάτι που μπορεί να εκμεταλλευτεί όποιος ελέγχει αυτή τη σειρά.
Τι χρειάζεται πρώτα ένα μικρό ελληνικό e-shop;
Ένα μικρό ελληνικό e-shop χρειάζεται καθαρά δεδομένα προϊόντων και αναζήτηση που δουλεύει, πριν από οποιαδήποτε τεχνητή νοημοσύνη. Όταν μέτρησα 505 ελληνικά e-shop τον Αύγουστο του 2026, μόνο 5 πέρασαν πέντε στοιχειώδεις τεχνικούς ελέγχους (ο τεχνικός έλεγχος των ελληνικών e-shop). Η σειρά που αποδίδει:
- Πλήρη χαρακτηριστικά προϊόντων, όπως μέγεθος, χρώμα, υλικό και συμβατότητα, σε σταθερές τιμές. Εδώ βοηθά περισσότερο ένα μοντέλο, που τρέχει μία φορά πάνω στον κατάλογο και ελέγχεται από άνθρωπο.
- Αναζήτηση που καταλαβαίνει ελληνικά. Οι πελάτες γράφουν χωρίς τόνους και σε greeklish ("papoutsia"), και οι ελληνικές λέξεις αλλάζουν μορφή («μαύρο παπούτσι», «μαύρα παπούτσια»). Κρατήστε στο ευρετήριο μια μορφή σε λατινικούς χαρακτήρες δίπλα στην ελληνική και χρησιμοποιήστε ελληνικό stemmer, όπως εξηγώ στο RAG στα ελληνικά.
- «Αγόρασαν επίσης» από τις δικές σας παραγγελίες, με νέο υπολογισμό κάθε βράδυ. Με λίγες παραγγελίες, ξεκινήστε με τα πιο δημοφιλή ανά κατηγορία και με παρόμοια προϊόντα βάσει χαρακτηριστικών.
- Μόνο μετά ένα μοντέλο τη στιγμή του αιτήματος, σε ένα σημείο της σελίδας, με το κόστος και την καθυστέρησή του γραμμένα πριν από κάθε γραμμή κώδικα.
Από το 2019 έως το 2022 έφτιαξα μοντέλα για segmentation πελατών και πρόβλεψη ζήτησης για πελάτες με e-commerce, και το δίδαγμα εκείνης της δουλειάς ισχύει και εδώ: ένα μοντέλο αξίζει μόνο όταν ταιριάζει στον τρόπο που ήδη δουλεύει η ομάδα και μετριέται μετά την εφαρμογή του.
Πόσο κοστίζει η τεχνητή νοημοσύνη για τις προτάσεις;
Ο εμπλουτισμός του καταλόγου κοστίζει λίγο. Ένα πέρασμα σε 50.000 προϊόντα, με περίπου 400 tokens εισόδου και 150 εξόδου το καθένα, κοστίζει περίπου 8 ευρώ σε μικρό μοντέλο με τις τιμές του Σεπτεμβρίου 2026. Το όριο είναι ο χρόνος για έλεγχο, όχι τα χρήματα, οπότε ένας άνθρωπος ελέγχει ένα δείγμα και όχι κάθε προϊόν. Οι κλήσεις σε μοντέλο σε κάθε προβολή σελίδας είναι εκεί που μεγαλώνει το κόστος, όπως δείχνουν τα νούμερα παραπάνω, και ο υπολογισμός εκ των προτέρων τις εξαφανίζει σχεδόν όλες: τρέχετε το μοντέλο σε τακτά διαστήματα, αποθηκεύετε το αποτέλεσμα ως αριθμούς ανά προϊόν ή ανά ομάδα πελατών και σερβίρετε τις σελίδες χωρίς να το καλείτε. Κρατήστε cache ανά ομάδα πελατών και πλαίσιο, ποτέ ανά μεμονωμένο πελάτη, γιατί μια cache ανά πελάτη σχεδόν ποτέ δεν βρίσκει έτοιμη απάντηση. Πώς αθροίζεται γενικά το κόστος των tokens, στο πόσο κοστίζει στην πράξη ένας AI agent.
Πώς ξέρετε ότι οι προτάσεις δουλεύουν;
Το ξέρετε από ένα online A/B test, με βασικούς αριθμούς τα έσοδα ανά επίσκεψη και το ποσοστό μετατροπής. Οι μετρήσεις εκτός σύνδεσης αποφασίζουν τι θα δοκιμάσετε, ποτέ τι θα βγει live: ένα σύστημα προτάσεων του 2026 βελτίωσε την ανάκληση εκτός σύνδεσης κατά 5,0% έως 8,8% και τον βασικό του δείκτη κατά 0,792% σε online δοκιμή πέντε ημερών (arXiv 2608.21012). Παρακολουθήστε και τα όρια ασφαλείας: τον χρόνο φόρτωσης στις πιο αργές σελίδες, πόσα διαφορετικά προϊόντα εμφανίζονται σε όλους τους πελάτες και το μερίδιο των εμφανίσεων που πηγαίνει στα λιγότερο δημοφιλή προϊόντα. Μια αλλαγή που ανεβάζει τις μετατροπές ενώ δείχνει σε όλους τα ίδια είκοσι προϊόντα γίνεται μέσα σε ένα τρίμηνο πρόβλημα αποθέματος και προμηθευτών. Όταν δοκιμάζετε εκτός σύνδεσης, χωρίστε τα δεδομένα χρονικά, με εκπαίδευση στις παλαιότερες παραγγελίες και έλεγχο στις νεότερες, γιατί ένας τυχαίος διαχωρισμός αφήνει το μοντέλο να δει το μέλλον.
Είναι αξιόπιστες οι εξηγήσεις τύπου «επειδή αγόρασες»;
Οι εξηγήσεις της τεχνητής νοημοσύνης είναι αξιόπιστες μόνο όταν παράγονται από τον πραγματικό λόγο. Αν ένα μοντέλο κατάταξης διάλεξε το προϊόν και μετά ζητηθεί από ένα γλωσσικό μοντέλο να εξηγήσει την επιλογή, η εξήγηση είναι μια πειστική ιστορία γραμμένη εκ των υστέρων, καλογραμμένη και ίσως λάθος ως προς την αιτία. Αυτό μετράει και νομικά: στην ΕΕ, τα marketplaces πρέπει να περιγράφουν τις κύριες παραμέτρους κατάταξης σύμφωνα με τον Κανονισμό για τις σχέσεις πλατφορμών και επιχειρήσεων (Platform-to-Business), και οι online πλατφόρμες πρέπει να αναφέρουν τις κύριες παραμέτρους των συστημάτων προτάσεών τους σύμφωνα με την Πράξη για τις ψηφιακές υπηρεσίες (DSA). Μια πρόταση που έγραψε ένα μοντέλο δεν είναι αυτή η περιγραφή. Ο ασφαλής τρόπος είναι να δίνετε στο μοντέλο το πραγματικό σήμα, όπως «αγοράζεται συχνά μαζί με το προϊόν 4471», και να το αφήνετε μόνο να το διατυπώσει. Για να δείτε τεχνητή νοημοσύνη να δουλεύει πάνω σε κατάλογο και παραγγελίες e-shop, τα demos που τρέχουν περιλαμβάνουν ένα agentic checkout.
Συχνές ερωτήσεις
Μπορεί ένα chatbot τεχνητής νοημοσύνης να αντικαταστήσει τα φίλτρα του e-shop μου;
Όχι. Ένας πελάτης που ξέρει τι θέλει το βρίσκει πιο γρήγορα με φίλτρα. Ένα chat κερδίζει τη θέση του στα ασαφή αιτήματα, στα δώρα και στις ερωτήσεις που είναι κοντά στην εξυπηρέτηση πελατών, όπως εξηγώ στο chatbot για eshop.
Πόσες παραγγελίες χρειάζομαι για προτάσεις «αγόρασαν επίσης»;
Δεν υπάρχει σταθερός αριθμός: το σήμα γίνεται χρήσιμο όταν τα ίδια ζευγάρια προϊόντων εμφανίζονται μαζί ξανά και ξανά. Μέχρι τότε, συνδυάστε τις λίγες κοινές αγορές που έχετε με την ομοιότητα βάσει χαρακτηριστικών και με τα πιο δημοφιλή ανά κατηγορία.
Αλλάζουν κάτι οι AI agents που κάνουν αγορές;
Ανεβάζουν την αξία των καθαρών, δομημένων δεδομένων προϊόντων, γιατί ένας agent που αγοράζει για λογαριασμό ενός πελάτη διαβάζει χαρακτηριστικά, όχι φωτογραφίες. Αυτό εξηγώ στο agentic commerce.
Αν έχετε e-shop και αναρωτιέστε αν η τεχνητή νοημοσύνη θα βελτίωνε τις προτάσεις σας, στείλτε μου τη διεύθυνση του καταστήματος και έναν πρόχειρο αριθμό προϊόντων και μηνιαίων παραγγελιών. Αν το επόμενο βήμα είναι ο κατάλογος, η αναζήτηση ή οι προτάσεις, φαίνεται συνήθως από αυτά τα τρία.