گزارش جامع شرکت ادوبی (Adobe) درباره رفتار مصرف‌کنندگان اینترنتی نشان میدهد ترافیک ارجاع داده‌شده از موتورهای هوش مصنوعی زاینده، درآمد بهازای هر بازدید (RPV) را در سایتهای خردهفروشی ۸۳ درصد نسبت به ترافیک سنتی افزایش میدهد. علاوه بر این، نرخ تبدیل کاربرانی که از مسیر هوش مصنوعی وارد فروشگاههای اینترنتی شدهاند، در ماه سپتامبر ۹۰ درصد بالاتر از سایر کانال‌های ورودی بوده است؛ رقمی خیره‌کننده که نشان میدهد ارجاعات هوش مصنوعی دیگر یک کنجکاوی زودگذر آماری نیست، بلکه کانالی با بالاترین قصد خرید (Purchase Intent) محسوب می‌شود.
این تغییر رفتار در مقایسه با داده‌های سال گذشته تحولی انقلابی به شمار می‌رود. در آگوست ۲۰۲۵، ترافیک ورودی هوش مصنوعی ۹ درصد عملکرد بدتری در نرخ تبدیل نسبت به ترافیک ارگانیک و تبلیغات ثبت کرده بود؛ اما در سپتامبر ۲۰۲۶ این شاخص با جهشی تاریخی به ۹۰ درصد بالاتر رسید. تحلیل تعامل مخاطبان نیز این روند را تأیید میکند: بازدیدکنندگانی که از چت‌بات‌های هوش مصنوعی هدایت شدهاند، ۷۳ درصد زمان بیشتری را در سایت سپری می‌کنند، ۲۵ درصد صفحات بیشتری از محصولات را مشاهده می‌نمایند و نرخ افزودن به سبد خرید توسط آنها ۵۳ درصد بالاتر است. در مجموع، حجم ترافیک خردهفروشی ناشی از هوش مصنوعی در آمریکا نسبت به سال قبل ۷۱ درصد و از اکتبر ۲۰۲۴ تاکنون ۱۷۷۲ درصد رشد یافته است.
تحلیل‌گران دلیل این عملکرد استثنایی را در رفتار جست‌وجوی پیش از کلیک می‌دانند. خریداران بخش اعظم مرحله تحقیق، مقایسه ویژگی‌ها، بررسی مشخصات و رفع ابهامات را درون محیط چت هوش مصنوعی انجام می‌دهند و زمانی که روی لینک وب‌سایت کلیک می‌کنند، عملاً تصمیم به خرید گرفته‌اند. این دگرگونی، ماهیت صفحات فرود (Landing Pages) را تغییر میدهد؛ صفحه فرود دیگر وظیفه آشنا کردن کاربر با برند را ندارد، بلکه باید فرآیند نهایی‌سازی تراکنش و هدایت به درگاه پرداخت را بدون کوچک‌ترین اصطکاک تسهیل کند.
بخش دیگری از پژوهش ادوبی به ارزیابی «امتیاز خوانایی استناد هوش مصنوعی» (Citation Readability Score) در وب‌سایت‌ها اختصاص دارد. میانگین خوانایی صفحات خانگی خرده‌فروشی‌های برتر آمریکا تنها ۶۳ درصد ارزیابی شده است، به این معنا که بیش از یک‌سوم محتوای سایت‌ها برای خزنده‌ها و مدل‌های هوش مصنوعی قابل درک، استخراج و نقل‌قول دقیق نیست. دسته‌بندی لوازم الکترونیکی با ثبت امتیاز ۷۹ درصد بهترین عملکرد را داشت، چرا که راهنماهای راه‌اندازی، جداول مشخصات فنی دقیق و محتوای خدمات مشتریان به مدل‌ها زمینه کافی برای درک محصول می‌دادند. در مقابل، صفحات فروشگاههای عمومی به دلیل طراحی‌های بصری پیچیده و کمبود توضیحات ساختاریافته متنی، امتیاز ضعیف ۴۰ درصد را دریافت کردند. این یافته‌ها بر ضرورت بازطراحی استراتژی محتوا بر مبنای بهینه‌سازی موتورهای پاسخ (AEO) تأکید دارد.