Hur kommersiell intention utvecklas i AI-samtal
En analys av 150 000 äkta AI-samtal
De flesta antaganden om hur användare fattar köpbeslut i AI-sök är fel. Vi analyserade 150 000 äkta samtal för att ta reda på vad som faktiskt händer när kommersiell intention möter AI.
Publicerad mars 2026 av CitationLab
Datasetet i siffror
Vad använder folk egentligen AI till?
Innan vi undersökte kommersiella samtal kartlade vi hela fördelningen av samtalstyper. Transaktionella samtal utgör en liten minoritet av AI-användningen.
Sju nyckelfynd
Kommersiella samtal är en minoritet
Den stora majoriteten av AI-samtal handlar om kodning, skrivande och informationssökning. Under 7% har kommersiell intention.
Pris är den starkaste köpsignalen
När en användare frågar om pris utlöser det en cooling event 31% av gångerna. Prisfrågor är köpsignaler som AI konsekvent misslyckas med att konvertera.
Pris utlöser kraftig cooling
Det genomsnittliga intensitetsfallet efter en prisrelaterad cooling event är -69 poäng. Användaren går från köpklar till tillbaka på ruta ett.
Användare faller tillbaka till TOFU efter AI-hedging
Över 90% av prisutlösta cooling events leder till regression till Problem Focus. AI-svaret klarar inte att sluta decision gap.
Många köpare startar i BOFU
Användare följer ingen upptäcktsresa. Över 4 av 10 vet redan vad de vill ha när de öppnar samtalet.
Den progressiva bågen är sällsynt
Bara 4,4% av transaktionella samtal följer den traditionella TOFU-till-BOFU-progressionen. Den linjära tratten är en myt i AI-sök.
Transaktionella samtal är korta
Kommersiella samtal är korta och handlingsinriktade. Nästan hälften är single turn. Användare vill ha svar snabbt.
Intensitetsbågen
Genomsnittlig kommersiell intensitet över samtalets turns. Lägg märke till det kraftiga fallet från Turn 1 till Turn 2, och den platta TOFU-platån från Turn 2 och framåt.
Kollapsen efter pris
Prisfrågor signalerar köpintention. Men AI-svaret klarar typiskt inte att avsluta affären, och skickar användaren tillbaka till start.
Vad händer efter en prisutlöst cooling event?
Varför händer det här?
Felet är inte priset i sig. Det är precisionen i AI-svaret. Tre svarsmönster utlöser konsekvent att användaren faller tillbaka.
Vagt estimat
AI ger ett prisintervall utan att hjälpa användaren att navigera det.
'Priserna varierar från X till Y beroende på läge och skick'
Hedgat svar
AI svarar rätt, men lägger till ett förbehåll som öppnar en ny oro.
'Det kostar X, men kolla tillgängligheten först'
Inspirationsdrift
AI ger ett svar som får användaren att pivotera till ett större, orelaterat mål.
Användaren frågar om att hyra städare → AI ger pris → användaren pivoterar till 'hur startar jag ett städföretag'
Äkta samtalsexempel
Tre dokumenterade samtal från vårt dataset som visar pris-till-cooling-mönstret i praktiken.
Tyst regression
Användare som undersöker begagnade bilar frågar om kostnader. AI ger vaga estimat. Användaren lämnar ämnet helt.
Osäkerhetskaskad
Användare med bokad Genius Bar-tid frågar om diagnostik. AI hedgar. Användaren tappar fokus och driver till orelaterade ämnen.
Scope-expansion
Användare frågar om dagspris för fönsterputsare. AI ger prisintervall. Användaren pivoterar från att hyra putsare till att starta eget städföretag.
Vad kan du göra åt det här?
Grundorsaken till låg decision closure är webbplatsinnehåll som tvingar AI att hedga. Fyra innehållsmönster på källsidor orsakar konsekvent dåliga AI-svar.
Ersätt 'priser från X' med scenariobaserad prissättning. T.ex. 'För en standardbostad på 150 m2: X. För 200 m2: Y.'
Flytta alla förbehåll till en separat FAQ-sektion. Led med det konkreta svaret.
Implementera JSON-LD schema markup (Product, Offer, PriceSpecification) för alla transaktionella sidor.
Varje tjänstesida behöver en tydlig, maskinläsbar konverteringsväg. Berätta för AI:n vad som händer efter köp.
Vanliga frågor
Bara 6,8% av de 150 000 analyserade AI-samtalen hade kommersiell intention. Den stora majoriteten handlar om kodning, skrivande och allmän informationssökning.
I den här analysen hamnade 66,8% av samtalen i kategorin 'övrigt', medan 12,6% var skrivrelaterade, 12,3% var kodrelaterade och 3,4% var informationssökning. Transaktionella samtal utgjorde bara 1,8% av alla samtal.
När en användare frågar om pris följer en cooling event 31% av gångerna — med ett genomsnittligt intensitetsfall på -69 poäng. Över 90% av dessa cooling events leder till att användaren faller tillbaka till Problem Focus (TOFU), det vill säga att AI-svaret inte klarar att sluta decision gap.
Nej. Bara 4,4% av transaktionella samtal följer den klassiska TOFU-till-BOFU-progressionen. Faktum är att 41% av användarna startar samtalet redan i BOFU — de vet vad de vill ha före första meddelandet.
Transaktionella samtal är i genomsnitt bara 2,92 turns. Nästan hälften (48%) består av ett enda turn. Användare i kommersiellt läge vill ha direkta svar, inte långa fram-och-tillbaka-utbyten.
Mät din egen decision closure
Den här analysen bygger på aggregerad data. Med CitationLab får du varumärkesspecifik samtalsanalys tvärs över ChatGPT, Gemini och Google AI Overview.
Läs hela artikeln på LinkedInVar detta till hjälp?