Raport LLM Shelf „Nowa półka beauty. Kosmetyki w oczach AI” analizuje sposób, w jaki sztuczna inteligencja rekomenduje produkty kosmetyczne. W badaniu uwzględniono Claude Sonnet 4.5, Gemini 3.5 Flash, Google AI Overview, OpenAI GPT-5.4 mini oraz Perplexity Sonar Pro.
Analizowano rekomendacje dotyczące m.in. trądziku, oznak starzenia się skóry, odbudowy bariery hydrolipidowej, oczyszczania, nawilżania, przebarwień, skóry wrażliwej oraz ochrony przeciwsłonecznej.
La Roche-Posay najczęściej pojawia się w rekomendacjach, CeraVe najczęściej je otwiera
W całym badaniu La Roche-Posay pojawiła się jako pozytywna rekomendacja w 1260 z 3200 odpowiedzi, czyli w 39,4 proc. przypadków. CeraVe uzyskała wynik 36,7 proc. Kolejne miejsca zajęły Bioderma (16,2 proc.), BasicLab (14,6 proc.) i Bielenda (13,3 proc.).
Inaczej wygląda sytuacja, kiedy zamiast samej obecności marki analizujemy jej pozycję na początku rekomendacji. CeraVe była pierwszą rekomendowaną marką w 685 odpowiedziach, czyli w 21,4 proc. całej próby. La Roche-Posay znalazła się na pierwszym miejscu 343 razy, co odpowiada 10,7 proc. odpowiedzi.
Każdy model AI układa własną półkę
Badanie pokazuje również, że nie można traktować sztucznej inteligencji jako jednego kanału rekomendacji. Poszczególne modele różniły się zarówno częstotliwością wskazywania konkretnych marek, jak i składem tworzonych przez nie shortlist.
Najczęściej markę rekomendowało Gemini 3.5 Flash – w 91,2 proc. analizowanych odpowiedzi. W Google AI Overview było to 81,2 proc., w Claude Sonnet 4.5 – 80,3 proc., w OpenAI GPT-5.4 mini – 64,4 proc., a w Perplexity Sonar Pro – 54,4 proc.
Różniły się również marki pojawiające się na czołowych miejscach. Claude najczęściej wskazywał La Roche-Posay, CeraVe i Biodermę. Gemini również stawiał na La Roche-Posay i CeraVe, ale wysoko pojawiały się w nim także BasicLab i Bielenda. Google AI Overview oraz OpenAI GPT-5.4 mini jako pierwszą markę wskazywały CeraVe, natomiast Perplexity – La Roche-Posay.
Potrzeba skóry zmienia rekomendację
Jeszcze większe różnice pojawiały się po zmianie problemu, z którym użytkownik przychodził do AI.
CeraVe miała najwyższy recommendation rate w czterech z ośmiu analizowanych obszarów: nawilżaniu (45,2 proc.), oczyszczaniu (53 proc.), odbudowie bariery (51,7 proc.) i trądziku (43,8 proc.).
La Roche-Posay prowadziła natomiast w rekomendacjach dotyczących SPF (48,2 proc.), przebarwień (36 proc.), skóry wrażliwej (49,2 proc.) oraz aging i retinoidów (30,5 proc.).
Pierwsza pozycja wyglądała jeszcze inaczej. CeraVe najczęściej otwierała rekomendację w sześciu z ośmiu analizowanych obszarów. Przy przebarwieniach pierwsza była Eucerin, a przy SPF – La Roche-Posay.
Odpowiedź na pytanie „jaką markę kosmetyczną poleca AI?” może wyglądać zupełnie inaczej w zależności od tego, czy pyta o krem nawilżający, produkt na trądzik, kosmetyk dla skóry wrażliwej czy ochronę przeciwsłoneczną.
Jedno dodatkowe pytanie może zmienić rekomendację
Raport pokazuje również, że pierwsza odpowiedź AI nie musi być końcem procesu zakupowego. Badacze przeprowadzili 1180 follow-upów, pytając m.in. o jeden najlepszy produkt, zamiennik, produkt uzupełniający czy tańszą alternatywę.
W pytaniach o zamiennik najczęściej pojawiała się La Roche-Posay – w 41,5 proc. odpowiedzi. CeraVe uzyskała 30,1 proc., a dalej znalazły się Eucerin, Bioderma i BasicLab.
Kiedy użytkownik pytał natomiast, co jeszcze dobrać do wcześniej rekomendowanego produktu, pierwsze miejsce zajmowała CeraVe z wynikiem 47,9 proc.
Jeszcze inaczej wyglądały odpowiedzi, gdy użytkownik wymagał wskazania tylko jednego produktu. CeraVe była wtedy pierwszym wyborem w 25,6 proc. odpowiedzi, przed La Roche-Posay z wynikiem 18,4 proc.
Zmiana budżetu otwiera przestrzeń dla innych marek
Jednym z najbardziej wyraźnych efektów kolejnego pytania była zmiana budżetu.
W bazowym badaniu liderami były La Roche-Posay i CeraVe. Po wprowadzeniu ograniczenia cenowego na czele follow-upów znalazły się Ziaja (36 proc.), Bielenda (25,4 proc.), CeraVe (22 proc.), Eveline (17,4 proc.) i Isana (14,4 proc.).
La Roche-Posay, która w całym benchmarku miała recommendation rate na poziomie 39,4 proc., w module dotyczącym zmiany budżetu pojawiała się w 4,2 proc. odpowiedzi.
Autorzy raportu zaznaczają, że nie jest to klasyczny test uplift i wartości te nie powinny być porównywane jako identyczne wskaźniki. Wynik pokazuje jednak, jak mocno zmiana kryterium wyboru może zmienić zestaw marek pojawiających się w odpowiedzi AI.
AI podpowiada również, gdzie kupić kosmetyk
Badanie objęło także ścieżkę zakupową. Modele nie ograniczały się do odpowiedzi na pytanie, jaki kosmetyk wybrać. W części przypadków wskazywały również kanał lub konkretnego sprzedawcę.
W 36,4 proc. analizowanych odpowiedzi AI wskazywało ogólny kanał zakupu, a 21,1 proc. wymieniało konkretnego retailera. W 13,1 proc. odpowiedzi wyraźnie wskazano miejsce zakupu.
Wśród retailerów zdecydowanie wyróżniał się Rossmann. Pojawił się w 81,6 proc. odpowiedzi zawierających rekomendację sklepu i w 63,3 proc. przypadków był pierwszą wymienioną siecią. Jednocześnie 70,8 proc. takich odpowiedzi wskazywało więcej niż jednego sprzedawcę.
Co istotne, ponad połowa rekomendacji konkretnego sklepu pojawiła się bez bezpośredniego pytania o miejsce zakupu. Spośród 414 odpowiedzi z wyraźnie wskazanym miejscem zakupu 213 pochodziło z neutralnych promptów, a 201 z pytań sugerujących budżet, dostępność lub kanał.
Rekomendacja sklepu nie oznacza przy tym automatycznie rekomendacji jego marki własnej. W 338 odpowiedziach kierujących użytkownika do Rossmanna jego marki własne pojawiły się tylko w 22 przypadkach, czyli około 6,5 proc.
Skąd AI czerpie informacje o kosmetykach?
Raport rozdziela również dwie kwestie: źródła, z których korzysta AI, oraz marki i produkty, które ostatecznie rekomenduje.
Wśród najczęściej pojawiających się domen w warstwie źródeł na pierwszym miejscu znalazł się Super-Pharm (1034 wystąpienia), przed Rossmannem (977), American Academy of Dermatology (654), Cosibellą (613) i Hebe (590).
Jednocześnie Rossmann był najczęściej wskazywanym miejscem zakupu. Jak podkreślają autorzy raportu, samo cytowanie danej domeny nie oznacza automatycznie jej wpływu na rekomendację ani tego, że AI kieruje użytkownika do konkretnego sklepu.
Różnice widać również pomiędzy samymi modelami. Gemini pokazywało zarejestrowane źródła w 53,9 proc. odpowiedzi, ale rekomendowało markę w 91,2 proc. Z kolei Perplexity prezentowało źródła w 99,5 proc. odpowiedzi, a markę rekomendowało w 54,4 proc.
AI może rekomendować kosmetyk, ale odpowiedź wymaga weryfikacji
Badanie objęło również ocenę odpowiedzi pod kątem elementów wymagających dodatkowej weryfikacji. W 710 z 3200 odpowiedzi bazowych pojawiła się przynajmniej jedna taka flaga.
Najczęściej dotyczyła ona twierdzenia medycznego lub dotyczącego skuteczności bez wystarczającego źródła – 440 przypadków. W 300 odpowiedziach pojawiła się rekomendacja bez zarejestrowanego źródła, a w 123 brakowało wystarczającego zastrzeżenia dotyczącego bezpieczeństwa przy podwyższonym ryzyku.
Jednocześnie w 200 odpowiedziach dotyczących sytuacji wymagających szczególnej ostrożności konkretna marka została zarekomendowana tylko pięć razy. W pozostałych przypadkach modele zazwyczaj rozpoznawały potrzebę postawienia bezpieczeństwa przed wskazaniem konkretnego produktu.
Nowa przestrzeń dla marek kosmetycznych
Z perspektywy producentów kosmetyków raport pokazuje, że sama obecność marki w odpowiedziach AI nie jest jedynym parametrem, który można analizować. Znaczenie ma również to, jak wysoko marka się pojawia, przy jakich potrzebach jest rekomendowana, w którym systemie, jak stabilna jest rekomendacja i co dzieje się po kolejnym pytaniu użytkownika.
Oznacza to również większe znaczenie treści produktowych przez marki odpowiadających na konkretne pytania konsumentów. Informacje o przeznaczeniu produktu, składnikach, sposobie stosowania, miejscu w rutynie pielęgnacyjnej, możliwych zamiennikach czy łączeniu z innymi kosmetykami mogą mieć znaczenie dla tego, jak marka jest przedstawiana w odpowiedziach generowanych przez AI.
W przypadku sztucznej inteligencji nie ma więc jednej „pozycji marki”. O jej widoczności decyduje jednocześnie to, czy trafia do rozważanych produktów, jak wysoko jest ustawiana, przy jakiej potrzebie pojawia się jako pierwszy wybór, co dzieje się po kolejnym pytaniu, z jakich źródeł korzysta model i dokąd ostatecznie kieruje użytkownika.
