Rekomendasi Belanja Berbasis AI dan Ekonomi Pembelian Impulsif

Rekomendasi belanja yang baik membantu mengatasi masalah. Rekomendasi itu menemukan suku cadang pengganti yang tepat, mempersempit pilihan yang membingungkan, atau mengidentifikasi sesuatu yang benar-benar dibutuhkan pelanggan. Namun, teknologi yang sama dapat membuat pembelian yang tidak perlu terasa sangat meyakinkan. Seiring kecerdasan buatan menjadi bagian dari proses menemukan produk, perbedaan antara membantu seseorang berbelanja dan mendorongnya untuk terus berbelanja perlu dicermati lebih saksama.

Sebuah studi baru di Sustainable Futures mengkaji ketegangan tersebut melalui survei terhadap 642 pembeli daring di Vietnam.¹ Para peneliti menemukan bahwa persepsi tentang kegunaan, kepercayaan terhadap rekomendasi, dan kegairahan emosional berkaitan dengan dorongan yang lebih kuat untuk membeli secara impulsif. Dorongan tersebut berkaitan dengan pola konsumsi yang dinilai responden tidak perlu atau sulit dipertahankan.

Bagi investor, hal ini memunculkan pertanyaan yang melampaui apakah AI dapat meningkatkan penjualan: apakah platform perdagangan dapat mengubah rekomendasi yang lebih baik menjadi nilai pelanggan yang bertahan lama? Peluangnya besar, tetapi keberhasilan perlu dinilai dengan melihat lebih jauh dari transaksi berikutnya.

Apa yang Sebenarnya Diukur dalam Studi Belanja Berbasis AI

Para peneliti mengumpulkan kuesioner pada 15 hingga 20 Mei 2026 melalui penyebaran daring dan survei tatap muka di Kota Can Tho. Setelah mengecualikan 59 jawaban karena pola jawabannya seragam, mereka menganalisis 642 kuesioner. Sampel yang dilaporkan terdiri atas pembeli berusia 18 hingga 33 tahun, sehingga hasilnya lebih relevan bagi konsumen muda daripada seluruh populasi pembeli.

Studi ini menggunakan kerangka Stimulus–Organisme–Respons. Sederhananya, studi tersebut mengkaji bagaimana pengalaman berbelanja berkaitan dengan apa yang dipikirkan dan dirasakan konsumen, serta bagaimana respons internal itu berkaitan dengan dorongan untuk membeli dan pola konsumsi.

Isyarat belanja yang dikaji mencakup interaksi dengan pembawa acara siaran langsung, interaksi dengan penonton lain, persepsi tentang realisme, dan penyajian produk yang hidup dan terperinci. Konteks ini penting. Meski berfokus pada perdagangan yang ditargetkan dengan AI, penelitian ini memadukan aktivitas belanja berbasis algoritma dengan unsur sosial dan emosional dalam perdagangan melalui siaran langsung. Penelitian ini tidak mengisolasi model AI tertentu atau membandingkan secara eksperimental rekomendasi yang dipersonalisasi dengan pengalaman berbelanja lain yang identik.

Hasil berikut seluruhnya bersumber dari makalah tersebut. Koefisien menggambarkan hubungan dalam model statistiknya, bukan peningkatan persentase pembelian.

Konsumsi yang tidak berkelanjutan di sini merujuk pada perilaku yang dilaporkan sendiri, seperti membeli tanpa kebutuhan yang jelas sebelumnya dan berbelanja dengan frekuensi yang sulit dipertahankan. Studi ini tidak menghitung emisi, memeriksa catatan utang rumah tangga, ataupun melacak pembelian aktual. Desain potong lintangnya tidak dapat membuktikan bahwa AI menyebabkan perilaku yang dilaporkan tersebut.

Mengapa Rekomendasi yang Berguna Dapat Mendorong Pembelian Impulsif

Temuan yang paling menarik adalah bahwa persepsi tentang kegunaan dan kepercayaan menyertai dorongan impulsif. Persuasi tidak selalu bergantung pada perasaan bahwa pembeli telah ditipu. Rekomendasi bisa tampak relevan, tepercaya, dan praktis, tetapi tetap mendorong pembelian yang sama sekali tidak direncanakan.

Bayangkan seseorang sedang mencari jaket musim dingin. Sebuah sistem mungkin dengan tepat menyarankan sepatu bot yang cocok. Saran itu mungkin berguna, tetapi kegunaan saja tidak membuktikan bahwa pelanggan membutuhkan sepatu bot baru atau mampu membelinya dengan nyaman. Relevansi produk dan kebutuhan untuk membelinya adalah dua hal berbeda.

Perbedaan ini menjadi penting ketika perusahaan melatih sistem berdasarkan tindakan yang dapat diamati. Klik, penambahan barang ke keranjang, dan pembelian memberikan umpan balik yang jelas. Apakah suatu barang masih berguna enam bulan kemudian lebih sulit diamati. Model yang terutama diberi imbalan berdasarkan transaksi langsung bisa menjadi sangat piawai dalam mengenali saran yang persuasif tanpa mempelajari pembelian mana yang memberikan kepuasan jangka panjang.

Tidak adanya hubungan langsung yang signifikan antara persepsi tentang manipulasi dan dorongan membeli juga perlu ditafsirkan dengan hati-hati. Hal itu bukan berarti manipulasi tidak pernah berpengaruh. Dalam sampel dan model ini, kesadaran akan adanya upaya persuasif tidak berkaitan secara konsisten dengan dorongan untuk membeli. Karena itu, pengungkapan saja tidak boleh dianggap mampu mengatasi setiap kekhawatiran terkait perilaku.

Tingkat Konversi AI yang Lebih Tinggi Perlu Ditafsirkan dengan Cermat

Perusahaan di sektor perdagangan sudah melaporkan hasil yang terukur. Dalam analisis aktivitas Q1 2026, Shopify (SHOP ) melaporkan bahwa pembeli yang dirujuk oleh AI memiliki tingkat konversi hampir 50% lebih tinggi daripada pengunjung dari pencarian organik, jika dibandingkan berdasarkan sesi yang dimulai di halaman produk. Pesanan yang dikaitkan dengan pencarian AI juga memiliki nilai rata-rata 14% lebih tinggi.

Angka-angka tersebut menunjukkan potensi komersial, tetapi tidak membuktikan bahwa AI mendorong pengeluaran yang tidak perlu. Orang yang menggunakan asisten untuk membandingkan produk mungkin datang dengan niat membeli yang lebih kuat. Tingkat konversi yang lebih tinggi bisa mencerminkan pencocokan yang lebih baik, keputusan yang lebih matang, atau komposisi pembeli yang berbeda.

Survei tersebut dan analisis Shopify tentang rujukan menjawab pertanyaan yang berbeda. Yang satu mengkaji hubungan antara persepsi dan dorongan yang dilaporkan, sedangkan yang lain menggambarkan hasil belanja melalui berbagai saluran akuisisi. Secara bersama-sama, keduanya mendukung perlunya kajian lebih mendalam tentang perdagangan berbasis AI, tetapi belum menjawab kualitas dan kebutuhan pembelian tersebut.

Kepercayaan Pelanggan Dapat Menjadi Keunggulan dalam Perdagangan

Salah satu langkah yang bermanfaat bagi peritel adalah mengukur apa yang terjadi setelah konversi. Pesanan tambahan hanya memberi nilai terbatas jika berujung pada pengembalian barang yang mahal atau membuat pelanggan enggan kembali. Hal-hal ini merupakan dampak bisnis yang perlu dikaji, bukan hasil yang dibuktikan oleh survei di Vietnam.

Peritel yang mengevaluasi sistem rekomendasi dapat melengkapi metrik penjualan dengan:

• Tingkat pengembalian dan pembatalan untuk produk yang direkomendasikan.
• Pembelian berulang dan retensi pelanggan dari waktu ke waktu.
• Kepuasan pelanggan setelah produk diterima dan digunakan.
• Margin kontribusi setelah biaya pemenuhan pesanan dan pengembalian.

Pandangan yang lebih luas ini sejalan dengan kajian terbaru Securities.io tentang pengaruh kepercayaan terhadap imbal hasil otomatisasi. Konteks komersialnya berbeda, tetapi kedua topik menunjukkan mengapa respons manusia perlu diperhatikan bersama kemampuan teknis.

Desain yang bertanggung jawab juga dapat mempertahankan personalisasi yang bermanfaat. Filter anggaran, penjelasan rekomendasi yang jelas, serta opsi untuk menyimpan saran agar dapat dilihat nanti dapat membantu pembeli mengambil keputusan dengan cermat. Makalah tersebut merekomendasikan personalisasi yang transparan dan intervensi yang mendorong pembelian secara reflektif, meskipun efektivitasnya tidak diuji.

Shopify Memberi Eksposur pada Infrastruktur Perdagangan Berbasis AI

Bagi investor yang tertarik pada perkembangan ini, Shopify merupakan perusahaan publik yang relevan untuk dicermati. Keterlibatannya tidak sekadar menambahkan chatbot ke etalase daring: perusahaan ini membangun teknologi rekomendasi dan infrastruktur yang menghubungkan pedagang dengan saluran belanja berbasis AI yang sedang berkembang.

Pada Februari 2026, Shopify menjelaskan sistem rekomendasi generatif yang belajar dari rangkaian pencarian, tayangan produk, penambahan ke keranjang, penandaan sebagai favorit, dan pembelian. Dengan mempertimbangkan waktu, sistem ini dapat memperhitungkan perubahan preferensi dan konteks musiman, alih-alih memperlakukan setiap interaksi secara terpisah.

Shopify melaporkan bahwa pengujian A/B daring terhadap versi model bulan Agustus meningkatkan jumlah pesanan di Shop sebesar 0,94% dan tingkat konversi sebesar 0,71%; keduanya merupakan peningkatan relatif. Hasil di lingkungan produksi ini memberikan pengujian yang lebih langsung terhadap perubahan rekomendasi dibandingkan survei di Vietnam, meskipun tidak membuktikan kepuasan jangka panjang atau manfaat lingkungan.

Pada Maret, Shopify mengumumkan akses yang lebih luas ke Etalase Agenik, yang menghubungkan pedagang dengan saluran AI, termasuk ChatGPT, Microsoft Copilot, dan pengalaman belanja AI Google. Hal ini membuka peluang investasi pada infrastruktur yang mendukung penemuan produk dan transaksi, sekalipun antarmuka konsumen terus berkembang.

Perusahaan tersebut tidak dievaluasi dalam studi akademis itu. Relevansinya berasal dari teknologi dan posisi pasarnya. Investor tetap perlu menilai valuasi, persaingan, biaya operasional, serta apakah aktivitas AI menghasilkan bisnis menguntungkan tambahan, alih-alih sekadar mengalihkan pembelian antarsaluran.

Berita dan Perkembangan Terbaru Shopify (SHOP)

Ujian Berikutnya bagi Belanja Berbasis AI Adalah Nilai Jangka Panjang

Rekomendasi AI dapat mengurangi waktu pencarian, memperkenalkan pembeli pada produk yang mungkin terlewatkan, dan membantu pedagang menjangkau pelanggan yang sesuai. Studi tersebut menyoroti bagaimana manfaat ini dapat hadir bersamaan dengan dorongan impulsif yang lebih kuat, terutama ketika kepercayaan dan keterlibatan emosional saling memperkuat.

Langkah yang konstruktif adalah menyempurnakan sasaran optimasi sistem dan hal-hal yang diukur perusahaan. Rekomendasi yang menghasilkan pelanggan puas dan kembali berbelanja mungkin lebih bernilai daripada rekomendasi yang hanya menghasilkan penjualan langsung. Bagi platform perdagangan generasi berikutnya, membuktikan perbedaan itu dapat menjadi keunggulan kompetitif yang penting.

Referensi:

¹ Cao, L. T., Tran, T. T. B., Bui, K. T., Luu, T. T., dan Nguyen, L. T. (2026). Sisi gelap AI dalam belanja daring: Apakah penargetan algoritmis meningkatkan konsumsi yang tidak berkelanjutan? Sustainable Futures, 12, Artikel 102123. https://doi.org/10.1016/j.sftr.2026.102123