Reveal Marketing Research: fiecare industrie are propriul mecanism prin care un brand ajunge să fie recomandat de inteligența artificială
Fiecare industrie are propriul mecanism prin care un brand ajunge să fie recomandat de inteligența artificială. Aceasta este concluzia principală a unui program de cercetare derulat de Reveal Marketing Research începând din august 2025, bazat pe reverse engineering aplicat pe eșantioane reprezentative de utilizatori reali – analiză directă atât calitativă cât și cantitativă – a răspunsurilor obținute de la sistemele AI pe care aceștia le folosesc efectiv, în condiții reale.
Concluzia contrazice una dintre cele mai răspândite convingeri despre AI: că ar exista un set de reguli generale după care funcționează recomandările, valabil indiferent de categorie sau piață.
AI devine primul punct de contact în decizia de cumpărare
Schimbarea vine într-un moment în care inteligența artificială începe să joace un rol direct în procesul de informare și alegere a consumatorilor. Potrivit celui mai recent studiu Reveal Market Resources, utilizarea AI în România a crescut de la 47% în 2025 la 68% în 2026. 91% dintre utilizatori spun că folosesc instrumente AI pentru a căuta informații despre produse sau companii, iar 65% afirmă că recomandările primite influențează decizia finală de cumpărare.
La nivel global, ChatGPT a depășit în luna mai 2026 pragul de un miliard de utilizatori activi lunar, devenind cea mai rapidă aplicație din istorie care atinge această performanță.
Pentru tot mai mulți consumatori, întrebarea nu mai este introdusă într-un motor de căutare, ci adresată direct unui sistem AI.
| Companiile nu mai concurează doar pentru atenția consumatorilor. Concurează și pentru locul pe care îl ocupă în ecosistemul de informații din care AI își construiește răspunsurile. Fără date despre acest ecosistem, deciziile de comunicare devin tot mai greu de fundamentat și tot mai greu de transformat în rezultate.— Marius Luican, Fondator & Director General, Reveal Marketing Research |
O întrebare simplă, un an de cercetare
Programul de cercetare a început în august 2025 pornind de la o întrebare aparent simplă: cum decide AI ce brand recomandă?
În lipsa unor răspunsuri validate, echipa Reveal Marketing Research a construit un program care a inclus sute de interacțiuni analizate între utilizatori reali și modele AI, teste comparative în categorii diferite de produse și servicii, analiza surselor citate de sistemele AI, experimente privind modificarea ecosistemului informațional și observarea efectelor asupra recomandărilor generate. Concluziile au fost confirmate și aprofundate în proiecte implementate pentru companii din FMCG, retail, servicii financiare, construcții, imobiliare și B2B.
Pe parcursul cercetării, una dintre ipotezele inițiale a fost infirmată: că ar exista un set unic de reguli care explică recomandările generate de AI indiferent de industrie. Datele au arătat exact contrariul.
Diferențele dintre industrii s-au dovedit mai mari decât diferențele dintre modelele AI analizate.
| Am început cercetarea convinși că vom descoperi un set de reguli generale după care AI recomandă brandurile. După sute de teste, concluzia a fost exact opusă: fiecare industrie funcționează după propriile reguli. Din acest motiv, orice strategie bazată pe rețete universale este fundamental greșită. — Marius Luican, Fondator & Director General, Reveal Marketing Research |
| Ce nu a urmărit această cercetare Programul nu și-a propus să testeze performanța modelelor AI și nici acuratețea răspunsurilor acestora. Obiectivul a fost identificarea mecanismelor prin care sistemele AI construiesc recomandările și selectează sursele utilizate. |
Ce a descoperit cercetarea
| 1 | Fiecare industrie are propriul mecanism de recomandare Nu există o regulă universală după care funcționează AI. În unele categorii, sistemele acordă o importantă majoră informațiilor publicate pe site-ul oficial al companiei. În altele, recomandările sunt construite aproape exclusiv din publicații independente, platforme specializate sau conținut generat de utilizatori. Același tip de strategie poate produce rezultate foarte diferite în două industrii aparent apropiate. |
| 2 | AI stabilește criteriile înainte să caute informații Analiza răspunsurilor arată că modelele AI își construiesc mai întâi un cadru de evaluare specific categoriei – abia după aceea selectează sursele care răspund acelor criterii. Cu alte cuvinte, sursele nu determină singure recomandarea. Ele sunt filtrate printr-un mecanism de evaluare construit de AI, invizibil pentru orice analiză superficială. |
| 3 | Numărul surselor care contează este surprinzător de mic În majoritatea categoriilor analizate, recomandările AI au fost construite pornind de la 6 până la 15 surse dominante. Aceasta înseamnă că vizibilitatea unui brand poate depinde de prezența într-un număr restrâns de publicații și platforme relevante, nu de sute de site-uri. Într-un caz analizat, sursa numărul unu citată de AI nu era niciun portal de specialitate, ci un site local pe care brandul nici nu știa că există – și care influența recomandările mai mult decât site-ul oficial al companiei. |
| 4 | Topurile globale spun foarte puțin despre fiecare piață O publicație aflată printre cele mai citate surse AI la nivel internațional poate avea o influență minimă într-o categorie din România. În același timp, platforme locale foarte specializate pot avea un rol decisiv în recomandările generate pentru utilizatorii români. |
| 5 | SEO nu explică singur vizibilitatea în AI În unele industrii, site-ul oficial reprezintă principala sursă utilizată de AI. În altele, contribuția acestuia scade sub 6%, iar recomandările sunt construite predominant din articole editoriale, publicații de specialitate, recenzii sau forumuri. Acest lucru explică de ce două companii cu performanțe SEO similare pot avea niveluri foarte diferite de vizibilitate în AI. Într-unul dintre studiile implementate, un brand cu 83% vizibilitate în AI nu apărea niciodată primul în recomandări – competitorul deschidea conversația în 76% din cazuri, deși performanțele SEO ale celor două companii erau comparabile. |
| 6 | Vizibilitatea în AI este rezultatul unui ecosistem, nu al unui singur canal Recomandările nu sunt generate pornind de la un singur canal. Ele rezultă din combinarea autorității publicațiilor, reputației digitale, tipologiei mențiunilor, conținutului comparativ și a altor surse relevante pentru categoria analizată. Importanța fiecărui element diferă însă de la o industrie la alta. |
| 7 | AI personalizează recomandările cu o acuratețe de segmentare remarcabilă Una dintre cele mai importante concluzii ale cercetării este capacitatea sistemelor AI de a adapta răspunsurile în funcție de profilul utilizatorului cu o precizie remarcabilă. Două persoane care adresează întrebări similare primesc recomandări diferite dacă au niveluri diferite de expertiză, intenții de cumpărare diferite sau contexte diferite de utilizare – iar suprapunerea dintre profilul consumatorului și tipul de recomandare generată s-a dovedit extrem de exactă. În categoriile analizate, AI a produs segmentări comportamentale și de intenție comparabile cu cele obținute prin studii dedicate de segmentare — fără să fi fost instruit explicit în acest sens. Pentru echipele de marketing, aceasta înseamnă că brandul tău poate fi recomandat puternic unui segment și absent complet pentru altul, chiar dacă ambele segmente pun întrebări aparent similare. |
| 8 | Testarea din propriul cont oferă o imagine incompletă Verificarea modului în care AI recomandă un brand folosind un singur cont surprinde doar o parte foarte mică din realitate – echivalentul analizării unei fotografii privind un singur pixel. Rezultatele diferă în funcție de utilizator, modelul AI utilizat, formularea întrebării și istoricul conversației. Pentru a înțelege vizibilitatea reală este necesară analiza unui eșantion reprezentativ de utilizatori – oameni reali, cu profiluri diferite, care folosesc sistemele AI pe care le au efectiv în uz, nu simulări de laborator. |
De la cercetare la metodologie
Cercetarea a condus la dezvoltarea metodologiei AI Source Map, un cadru de analiză care transformă rezultatele cercetării în recomandări operaționale pentru echipele de marketing.
Spre deosebire de abordările care simulează interacțiuni în laborator, AI Source Map aplică reverse engineering pe eșantioane reprezentative: subiecți recrutați după profilul relevant pentru categoria analizată interoghează sistemele AI pe care le folosesc în mod real, iar răspunsurile obținute – atât calitativ cât și cantitativ – sunt analizate direct, fără filtre sau simulări. Metodologia măsoară frecvența cu care brandurile sunt recomandate, identifică sursele care influențează aceste recomandări, analizează argumentele folosite de AI și evidențiază diferențele față de competitori pentru segmente diferite de consumatori.
Rezultatul nu este un raport de diagnostic. Este un set de instrumente strategice direct acționabile: un brief de creație care specifică ce să comunici și cum, astfel încât brandul să fie prezent în ecosistemele informaționale din care sistemele AI își construiesc recomandările — și un brief de media care indică unde să investești, cu un ranking clar al canalelor și platformelor care influențează cel mai mult vizibilitatea AI în categoria analizată.
Pe baza acestor două documente, echipele de marketing pot construi o strategie robustă de poziționare a brandului în ecosistemul AI — astfel încât AI să îl aleagă și să îl recomande consumatorilor și potențialilor clienți.
| A verifica dacă AI îți recomandă brandul de pe propriul cont este echivalentul analizării unei fotografii privind un singur pixel. Cercetarea noastră arată că răspunsurile se modifică în funcție de utilizator, context și categorie. Pentru companii, diferența dintre aceste perspective poate însemna pierderea sau câștigarea unei recomandări.— Marius Luican, Fondator & Director General, Reveal Marketing Research |
În contextul în care AI devine primul filtru între consumator și brand, înțelegerea modului în care aceste sisteme construiesc recomandările devine o componentă esențială a strategiei de marketing.
