L’esperienza d’acquisto online, sebbene ricca di opzioni, è spesso un esercizio estenuante di navigazione tra decine di schede, recensioni parziali e siti di comparazione. Questa operazione, definita spesso sifting (setacciamento), è l’esatto problema che OpenAI mira a risolvere con l’introduzione di Shopping Research, una nuova e esperienza integrata direttamente in ChatGPT.

Questo non è semplicemente un “cercatore di prodotti” più veloce, ma un vero e proprio co-pilota decisionale. Il salto di qualità risiede nella sua capacità di trasformare la scoperta di prodotti da un atto di ricerca passivo a un dialogo attivo e personalizzato. Invece di limitarsi a eseguire una query secca come un motore di ricerca tradizionale, il sistema inizia il processo ponendo domande chiarificatrici intelligenti: Qual è il tuo budget preciso? Quali sono le priorità tra silenziosità e potenza? A chi è destinato l’oggetto?

Questa fase “agentica” iniziale è cruciale. Sfruttando la memoria utente di ChatGPT e la cronologia delle conversazioni precedenti, Shopping Research è in grado di affinare i vincoli di ricerca con una pertinenza che nessun filtro di e-commerce standard può replicare. Ad esempio, se l’utente ha precedentemente discusso di sessioni di gaming, il sistema integrerà automaticamente tale preferenza nel consigliare un nuovo laptop, anche se la richiesta iniziale era generica.

La forza di Shopping Research emerge nelle categorie ad alta densità di dettagli e compromessi, come l’elettronica di consumo, gli elettrodomestici, i prodotti per la bellezza e l’arredamento. Laddove una risposta standard di ChatGPT è sufficiente per un prezzo o una specifica tecnica basilare, Shopping Research si attiva per fornire la profondità necessaria per una decisione complessa.

Il flow d’uso è interattivo:

  • L’utente descrive l’esigenza (es. “Trovami il miglior passeggino leggero, compatto, adatto a marciapiedi cittadini e un po’ di sterrato, con un budget medio-alto”)
  • Il sistema apre un’interfaccia visiva dove inizia a interrogare il web in tempo reale
  • Le opzioni vengono presentate progressivamente, consentendo all’utente di guidare attivamente il processo di selezione
  • Si può quindi marcare un prodotto come “Non interessato” o richiedere “Più prodotti simili”, adattando l’algoritmo alle preferenze in tempo reale

Questo ciclo di feedback rapido, abbinato alla sintesi di informazioni aggiornate su prezzi, disponibilità, specifiche e recensioni da fonti autorevoli, culmina in una guida all’acquisto personalizzata che riepiloga i prodotti di punta, ne evidenzia le differenze cruciali e compromessi chiave in un formato coeso che altrimenti richiederebbe ore di comparazione manuale.

Shopping Research ChatGPT

Il motore specializzato: GPT-5 mini e reinforcement learning

Il segreto tecnico dietro l’efficacia di questa funzione risiede nel suo motore, una versione ottimizzata di GPT-5 mini. Questo non è un modello generico, ma è stato specificamente addestrato utilizzando tecniche di reinforcement learning (apprendimento per rinforzo) per eccellere nelle attività di shopping.

Questo fine-tuning è la chiave della sua superiorità. Le metriche interne, basate su un nuovo evaluation set composto da query complesse con vincoli multipli, mostrano che Shopping Research raggiunge un tasso di accuratezza del prodotto del 64%, un miglioramento significativo rispetto ad altri modelli GPT-5 (ad esempio, GPT-5-Thinking-mini si ferma al 56%). L’accuratezza è misurata come la percentuale di prodotti suggeriti che soddisfano effettivamente tutti i requisiti specificati dall’utente (prezzo, specifiche, ecc.).

screenshot-openai.com-2025.11.25-09_36_25

Trasparenza, Integrazione e Limiti

OpenAI ha posto un forte accento sulla trasparenza e la fiducia, cruciali in un contesto commerciale. Il sistema opera infatti in modo organico, basandosi su siti di vendita al dettaglio disponibili pubblicamente, citando sempre le fonti e impiegando un sistema di filtraggio rigoroso per evitare siti di bassa qualità o spam. Viene inoltre garantito che le conversazioni degli utenti non vengono mai condivise con i rivenditori.

Attraverso ChatGPT Pulse (disponibile per gli utenti Pro), il sistema può anche suggerire guide all’acquisto in modo proattivo. Ad esempio, una discussione su una e-bike potrebbe innescare una futura notifica con consigli personalizzati sugli accessori pertinenti.

Nonostante le performance elevate, OpenAI mantiene una posizione di cautela, riconoscendo i limiti intrinseci visto che l’accuratezza non è perfetta al 100%. Shopping Research, come ogni modello basato su dati web, può commettere errori su dettagli dinamici come il prezzo e la disponibilità in tempo reale. Per questo motivo, si incoraggia sempre l’utente a verificare i dettagli finali sul sito del rivenditore prima di procedere all’acquisto.

L’introduzione di Shopping Research è quanto mai tempestiva, con un’offerta di utilizzo quasi illimitato per tutte le tipologie di piano utente durante le festività natalizie, un periodo cruciale per l’e-commerce. Il roll-out è in corso su tutte le piattaforme mobile e web per gli utenti Free, Go, Plus e Pro.

(Immagine in apertura: Shutterstock)