AI за e-commerce има нужда от по-добро търсене, не от по-големи каталози
Пускането на Ontology 1 от Onton на 2 август 2026 г. е един от по-полезните сигнали в AI за e-commerce тази година, защото е насочено към проблем, който търговските екипи усещат всеки ден: клиентите търсят неща, които каталозите никога не са били създадени да описват добре. Според анализа на MarkTechPost за анонса, Ontology 1 е постигнал средна precision@10 от 0.630 в бенчмарка Subtext-Decor-90 на Onton, изпреварвайки Google Shopping с 0.543 и Amazon с 0.469.
На практика това не означава, че търговците трябва да подменят изцяло съществуващото си търсене. Означава, че следващият конкурентен слой в commerce search се превръща в проблем на интеграция и разсъждение: по-добри продуктови данни, по-добри сигнали за доверие и по-добър начин за съпоставяне на неясния човешки език с проверими продуктови характеристики.
Onton’s release matters because shopper intent is getting messier
Водещото число се повтаря лесно: Ontology 1 печели директно 52 от 90 заявки в бенчмарка, като индексира приблизително 1% от каталозите с мащаб на конкурентите. Но по-важният детайл е типът заявки, с които очевидно се справя добре. Това не са прости търсения по марка или цена. Това са дълги, натоварени с изисквания промптове като мебели, подходящи за домашни любимци, тапицерия, която се почиства лесно, или discovery сценарии, оформени от настроение, ограничения и отрицания.
Това става все по-релевантно, тъй като AI conversational agents се приближават до storefront-а. Конвенционалната search лента очаква потребителят да преведе намерението си в категорийни филтри. Shopping agent-ът прави обратното: запазва езика на клиента и очаква системата отдолу да разсъди по него.
Собствената теза на Onton, обобщена от MarkTechPost, е, че интерфейсът към каталога почти не се е променил за близо 30 години. Това наблюдение е напълно достоверно. Повечето retail search стекове все още зависят от продуктови заглавия, подадени от продавачите атрибути, исторически click данни и някакво ниво на vector retrieval. Тези инструменти работят добре, когато продуктовата таксономия е стабилна и потребителят знае какво да поиска. Работят значително по-слабо, когато клиентът всъщност описва проблем, вместо да назовава артикул.
Why keyword and vector retrieval break on high-friction shopping queries
Тук провалът е структурен. Ключовите думи са чупливи, когато търсеното качество е подразбиращо се, а не етикетирано изрично. Vector retrieval подобрява recall-а, но пак зависи силно от качеството и последователността на продуктовия текст. Ако листингът казва малко, казва грешното или казва правилното по ненадежден начин, embedding-ите могат да мащабират този хаос, вместо да го поправят.
Например може изобщо да няма изрично поле в каталога за pet-friendly, easy to clean, безопасно за тясно стълбище или достатъчно приглушено, за да не събуди партньор в 3 сутринта. Съобщеното предимство на Ontology 1 е, че се опитва да разложи тези фрази до по-обективни свойства и след това да разсъждава напред. Това е по-близо до проблем на AI integration architecture, отколкото до чист моделeн проблем, защото зависи от това как продуктовите атрибути, ревютата, противоречията и сигналите за доверие преминават през целия стек.
От playbook-а на Encorp: Когато търговците казват, че търсенето не работи, моделът рядко е единственият проблем. Коренната причина обикновено е проблем в стека: непълни атрибути, слаба ranking логика, шумно seller съдържание и липса на measurement слой за трудни заявки. Затова commerce екипите често получават повече стойност от добре ограничена услуга за AI e-commerce product recommendations, обвързана с почистване на данните и пилотни метрики, отколкото само от смяна на модела.
Полезно сравнение е по-широкият преход при retrieval-augmented системите. Насоките на Google за structured data при product изживявания отдавна отразяват същата базова истина: по-добрите machine-readable продуктови факти често са толкова важни, колкото и по-добрите ranking алгоритми. Onton просто избутва тази логика една стъпка по-далеч, като прави слоя на разсъждението явен.
The real novelty is inspectable reasoning, not just a better benchmark score
Силен бенчмарк помага, но по-интересното твърдение е inspectable world model-ът. По информацията до момента Ontology 1 разсъждава на база fiber, weave, construction, reviews и source quality, вместо просто да се доверява на seller етикети. На практика това създава път към по-добър AI analytics върху това защо дадени резултати са излезли и кои пропуски в продуктовите данни потискат релевантността.
Това е важно, защото commerce екипите често се затрудняват да дебъгват релевантността. Ако един vector-базиран AI recommendation engine дава слаби резултати, операторите виждат изхода, но не винаги и логиката зад него. World model с експлицитни връзки между свойства предлага различна оперативна полза: търговците могат да проследят провалите до липсващи доказателства, противоречиви доказателства или слабо покритие на каталога.
Това също улеснява поетапното внедряване на подобни системи. Един търговец не трябва да предава наведнъж всеки клас заявки. Може да започне с long-tail discovery, термини за търсене с ниска конверсия или продуктови категории, чувствителни към доверие, и да сравни представянето спрямо действащото retrieval решение.
Полезна външна отправна точка е публикуваната работа на Amazon върху product graph и retrieval системи. Големите commerce платформи от години свързват продукти, атрибути и поведенчески сигнали, защото чистото съпоставяне по текст не е достатъчно в мащаб. Твърдението на Onton е, че neurosymbolic reasoning може да компресира част от тази стойност в по-инспектируем стек.
“The future of AI is likely to be neuro-symbolic: combining the strengths of deep learning and symbolic reasoning.”
Цитатът е широк, но пасва на случая. Важното за операторите не е философската елегантност. Въпросът е дали този дизайн намалява броя на скъпите провали в търсенето при заявки с висок intent.
The benchmark is promising, but the methodology leaves open questions
Subtext-Decor-90 е полезен, защото Onton е публикувал code и data, а също и защото е сравнил видимите top-10 product cards чрез трима независими LLM съдии: Claude Opus 4.8, Gemini 3.1 Pro и GPT-5.5. Докладваните 95% confidence intervals също правят представянето по-сериозно от типично vendor твърдение.
Все пак ограниченията са важни. Krippendorff’s alpha от 0.465 означава, че съгласието между съдиите е било умерено. Това не обезсилва резултата, особено след като и тримата съдии поставят Onton пред Google Shopping и Amazon, но означава, че абсолютните стойности на precision не бива да се приемат като окончателна истина.
Вторият важен нюанс е вертикалният обхват. Засега Onton индексира home decor и furniture. Това е категория, в която описателните нюанси, езикът на стила и меките ограничения имат голямо значение. Методологията може да се генерализира, но наличните доказателства към момента са само в една вертикала.
Третият нюанс е достъпът. Няма публичен API, open checkpoint или self-serve ценови план. Според изходния материал партньорският достъп се дава case by case. За купувачите това променя модела на оценка. Това не е стандартна e-commerce AI integration, при която екипът може да направи бърз proof of concept по публична документация. По-скоро става дума за deployment, воден от партньорство.
За контекст, този партньорски подход става все по-често срещан при high-performance приложни AI системи, където моделът е само един слой, а търговското разграничение е в data pipeline-ите, ranking workflow-ите и оперативния tuning.
Where Amazon still wins tells retailers how to pilot this technology
Някои от загубите на Ontology 1 може да са дори по-поучителни от победите му. По информацията до момента Onton се е представил по-слабо от Amazon при заявки за функционални спецификации като лампа, която няма да събуди партньор, или продукт за необичайно дълбок перваз. Тези случаи облагодетелстват широко каталожно покритие и зрели category metadata.
Това напомня, че тук няма универсален слой за замяна. Утвърдените играчи все още имат предимство, когато заявката е доминирана от широчина, структурирани спецификации и исторически данни. Един neurosymbolic подход изглежда най-силен там, където езикът на клиента е неясен, качествен или противоречив.
За търговци и marketplace-и това подсказва практичен план за внедряване:
- Идентифицирайте класовете заявки, при които текущото ви търсене се проваля най-често.
- Разделете discovery-heavy промптовете от заявките с твърди спецификации.
- Измервайте ръста по conversion, reformulation rate, zero-result rate и assisted revenue.
- Добавете AI task automation около извличането на атрибути и нормализацията на ревюта, преди да променяте front-end изживяването.
Тази последна стъпка често се пропуска. Ако слоят на разсъждение зависи от обективни свойства, тогава качеството на каталога нагоре по веригата става променлива от първи ред. Работата по внедряването не е бляскава, но точно там много пилоти успяват или се провалят.
What retailers and marketplaces should do next
Mid-market и enterprise commerce екипите трябва да четат анонса на Onton не като присъда за това кой има най-добрия модел, а като сигнал накъде се движи search. Стекът се измества към разсъждение върху продуктови факти, trust scoring, multimodal evidence и интерфейси, готови за агенти.
Това влияе върху решенията за покупка по два начина. Първо, оценката на търсенето трябва да излезе отвъд общите тестове за релевантност и да включи дълги, неясни и high-friction заявки. Второ, собствениците на roadmaps трябва да третират search като част от по-широка система за AI за e-commerce, която свързва merchandising, нормализация на съдържание, продуктови данни, ревюта и agent surface-и.
Най-силният извод е оперативен: ако един commerce екип вече знае, че губи при discovery заявки с много изисквания, следващият ръст може да не дойде от по-голям каталог или по-голям embedding модел. Може да дойде от по-добро разсъждение върху каталога, който вече има.
FAQ
Is Ontology 1 deployable today?
Да, но само чрез партньорски модел. Според изходния материал системата е активна в Onton.com, а партньорският достъп се предоставя case by case. Няма публичен API или отворено изтегляне на модела.
Should retailers replace their current AI recommendation engine with this approach?
Обикновено не. Search и recommendation решават различни проблеми. Търговецът трябва да тества neurosymbolic search върху discovery заявки, склонни към провал, като същевременно запази съществуващия recommendation engine за similarity, upsell и поведенческа персонализация.
What is the most important implementation lesson from this release?
Третирайте релевантността като системен проблем. Качеството на модела има значение, но продуктовите атрибути, сигналите за доверие в ревютата, ranking workflow-ите и измерването на интеграцията обикновено определят дали една e-commerce AI integration ще доведе до реален приходен ефект.
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation