What’s Your Problem?
Summary & Insights
Can we ever truly trust a piece of software to handle our credit card and make purchasing decisions without our oversight? This is the central tension Jacob Goldstein explores as he examines the shift from “research-based AI”—where a chatbot summarizes reviews—to “agentic AI,” where an autonomous agent actually executes the transaction. Goldstein suggests that while we have already solved the trust problem for e-commerce (moving from a fear of putting credit cards online to the ubiquity of Amazon), agentic AI represents a higher hurdle because it removes the final human approval gate.
Goldstein analyzes the “risk-to-effort” ratio that dictates how consumers currently interact with AI. For low-stakes items, such as groceries, Goldstein posits that users are far more likely to hand over total control because the penalty for a mistake (e.g., the wrong brand of milk) is negligible. However, for high-stakes purchases like car insurance or luxury vehicles, Goldstein argues that users will insist on an “approval gate”—a system where the AI does 99% of the legwork but requires a human “okay” before the money moves. He argues that for agentic AI to go mainstream, the AI providers must act as guarantors, assuming the liability and offering reimbursements if the agent deviates from the user’s intent.
Turning to the merchant’s perspective, Goldstein challenges the common business assumption that AI is simply another marketing channel, like SEO or social media. He uses a vivid analogy to Netflix, noting how movie studios initially viewed streaming as just another distribution pipe, only to realize it was a systemic shift that changed customer behavior and shifted the power balance. Goldstein warns that if merchants treat AI agents as mere “channels,” they risk losing market share to competitors who realize that the AI agent—not the human—is now the primary customer being persuaded.
The conversation delves into the “black box” of AI persuasion, with Goldstein noting that traditional marketing triggers—such as “social proof” or “scarcity” (e.g., “only 3 items left!”)—do not work on LLMs. Instead, Goldstein highlights surprising technical preferences, such as the fact that current language models are significantly more persuaded by data presented in tables than in paragraphs. He suggests that the future of branding will require a bifurcated strategy: creating high-end, luxurious experiences to entice humans to shop in person, while simultaneously employing “AI research teams” to optimize how a brand is represented to the algorithms making the decisions.
Ultimately, Goldstein envisions a looming “AI economy” where a new layer of services will emerge specifically to help brands sell to agents and help agents make better choices for humans. He suggests that the power dynamics of retail are shifting; giants like Amazon are already building their own agents (such as Rufus) to prevent third-party AI from controlling the customer’s path to purchase. In this new era, Goldstein argues, the very definition of a “brand” must evolve from something that appeals to human emotion to something that can be logically reasoned through by an agent.
Surprising Insights
- The “Table” Bias: AI agents are more effectively persuaded by information presented in tables than in standard prose.
- The Netflix Warning: Treating AI as a “distribution channel” is a strategic error; it is a systemic shift in customer behavior that can completely flip power dynamics.
- The Guarantee Gap: The primary barrier to agentic shopping isn’t the technology itself, but the lack of a “guarantor” who assumes financial liability for AI mistakes.
- Algorithmic Misinformation: A single outdated Reddit post can lead a major LLM to believe a successful business has shut down, effectively erasing the brand from AI recommendations.
- Bifurcated Branding: Future brands may need two entirely different playbooks: one for emotional human connection and one for logical AI persuasion.
- The Grocery Gateway: Groceries are the most likely “entry point” for agentic AI because they are high-frequency but low-risk.
Practical Takeaways
- Adopt a “New Customer” Mindset: Stop viewing AI as a tool for your customers and start viewing the AI agent as a distinct customer segment with its own needs and biases.
- Structure Data for Machines: Convert key product comparisons and brand advantages into clear tables to increase the likelihood of being recommended by LLMs.
- Diversify Influence: Since AI agents process YouTube videos and Reddit threads to form “opinions,” focus marketing efforts on these third-party platforms rather than just your own website.
- Implement Approval Gates: For high-ticket items, design AI experiences that handle the research and synthesis but leave the final “buy” button to the human.
- Audit AI Brand Perception: Regularly prompt various LLMs to see how your brand is represented and identify specific pieces of misinformation (like the “shut down” example) that need to be countered.
- Evaluate the Experience Value: If you are a luxury brand, lean into the “human-only” experience to differentiate yourself from the efficiency of AI-driven commerce.
🛍️ Products & Resources Mentioned
- 📚 BookBlockers by Michael Lewis — A book providing an inside look at the Trump administration and the public servants who stood in its way.View on Amazon →
Liệu chúng ta có bao giờ thực sự tin tưởng một phần mềm để nó quản lý thẻ tín dụng và đưa ra quyết định mua sắm mà không cần sự giám sát của mình? Đây chính là mâu thuẫn trung tâm mà Jacob Goldstein khám phá khi ông xem xét sự chuyển dịch từ “AI dựa trên nghiên cứu” (research-based AI) — nơi một chatbot tóm tắt các bài đánh giá — sang “AI tác nhân” (agentic AI), nơi một tác nhân tự trị thực sự thực hiện giao dịch.
Goldstein cho rằng mặc dù chúng ta đã giải quyết được bài toán niềm tin trong thương mại điện tử (từ nỗi sợ nhập thẻ tín dụng trực tuyến đến sự phổ biến của Amazon), nhưng AI tác nhân đại diện cho một rào cản cao hơn vì nó loại bỏ “cổng phê duyệt” cuối cùng của con người.
Goldstein phân tích tỷ lệ “rủi ro so với nỗ lực” (risk-to-effort) vốn chi phối cách người tiêu dùng tương tác với AI hiện nay. Đối với những mặt hàng ít rủi ro, chẳng hạn như thực phẩm, Goldstein cho rằng người dùng có nhiều khả năng giao toàn quyền kiểm soát hơn vì hình phạt cho một sai sót (ví dụ: mua sai nhãn hiệu sữa) là không đáng kể. Tuy nhiên, đối với các giao dịch giá trị cao như bảo hiểm ô tô hoặc xe sang, Goldstein lập luận rằng người dùng sẽ yêu cầu một “cổng phê duyệt” — một hệ thống mà AI thực hiện 99% công việc chuẩn bị nhưng cần sự “đồng ý” của con người trước khi tiền được chuyển đi. Ông lập luận rằng để AI tác nhân trở nên phổ biến, các nhà cung cấp AI phải đóng vai trò là bên bảo lãnh, chịu trách nhiệm pháp lý và bồi thường nếu tác nhân AI làm sai ý định của người dùng.
Khi chuyển sang góc nhìn của người bán, Goldstein thách thức giả định kinh doanh phổ biến rằng AI chỉ đơn thuần là một kênh tiếp thị khác, giống như SEO hay mạng xã hội. Ông sử dụng một phép ẩn dụ sinh động về Netflix, lưu ý rằng các studio phim ban đầu coi truyền trực tuyến (streaming) chỉ là một đường dẫn phân phối khác, để rồi nhận ra đó là một sự thay đổi mang tính hệ thống làm thay đổi hành vi khách hàng và dịch chuyển cán cân quyền lực. Goldstein cảnh báo rằng nếu các nhà bán hàng coi các tác nhân AI chỉ là những “kênh” đơn thuần, họ có nguy cơ mất thị phần vào tay các đối thủ nhận ra rằng tác nhân AI — chứ không phải con người — hiện là khách hàng chính cần được thuyết phục.
Cuộc thảo luận đi sâu vào “hộp đen” của sự thuyết phục AI, trong đó Goldstein lưu ý rằng các tác nhân tiếp thị truyền thống — như “bằng chứng xã hội” (social proof) hay “sự khan hiếm” (ví dụ: “chỉ còn 3 sản phẩm!”) — không có tác dụng với các mô hình ngôn ngữ lớn (LLM). Thay vào đó, Goldstein nhấn mạnh những sở thích kỹ thuật gây ngạc nhiên, chẳng hạn như thực tế là các mô hình ngôn ngữ hiện nay dễ bị thuyết phục bởi dữ liệu trình bày dưới dạng bảng hơn là dạng đoạn văn. Ông gợi ý rằng tương lai của xây dựng thương hiệu sẽ đòi hỏi một chiến lược phân nhánh: tạo ra những trải nghiệm cao cấp, sang trọng để thu hút con người mua sắm trực tiếp, đồng thời triển khai các “đội nghiên cứu AI” để tối ưu hóa cách thương hiệu được thể hiện trước các thuật toán ra quyết định.
Cuối cùng, Goldstein hình dung về một “nền kinh tế AI” sắp tới, nơi một lớp dịch vụ mới sẽ xuất hiện đặc biệt để giúp các thương hiệu bán hàng cho các tác nhân AI và giúp các tác nhân này đưa ra lựa chọn tốt hơn cho con người. Ông cho rằng động lực quyền lực của ngành bán lẻ đang thay đổi; những gã khổng lồ như Amazon đã và đang xây dựng các tác nhân riêng (như Rufus) để ngăn chặn AI của bên thứ ba kiểm soát hành trình mua sắm của khách hàng. Trong kỷ nguyên mới này, Goldstein lập luận rằng định nghĩa về “thương hiệu” phải tiến hóa từ một thứ thu hút cảm xúc con người sang một thứ có thể được lập luận logic bởi một tác nhân AI.
Những hiểu biết bất ngờ
- Định kiến về “Bảng”: Các tác nhân AI bị thuyết phục hiệu quả hơn bởi thông tin trình bày trong bảng so với văn xuần tiêu chuẩn.
- Cảnh báo từ Netflix: Coi AI là một “kênh phân phối” là một sai lầm chiến lược; đó là một sự thay đổi hệ thống trong hành vi khách hàng có thể đảo ngược hoàn toàn cán cân quyền lực.
- Khoảng trống bảo lãnh: Rào cản chính đối với mua sắm bằng AI tác nhân không phải là bản thân công nghệ, mà là sự thiếu hụt một “bên bảo lãnh” chịu trách nhiệm tài chính cho những sai sót của AI.
- Thông tin sai lệch thuật toán: Một bài đăng cũ trên Reddit có thể khiến một LLM lớn tin rằng một doanh nghiệp thành công đã đóng cửa, điều này thực chất xóa sổ thương hiệu đó khỏi các đề xuất của AI.
- Xây dựng thương hiệu phân nhánh: Các thương hiệu tương lai có thể cần hai chiến lược hoàn toàn khác nhau: một cho kết nối cảm xúc với con người và một cho sự thuyết phục logic với AI.
- Cửa ngõ thực phẩm: Thực phẩm là “điểm nhập môn” khả thi nhất cho AI tác nhân vì chúng có tần suất mua cao nhưng rủi ro thấp.
Bài học thực tiễn
- Áp dụng tư duy “Khách hàng mới”: Ngừng coi AI là công cụ cho khách hàng của bạn và hãy bắt đầu coi tác nhân AI là một phân khúc khách hàng riêng biệt với những nhu cầu và định kiến riêng.
- Cấu trúc dữ liệu cho máy móc: Chuyển đổi các so sánh sản phẩm chính và lợi thế thương hiệu thành các bảng rõ ràng để tăng khả năng được LLM đề xuất.
- Đa dạng hóa tầm ảnh hưởng: Vì các tác nhân AI xử lý video YouTube và các luồng thảo luận trên Reddit để hình thành “quan điểm”, hãy tập trung nỗ lực tiếp thị vào các nền tảng bên thứ ba này thay vì chỉ tập trung vào trang web của chính bạn.
- Triển khai Cổng phê duyệt: Đối với các mặt hàng giá trị cao, hãy thiết kế trải nghiệm AI đảm nhận việc nghiên cứu và tổng hợp, nhưng để nút “mua” cuối cùng cho con người.
- Kiểm tra nhận diện thương hiệu qua AI: Thường xuyên đặt câu hỏi cho các LLM khác nhau để xem thương hiệu của bạn được thể hiện như thế nào và xác định các thông tin sai lệch cụ thể (như ví dụ “đóng cửa”) cần phải chấn chỉnh.
- Đánh giá giá trị trải nghiệm: Nếu bạn là một thương hiệu xa xỉ, hãy tập trung vào trải nghiệm “chỉ dành cho con người” để tạo sự khác biệt với hiệu suất của thương mại do AI vận hành.
我們真的能完全信任一段軟體在沒有監督的情況下，處理我們的信用卡並做出購買決定嗎？這正是 Jacob Goldstein 在探討從「研究型 AI」（例如聊天機器人總結評論）轉向「代理型 AI」（由自主代理實際執行交易）時所分析的核心矛盾。Goldstein 指出，雖然我們已經解決了電子商務的信任問題（從害怕在網上輸入信用卡到 Amazon 的普及），但代理型 AI 面臨的是更高的門檻，因為它移除了最後一道由人類把關的審核機制。
Goldstein 分析了決定消費者目前如何與 AI 互動的「風險-努力」比率。對於低風險物品（如雜貨），Goldstein 認為使用者更傾向於交出完全控制權，因為出錯的代價（例如買錯牛奶品牌）微不足道。然而，對於高風險購買項目（如汽車保險或豪華車輛），Goldstein 主張使用者會堅持要求一個「審核機制」——即 AI 完成 99% 的準備工作，但在款項撥出前需要人類的「確認」。他認為，若要讓代理型 AI 走向主流，AI 提供商必須扮演擔保人的角色，承擔法律責任，並在代理執行偏離使用者意圖時提供賠償。
轉到商家的視角，Goldstein 挑戰了企業中常見的一種假設，即將 AI 僅視為另一種行銷通路（如同 SEO 或社群媒體）。他用 Netflix 做了一個生動的比喻，指出電影製片廠最初將串流媒體僅視為另一種分發管道，但隨後才意識到這是一場系統性的變革，改變了客戶行為並移轉了權力平衡。Goldstein 警告說，如果商家將 AI 代理僅僅視為「通路」，他們就有可能將市場份額輸給那些意識到「AI 代理」而非「人類」才是目前被說服的主要客戶的競爭對手。
對話進一步深入探討了 AI 說服力的「黑盒子」。Goldstein 指出，傳統的行銷觸發因素——如「社交證明」或「稀缺性」（例如「僅剩 3 件！」）——對大語言模型（LLM）並不奏效。相反地，Goldstein 揭示了一些令人驚訝的技術偏好，例如目前的語言模型更容易被以「表格」呈現的數據說服，而非「段落」。他建議，未來的品牌策略將需要分叉：一方面創造高端、奢華的體驗以吸引人類親自購物；另一方面部署「AI 研究團隊」，以優化品牌在決定權算法中的呈現方式。
最終，Goldstein 預見了一個即將到來的「AI 經濟」，屆時將出現一層全新的服務，專門幫助品牌向 AI 代理銷售，並幫助代理為人類做出更好的選擇。他指出零售業的權力動態正在轉移；像 Amazon 這樣的巨頭已經在構建自己的代理（如 Rufus），以防止第三方 AI 控制客戶的購買路徑。Goldstein 主張，在這個新時代，「品牌」的定義必須從吸引人類情感的東西，演變為能夠被 AI 代理邏輯推理的東西。
驚人之見
- 「表格」偏好： AI 代理更容易被表格形式呈現的資訊說服，而非標準的散文敘述。
- Netflix 的警告： 將 AI 視為「分發通路」是一個戰略錯誤；它是一種客戶行為的系統性轉變，能完全翻轉權力動態。
- 擔保缺口： 代理型購物的主要障礙不在於技術本身，而是在於缺乏一個能為 AI 錯誤承擔財務責任的「擔保人」。
- 算法誤導： 僅僅一篇過時的 Reddit 貼文就可能導致大型 LLM 認為一家成功的企業已倒閉，從而有效地將該品牌從 AI 的推薦名單中抹除。
- 分叉品牌策略： 未來的品牌可能需要兩套完全不同的劇本：一套用於情感化的人類連結，一套用於邏輯化的 AI 說服。
- 雜貨切入點： 雜貨是最可能的代理型 AI 「切入點」，因為其購買頻率高且風險低。
實踐建議
- 採取「新客戶」心態： 停止將 AI 視為客戶的工具，開始將 AI 代理視為一個具有自身需求和偏好的獨立客戶群體。
- 為機器結構化數據： 將關鍵的產品比較和品牌優勢轉換為清晰的表格，以增加被 LLM 推薦的可能性。
- 多元化影響力： 由於 AI 代理會處理 YouTube 影片和 Reddit 討論串來形成「觀點」，因此行銷重點應放在這些第三方平台，而非僅限於自有網站。
- 實施審核機制： 對於高單價商品，設計能處理研究與綜合分析、但將最終「購買」按鈕留給人類的 AI 體驗。
- 審核 AI 品牌感知： 定期對各種 LLM 進行提示（Prompt），查看品牌如何被呈現，並找出需要修正的特定錯誤資訊（如前述的「倒閉」案例）。
- 評估體驗價值： 如果你是奢華品牌，請強化「僅限人類」的體驗，以將自己與 AI 驅動的高效率商業區分開來。
Pouvons-nous un jour faire réellement confiance à un logiciel pour gérer notre carte de crédit et prendre des décisions d’achat sans notre supervision ? C’est cette tension centrale que Jacob Goldstein explore en examinant le passage de l’« IA basée sur la recherche » — où un chatbot résume des avis — à l’« IA agentique », où un agent autonome exécute réellement la transaction. Goldstein suggère que si nous avons déjà résolu le problème de la confiance pour l’e-commerce (passant de la peur de saisir sa carte de crédit en ligne à l’ubiquité d’Amazon), l’IA agentique représente un obstacle plus élevé car elle supprime le dernier verrou de l’approbation humaine.
Goldstein analyse le ratio « risque/effort » qui dicte la manière dont les consommateurs interagissent actuellement avec l’IA. Pour des articles à faible enjeu, comme les courses alimentaires, Goldstein postule que les utilisateurs sont beaucoup plus enclins à céder le contrôle total car la pénalité en cas d’erreur (par exemple, une mauvaise marque de lait) est négligeable. Cependant, pour des achats à enjeux élevés comme l’assurance automobile ou les véhicules de luxe, Goldstein soutient que les utilisateurs insisteront sur un « verrou d’approbation » — un système où l’IA effectue 99 % du travail préparatoire, mais nécessite un « ok » humain avant que l’argent ne soit transféré. Il affirme que pour que l’IA agentique se généralise, les fournisseurs d’IA doivent agir en tant que garants, en assumant la responsabilité et en proposant des remboursements si l’agent s’écarte de l’intention de l’utilisateur.
Se tournant vers la perspective du commerçant, Goldstein remet en question l’idée reçue selon laquelle l’IA serait simplement un canal de marketing supplémentaire, comme le SEO ou les réseaux sociaux. Il utilise une analogie frappante avec Netflix, notant comment les studios de cinéma considéraient initialement le streaming comme un simple canal de distribution supplémentaire, pour réaliser ensuite qu’il s’agissait d’un changement systémique qui a modifié le comportement des clients et déplacé l’équilibre des pouvoirs. Goldstein avertit que si les commerçants traitent les agents d’IA comme de simples « canaux », ils risquent de perdre des parts de marché face à des concurrents qui comprennent que c’est l’agent d’IA — et non l’humain — qui est désormais le client principal à convaincre.
La conversation s’aventure ensuite dans la « boîte noire » de la persuasion par l’IA, Goldstein notant que les déclencheurs du marketing traditionnel — tels que la « preuve sociale » ou la « rareté » (ex: « plus que 3 articles disponibles ! ») — ne fonctionnent pas sur les LLM. Au lieu de cela, Goldstein souligne des préférences techniques surprenantes, comme le fait que les modèles de langage actuels sont nettement plus persuadés par des données présentées sous forme de tableaux que sous forme de paragraphes. Il suggère que l’avenir du branding nécessitera une stratégie bifurquée : créer des expériences haut de gamme et luxueuses pour inciter les humains à acheter en personne, tout en employant simultanément des « équipes de recherche IA » pour optimiser la manière dont une marque est représentée auprès des algorithmes qui prennent les décisions.
Enfin, Goldstein envisage l’émergence imminente d’une « économie de l’IA » où une nouvelle couche de services apparaîtra spécifiquement pour aider les marques à vendre aux agents et aider les agents à faire de meilleurs choix pour les humains. Il suggère que la dynamique du commerce de détail est en train de changer ; des géants comme Amazon créent déjà leurs propres agents (comme Rufus) pour empêcher des IA tierces de contrôler le parcours d’achat du client. Dans cette nouvelle ère, soutient Goldstein, la définition même d’une « marque » doit évoluer : d’un élément faisant appel à l’émotion humaine vers quelque chose pouvant être analysé logiquement par un agent.
Perspectives surprenantes
- Le biais du « Tableau » : Les agents d’IA sont plus efficacement persuadés par des informations présentées sous forme de tableaux que par une prose standard.
- L’avertissement Netflix : Traiter l’IA comme un « canal de distribution » est une erreur stratégique ; il s’agit d’un changement systémique du comportement des clients qui peut totalement renverser la dynamique du pouvoir.
- Le déficit de garantie : Le principal obstacle au shopping agentique n’est pas la technologie elle-même, mais l’absence d’un « garant » assumant la responsabilité financière des erreurs de l’IA.
- Désinformation algorithmique : Un seul post Reddit obsolète peut amener un LLM majeur à croire qu’une entreprise prospère a fermé ses portes, effaçant ainsi concrètement la marque des recommandations de l’IA.
- Branding bifurqué : Les futures marques pourraient avoir besoin de deux stratégies totalement différentes : l’une pour la connexion émotionnelle humaine et l’autre pour la persuasion logique de l’IA.
- La porte d’entrée alimentaire : Les courses sont le point d’entrée le plus probable pour l’IA agentique car elles sont fréquentes mais présentent un risque faible.
Conseils pratiques
- Adoptez une mentalité de « Nouveau Client » : Cessez de considérer l’IA comme un outil pour vos clients et commencez à voir l’agent d’IA comme un segment de clientèle distinct, avec ses propres besoins et biais.
- Structurez vos données pour les machines : Convertissez vos principales comparaisons de produits et vos avantages concurrentiels en tableaux clairs pour augmenter vos chances d’être recommandé par les LLM.
- Diversifiez votre influence : Puisque les agents d’IA analysent les vidéos YouTube et les fils Reddit pour se forger des « opinions », concentrez vos efforts marketing sur ces plateformes tierces plutôt que sur votre seul site web.
- Implémentez des verrous d’approbation : Pour les articles coûteux, concevez des expériences d’IA qui gèrent la recherche et la synthèse, mais laissent le bouton final d’« achat » à l’humain.
- Auditez la perception de votre marque par l’IA : Interrogez régulièrement divers LLM pour voir comment votre marque est représentée et identifiez les informations erronées spécifiques (comme l’exemple de la fermeture) qu’il convient de rectifier.
- Évaluez la valeur de l’expérience : Si vous êtes une marque de luxe, misez sur l’expérience « exclusivement humaine » pour vous différencier de l’efficacité du commerce piloté par l’IA.
Können wir einer Software jemals wirklich zutrauen, unsere Kreditkartendaten zu verwalten und Kaufentscheidungen ohne unsere Aufsicht zu treffen? Dies ist das zentrale Spannungsfeld, das Jacob Goldstein untersucht, während er den Wandel von der „recherchebasierten KI“ – bei der ein Chatbot Bewertungen zusammenfasst – zur „agentischen KI“ analysiert, bei der ein autonomer Agent die Transaktion tatsächlich ausführt. Goldstein legt nahe, dass wir das Vertrauensproblem im E-Commerce zwar bereits gelöst haben (der Weg von der Angst, Kreditkartendaten online einzugeben, bis hin zur Allgegenwärtigkeit von Amazon), die agentische KI jedoch eine höhere Hürde darstellt, da sie die letzte menschliche Genehmigungsinstanz entfernt.
Goldstein analysiert das „Risiko-Aufwand-Verhältnis“, das bestimmt, wie Konsumenten derzeit mit KI interagieren. Bei risikoarmen Artikeln, wie beispielsweise Lebensmitteln, geht Goldstein davon aus, dass Nutzer weitaus eher bereit sind, die vollständige Kontrolle abzugeben, da die Strafe für einen Fehler (z. B. die falsche Milchmarke) vernachlässigbar ist. Bei hochpreisigen Käufen wie einer Kfz-Versicherung oder Luxusfahrzeugen argumentiert Goldstein jedoch, dass Nutzer auf ein „Genehmigungs-Gate“ bestehen werden – ein System, in dem die KI 99 % der Vorarbeit leistet, aber ein menschliches „Okay“ benötigt, bevor Geld fließt. Er vertritt die Ansicht, dass KI-Anbieter als Garanten auftreten, die Haftung übernehmen und Erstattungen anbieten müssen, wenn der Agent von der Absicht des Nutzers abweicht, damit agentische KI den Massenmarkt erreicht.
Aus der Perspektive des Händlers hinterfragt Goldstein die gängige geschäftliche Annahme, dass KI einfach nur ein weiterer Marketingkanal sei, ähnlich wie SEO oder soziale Medien. Er nutzt eine anschauliche Analogie zu Netflix und stellt fest, dass Filmstudios das Streaming anfangs nur als einen weiteren Distributionskanal betrachteten, nur um später zu erkennen, dass es sich um einen systemischen Wandel handelte, der das Kundenverhalten änderte und das Machtgefüge verschob. Goldstein warnt davor, dass Händler ihren Marktanteil an Wettbewerber verlieren könnten, wenn sie KI-Agenten lediglich als „Kanäle“ behandeln und nicht erkennen, dass nun der KI-Agent – und nicht mehr der Mensch – der primäre Kunde ist, der überzeugt werden muss.
Das Gespräch vertieft sich in die „Blackbox“ der KI-Überzeugung. Goldstein stellt fest, dass traditionelle Marketing-Trigger wie „Social Proof“ oder „Verknappung“ (z. B. „Nur noch 3 Stück verfügbar!“) bei LLMs (Large Language Models) nicht funktionieren. Stattdessen hebt er überraschende technische Präferenzen hervor, wie etwa die Tatsache, dass aktuelle Sprachmodelle durch in Tabellen präsentierte Daten deutlich stärker überzeugt werden als durch Fließtext. Er schlägt vor, dass die Zukunft des Brandings eine zweigeteilte Strategie erfordern wird: die Schaffung hochwertiger Luxuserlebnisse, um Menschen zum persönlichen Einkauf zu locken, während gleichzeitig „KI-Research-Teams“ eingesetzt werden, um zu optimieren, wie eine Marke gegenüber den entscheidungsfindenden Algorithmen repräsentiert wird.
Letztendlich sieht Goldstein eine drohende „KI-Ökonomie“ voraus, in der eine neue Ebene von Dienstleistungen entstehen wird, die Marken speziell dabei helfen, an Agenten zu verkaufen, und Agenten dabei unterstützen, bessere Entscheidungen für Menschen zu treffen. Er stellt fest, dass sich die Machtdynamiken im Einzelhandel verschieben; Giganten wie Amazon bauen bereits eigene Agenten (wie Rufus), um zu verhindern, dass Drittanbieter-KIs den Kaufweg des Kunden kontrollieren. In dieser neuen Ära, so Goldstein, muss sich die Definition einer „Marke“ weiterentwickeln: von etwas, das menschliche Emotionen anspricht, hin zu etwas, das von einem Agenten logisch begründet werden kann.
Überraschende Erkenntnisse
- Der „Tabellen-Bias“: KI-Agenten lassen sich durch in Tabellen präsentierte Informationen effektiver überzeugen als durch Standardprosa.
- Die Netflix-Warnung: KI als bloßen „Distributionskanal“ zu betrachten, ist ein strategischer Fehler; es handelt sich um einen systemischen Wandel im Kundenverhalten, der die Machtverhältnisse komplett umkehren kann.
- Die Garantie-Lücke: Die primäre Barriere für agentisches Shopping ist nicht die Technologie selbst, sondern das Fehlen eines „Garanten“, der die finanzielle Haftung für KI-Fehler übernimmt.
- Algorithmische Fehlinformation: Ein einziger veralteter Reddit-Post kann dazu führen, dass ein großes LLM glaubt, ein erfolgreiches Unternehmen hätte geschlossen, wodurch die Marke effektiv aus den KI-Empfehlungen gelöscht wird.
- Zweigeteiltes Branding: Zukünftige Marken benötigen möglicherweise zwei völlig unterschiedliche Strategien: eine für die emotionale menschliche Verbindung und eine für die logische Überzeugung der KI.
- Das Lebensmittel-Gateway: Lebensmittel sind der wahrscheinlichste „Einstiegspunkt“ für agentische KI, da sie eine hohe Frequenz bei gleichzeitig geringem Risiko aufweisen.
Praktische Ableitungen
- Ein „neues Kunden-Mindset“ annehmen: Hören Sie auf, KI als Werkzeug für Ihre Kunden zu betrachten, und beginnen Sie, den KI-Agenten als ein eigenständiges Kundensegment mit eigenen Bedürfnissen und Biases zu sehen.
- Daten für Maschinen strukturieren: Wandeln Sie wichtige Produktvergleiche und Markenvorteile in klare Tabellen um, um die Wahrscheinlichkeit zu erhöhen, von LLMs empfohlen zu werden.
- Einfluss diversifizieren: Da KI-Agenten YouTube-Videos und Reddit-Threads verarbeiten, um „Meinungen“ zu bilden, sollten Marketinganstrengungen auf diese Drittplattformen konzentriert werden und nicht nur auf die eigene Website.
- Genehmigungs-Gates implementieren: Entwerfen Sie für hochpreisige Artikel KI-Erlebnisse, die die Recherche und Synthese übernehmen, aber den finalen „Kaufen“-Button dem Menschen überlassen.
- KI-Markenwahrnehmung prüfen: Abfragen Sie regelmäßig verschiedene LLMs, um zu sehen, wie Ihre Marke repräsentiert wird, und identifizieren Sie spezifische Fehlinformationen (wie das Beispiel der Geschäftsaufgabe), die korrigiert werden müssen.
- Erfahrungswert evaluieren: Wenn Sie eine Luxusmarke sind, setzen Sie verstärkt auf das „nur für Menschen“ Erlebnis, um sich von der Effizienz des KI-gesteuerten Handels abzuheben.
Note: Today’s show is sponsored by PayPal.
Kartik Hosanagar is a professor at the Wharton School. The problems he studies include: What will it take for people to trust AI agents to buy stuff for them? And how should businesses prepare for a world where their customers include AI agents?
In this episode, Kartik explains:
- Why trust in agentic shopping will arrive category by category, not all at once
- How a single old Reddit post erased a thriving brand from ChatGPT’s recommendations
- Why someone needs to take on the liability risk when purchases go wrong
- How treating AI as just another sales channel is the mistake the movie studios made with Netflix
- How to get a language model to pay attention to your brand
Connect with us:
- Follow Jacob Goldstein on LinkedIn, X and Instagram
- Email us at problem@pushkin.fm
- Follow Pushkin on Instagram, LinkedIn or X
- Listen to Jacob’s other show, Business History
- To listen to the show ad free, sign up for Pushkin+
See omnystudio.com/listener for privacy information.
-
Get Happier, Help Others: Some Good Ideas About Giving
It’s the season of giving: colorful paper and shiny bows, sure, and charitable giving, too. In this special episode, Jacob Goldstein, the host of What’s Your Problem, gets smart about donating. Did you know that…
-
Using Gene Therapy to Help the Blind See
After decades of research, gene therapy is starting to work. Shannon Boye is a professor of cellular and molecular therapeutics at the University of Florida. She is also the co-founder and chief scientific officer of…