De beste productomschrijving staat misschien in je reviews

In dit artikel:

Consumenten gebruiken steeds vaker AI om producten te ontdekken en te vergelijken. Volgens Salesforce doet 39 procent dat al, onder Gen Z 54 procent. Ook onderzoek van Adobe laat zien dat generatieve AI vooral wordt ingezet voor productonderzoek en aanbevelingen. In plaats van enkele zoekwoorden beschrijven consumenten in een AI-gesprek hun situatie, wensen en afwegingen: niet zomaar een zwart T-shirt, maar een comfortabel exemplaar voor lange dagen in de stad dat ook geschikt is voor een diner.

Die ontwikkeling verandert de eisen aan productinformatie. Webshops leggen doorgaans vooral kenmerken vast zoals materiaal, kleur, maat, prijs en voorraad. Die gegevens zijn belangrijk voor filters, advertenties en logistiek, maar vertellen niet altijd waarom een product bij een specifieke behoefte past. Een productomschrijving kan bijvoorbeeld melden dat een T-shirt van katoen is en een regular fit heeft, maar niet dat het zacht aanvoelt, de hele dag comfortabel blijft en goed onder een blazer kan.

Juist die ontbrekende context staat vaak in reviews. Een klant kan beschrijven dat het shirt tijdens een weekend in Parijs de hele dag prettig zat en ’s avonds met een blazer werd gedragen. Zulke ervaringen beantwoorden rechtstreeks de vragen die een consument aan AI stelt. Reviews laten zien hoe, wanneer en waarvoor een product wordt gebruikt, welke verwachtingen het vervult en waar het tegenvalt.

Onderzoek ondersteunt die waarde. Studies naar reviews bij onder meer restaurants, hotels en schoonheidssalons laten zien dat gebruikscontext systematisch herkenbaar is en aanbevelingen kan verbeteren. Een analyse van ongeveer 1,6 miljoen Amazon-reviews wees bovendien uit dat reviews vooral nuttig zijn wanneer ze dezelfde onderwerpen behandelen als de productomschrijving, maar die in de taal van de klant beschrijven. Context staat daarbij vaak in langere zinnen, aan het begin van een review en in verwijzingen naar concrete momenten.

Hetzelfde geldt voor andere sectoren, zoals cosmetische klinieken. Een behandelpagina vermeldt meestal het type behandeling, de duur en de prijs, terwijl cliënten schrijven over hun werkhervatting, een natuurlijk resultaat of hoe zij eruitzagen tijdens een belangrijke gebeurtenis. Dat zijn precies de motieven en praktische vragen die toekomstige cliënten aan AI voorleggen.

Voor marketeers betekent dit dat een goede productfeed en technieken zoals GEO niet voldoende zijn. Organisaties moeten klanttaal en productdata beter met elkaar verbinden. Reviews, retourredenen, klantenservicegesprekken en klantonderzoek kunnen worden geanalyseerd op terugkerende situaties, motieven en momenten. Reviewverzoeken kunnen behalve om sterren ook vragen naar het gebruik van een product. Veelgenoemde ervaringen kunnen vervolgens worden verwerkt in de productinformatie, zodat duidelijker wordt voor wie en welke situatie een aanbod geschikt is. Negatieve reviews en retourredenen helpen daarnaast om verschillen tussen verwachting en werkelijkheid te signaleren.

Reviews zijn daarbij geen foutloze bron: ze kunnen subjectief, verouderd of gemanipuleerd zijn. Meer data is daarom niet automatisch betere data; betrouwbaarheid en kwaliteitsbewaking blijven noodzakelijk. De kern is dat consumenten hun behoeften steeds preciezer in natuurlijke taal kunnen formuleren, terwijl productcatalogi vaak nog zijn ingericht rond categorieën en filters. Bedrijven moeten daarom niet alleen zorgen dat AI hun aanbod vindt, maar ook begrijpelijk maken waarom het bij een concrete behoefte past. Hun klanten hebben die uitleg vaak al gegeven.