Hvordan kommersiell intensjon utvikler seg i AI-samtaler
En analyse av 150 000 ekte AI-samtaler
De fleste antagelser om hvordan brukere tar kjøpsbeslutninger i AI-søk er feil. Vi analyserte 150 000 ekte samtaler for å finne ut hva som faktisk skjer når kommersiell intensjon møter AI.
Publisert mars 2026 av CitationLab AS
Datasettet i tall
Hva bruker folk egentlig AI til?
Før vi undersøkte kommersielle samtaler, kartla vi hele fordelingen av samtaletyper. Transaksjonelle samtaler utgjør en liten minoritet av AI-bruk.
Syv nøkkelfunn
Kommersielle samtaler er et mindretall
Det store flertallet av AI-samtaler handler om koding, skriving og informasjonshenting. Under 7% har kommersiell intensjon.
Pris er det sterkeste kjøpssignalet
Når en bruker spør om pris, utløser det en cooling event 31% av gangene. Prisspørsmål er kjøpssignaler som AI konsekvent feiler å konvertere.
Pris utløser kraftig cooling
Gjennomsnittlig intensitetsfall etter en prisrelatert cooling event er -69 poeng. Brukeren går fra kjøpsklar til tilbake på start.
Brukere faller tilbake til TOFU etter AI-hedging
Over 90% av pris-utløste cooling events resulterer i regresjon til Problem Focus. AI-svaret klarer ikke å lukke decision gap.
Mange kjøpere starter i BOFU
Brukere følger ikke en oppdagelsesreise. Over 4 av 10 vet allerede hva de vil ha når de åpner samtalen.
Den progressive buen er sjelden
Bare 4,4% av transaksjonelle samtaler følger den tradisjonelle TOFU-til-BOFU-progresjonen. Den lineære trakten er en myte i AI-søk.
Transaksjonelle samtaler er korte
Kommersielle samtaler er korte og handlingsorienterte. Nesten halvparten er single-turn. Brukere vil ha svar raskt.
Intensitetsbuen
Gjennomsnittlig kommersiell intensitet over samtale-turns. Legg merke til det kraftige fallet fra Turn 1 til Turn 2, og det flate TOFU-platået fra Turn 2 og utover.
Post-pris kollapsen
Prisspørsmål signaliserer kjøpsintensjon. Men AI-svaret klarer typisk ikke å lukke avtalen, og sender brukeren tilbake til start.
Hva skjer etter en prisutløst cooling event?
Hvorfor skjer dette?
Feilen er ikke prisen i seg selv. Det er presisjonen i AI-svaret. Tre svarmønstre utløser konsekvent at brukeren faller tilbake.
Vagt estimat
AI gir et prisintervall uten å hjelpe brukeren å navigere det.
'Prisene varierer fra X til Y avhengig av beliggenhet og tilstand'
Hedget svar
AI svarer riktig, men legger til et forbehold som åpner en ny bekymring.
'Det koster X, men sjekk tilgjengeligheten først'
Inspirasjonsdrift
AI gir et svar som trigger brukeren til å pivotere til et større, urelatert mål.
Bruker spør om å leie rengjørere → AI gir pris → bruker pivoterer til 'hvordan starter jeg et rengjøringsfirma'
Ekte samtaleeksempler
Tre dokumenterte samtaler fra datasettet vårt som viser pris-til-cooling-mønsteret i praksis.
Stille regresjon
Bruker som undersøker bruktbiler spør om kostnader. AI gir vage estimater. Brukeren forlater temaet helt.
Usikkerhetskaskade
Bruker med booket Genius Bar-time spør om diagnostikk. AI hedger. Brukeren mister fokus og driver til urelaterte temaer.
Scope-ekspansjon
Bruker spør om dagspris for vindusvasker. AI gir prisintervall. Brukeren pivoterer fra å leie vaskere til å starte eget renholdsfirma.
Hva kan du gjøre med dette?
Grunnårsaken til lav decision closure er nettstedinnhold som tvinger AI til å hedge. Fire innholdsmønstre på kildesider forårsaker konsekvent dårlige AI-svar.
Erstatt 'priser fra X' med scenariobasert prising. F.eks. 'For en standard 150m2 bolig: X. For 200m2: Y.'
Flytt alle forbehold til en separat FAQ-seksjon. Led med det konkrete svaret.
Implementer JSON-LD schema markup (Product, Offer, PriceSpecification) for alle transaksjonelle sider.
Hver tjenesteside trenger en tydelig, maskinlesbar konverteringssti. Fortell AI-en hva som skjer etter kjøp.
Mål din egen decision closure
Denne analysen er basert på aggregert data. Med CitationLab får du merkevarespesifikk samtaleanalyse på tvers av ChatGPT, Gemini og Claude.
Les hele artikkelen på LinkedIn