Agentski AI (engl. agentic AI) briše tradicionalne granice između marketinga i prodaje, čak i dok većina kompanija nastavlja da primenjuje ovu tehnologiju odvojeno unutar svake funkcije. Takav pristup propušta priliku da se stvori integrisanije korisničko putovanje, u kojem deljeni podaci i AI agenti omogućavaju marketinškim i prodajnim aktivnostima da funkcionišu kao neprekidna petlja. Kompanije koje žele da iskoriste pune prednosti moraće da preispitaju ne samo svoju tehnologiju, već i svoje radne tokove, metriku, podsticaje i organizacione odgovornosti.

Mnoge B2B kompanije pate od „jaza u vrednosti“: klijenti imaju koristi od njihovih proizvoda, ali ne mogu jasno da izmere, artikulišu ili odbrane tu vrednost pred stejkholderima unutar sopstvenih kompanija. Kao rezultat toga, odluke o obnovi ugovora se odlažu, pritisak na cene raste, a prilike za rast se gube. Ovaj jaz može opstati čak i tokom perioda brzog rasta, a rukovodstvo često prekasno prepozna problem. Rešavanje jaza u vrednosti zahteva napor predvođen izvršnim rukovodstvom kako bi se organizacija uskladila oko poslovnih ishoda za klijenta, kao što su rast prihoda, smanjenje troškova i ublažavanje rizika. Kompanije to mogu postići sistematskim identifikovanjem načina na koje klijenti stvaraju vrednost, ugrađivanjem kvantifikacije vrednosti u prodajni proces i širenjem načina razmišljanja usmerenog na vrednost za klijenta kroz marketing, uspeh klijenata, razvoj proizvoda i određivanje cena. Organizacije koje vrednost za klijenta čine vidljivom i merljivom u boljoj su poziciji da održe rast i ojačaju konkurentsku prednost.

Sistemi za osluškivanje korisnika postali su izuzetno vešti u prepoznavanju onoga što kupci žele i načina na koji se osećaju, ali često previde treći, ključni signal: kada tačno kupci očekuju konkretnu akciju. Kombinovanjem veštačke inteligencije i ljudske procene radi otkrivanja suptilnih naznaka o vremenskom okviru, organizacije mogu donositi kvalitetnije odluke o inovacijama, efikasnije odrediti prioritete u razvoju proizvoda i izbeći prenagljene reakcije na svaku primedbu. Da bi to postigle, kompanije moraju ugraditi faktor hitnosti u sisteme za prikupljanje povratnih informacija, tumačiti signale u njihovom lingvističkom i kulturološkom kontekstu i povezati ih sa jasnim pravilima odlučivanja koja usklađuju brzinu odgovora sa očekivanjima kupaca.

Generativna veštačka inteligencija (AI), posebno veliki jezički modeli (LLMs), nudi obećavajući novi alat za istraživanje tržišta u ranoj fazi simuliranjem reakcija kupaca na koncepte proizvoda. Ovo može omogućiti kompanijama da donose zaključke slične onima koje bi dobile anketiranjem kupaca ili sprovođenjem fokus grupa, ali uz mnogo manje vremena i troškova. Iako LLMs mogu pružiti isplative i brze uvide, i dalje zahtevaju fino podešavanje (fine-tuning) sa vlasničkim podacima kako bi se dobile precizne procene preferencija. I uprkos njihovom potencijalu, LLMs bi trebalo da dopune, a ne da zamene ljudsko istraživanje, jer imaju poteškoća sa nijansiranom segmentacijom kupaca i dinamičnim tržišnim uslovima.

Kako „Kupi sada, plati kasnije“ (Buy Now, Pay Later – BNPL) brzo dobija na popularnosti, mnogi trgovci se pitaju kakav uticaj to ima na njihove poslovne rezultate. Novo istraživanje analiziralo je ponašanje 275.000 potrošača kako bi razumelo uticaj BNPL-a na potrošnju. Istraživači su otkrili da BNPL povećava verovatnoću kupovine i prosečnu veličinu potrošačke korpe za 10%. Ovi efekti su posebno izraženi kod potrošača koji su istorijski pravili manje kupovine. Studija takođe ističe jedinstvenu privlačnost BNPL-a: razbijanjem plaćanja na rate, BNPL daje potrošačima veći osećaj kontrole nad svojim budžetom. Kao rezultat, BNPL kupovine deluju manje finansijski opterećujuće. Ovo istraživanje pruža uvid u posledice za trgovce i osvrće se na nove izazove BNPL-a.