Analyse
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
Datasettet i tall
- samtaler analysert
- 150 000
- med kommersiell intensjon
- 6,8%
- gj.sn. turns (transaksjonelle)
- 2,92
- single-turn samtaler
- 48%
01
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.
02
Syv nøkkelfunn
6,8%
01Kommersielle samtaler er et mindretall
Det store flertallet av AI-samtaler handler om koding, skriving og informasjonshenting. Under 7% har kommersiell intensjon.
31%
02Pris 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.
-69 poeng
03Pris utløser kraftig cooling
Gjennomsnittlig intensitetsfall etter en prisrelatert cooling event er -69 poeng. Brukeren går fra kjøpsklar til tilbake på start.
91%
04Brukere 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.
41%
05Mange kjøpere starter i BOFU
Brukere følger ikke en oppdagelsesreise. Over 4 av 10 vet allerede hva de vil ha når de åpner samtalen.
4,4%
06Den 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.
2,92 turns
07Transaksjonelle samtaler er korte
Kommersielle samtaler er korte og handlingsorienterte. Nesten halvparten er single-turn. Brukere vil ha svar raskt.
03
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.
04
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?
05
Hvorfor skjer dette?
Feilen er ikke prisen i seg selv. Det er presisjonen i AI-svaret. Tre svarmønstre utløser konsekvent at brukeren faller tilbake.
Low closure
Vagt estimat
AI gir et prisintervall uten å hjelpe brukeren å navigere det.
'Prisene varierer fra X til Y avhengig av beliggenhet og tilstand'
Medium closure
Hedget svar
AI svarer riktig, men legger til et forbehold som åpner en ny bekymring.
'Det koster X, men sjekk tilgjengeligheten først'
No closure
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'
06
Ekte samtaleeksempler
Tre dokumenterte samtaler fra datasettet vårt som viser pris-til-cooling-mønsteret i praksis.
01
Stille regresjon
Bruker som undersøker bruktbiler spør om kostnader. AI gir vage estimater. Brukeren forlater temaet helt.
02
Usikkerhetskaskade
Bruker med booket Genius Bar-time spør om diagnostikk. AI hedger. Brukeren mister fokus og driver til urelaterte temaer.
03
Scope-ekspansjon
Bruker spør om dagspris for vindusvasker. AI gir prisintervall. Brukeren pivoterer fra å leie vaskere til å starte eget renholdsfirma.
07
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.
Vage prisintervaller
→ Erstatt 'priser fra X' med scenariobasert prising. F.eks. 'For en standard 150m2 bolig: X. For 200m2: Y.'
Betinget språk i hovedtekst
→ Flytt alle forbehold til en separat FAQ-seksjon. Led med det konkrete svaret.
Manglende strukturert data
→ Implementer JSON-LD schema markup (Product, Offer, PriceSpecification) for alle transaksjonelle sider.
Ingen 'neste steg'-innhold
→ Hver tjenesteside trenger en tydelig, maskinlesbar konverteringssti. Fortell AI-en hva som skjer etter kjøp.
08
Ofte stilte spørsmål
Bare 6,8% av de 150 000 analyserte AI-samtalene hadde kommersiell intensjon. Det store flertallet handler om koding, skriving og generell informasjonshenting.
I denne analysen falt 66,8% av samtalene i kategorien 'annet', mens 12,6% var skriverelaterte, 12,3% var koderelaterte og 3,4% var informasjonssøk. Transaksjonelle samtaler utgjorde bare 1,8% av alle samtaler.
Når en bruker spør om pris, følger det en cooling event 31% av gangene — med et gjennomsnittlig intensitetsfall på -69 poeng. Over 90% av disse cooling events resulterer i at brukeren faller tilbake til Problem Focus (TOFU), det vil si at AI-svaret ikke klarer å lukke decision gap.
Nei. Bare 4,4% av transaksjonelle samtaler følger den klassiske TOFU-til-BOFU-progresjonen. Faktisk starter 41% av brukerne samtalen allerede i BOFU — de vet hva de vil ha før første melding.
Transaksjonelle samtaler er i gjennomsnitt bare 2,92 turns. Nesten halvparten (48%) består av ett enkelt turn. Brukere i kommersiell modus vil ha direkte svar, ikke lange frem-og-tilbake-utvekslinger.
Mål din egen decision closure
Denne analysen er basert på aggregert data. Med CitationLab får du merkevarespesifikk samtaleanalyse på tvers av ChatGPT, Gemini og Google AI Overview.
Var dette nyttig?