A busca por palavras-chave está morrendo. Seu catálogo está pronto para agentes de IA? — PayPal

Autoria: AI Engineer · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Keyword Search Is Dying. Is Your Catalog Ready for AI Agents? — PayPal · Canal: AI Engineer · 15:16 · Assistir no YouTube

Tópicos: Agentes de IA, Dados, bancos de dados e embeddings, RAG, busca e recuperação de informação

Resumo

Nixon Den, da PayPal, explica como o comércio está evoluindo da busca por palavras-chave para interações baseadas em intenção e, futuramente, para a delegação de tarefas a agentes de IA. Nesse cenário, os catálogos tradicionais podem não oferecer dados legíveis ou completos o suficiente para que os agentes encontrem e recomendem produtos. Experimentos apresentados mostram que enriquecer dados de produtos pode melhorar as recomendações, sobretudo em catálogos com informações escassas, mas excesso de conteúdo pode aumentar alucinações e prejudicar os resultados. A recomendação é avaliar o catálogo e priorizar conteúdo estruturado, relevante e de qualidade.

Pontos-chave

O comércio está passando de uma era de busca por palavras-chave para uma era em que consumidores expressam suas necessidades em linguagem natural.
A confiança nas recomendações dos agentes pode levar consumidores a delegar mais tarefas de compra a eles.
Catálogos criados para plataformas tradicionais de publicidade e busca nem sempre são legíveis ou adequados para agentes.
A busca por palavras-chave é precisa e previsível, mas pode deixar passar a intenção do usuário; a busca semântica considera o significado, mas pode perder o foco.
Combinar busca por palavras-chave e busca semântica é apresentado como uma abordagem híbrida.
O tipo de enriquecimento adequado depende do catálogo existente; não há uma solução única para todos os negócios.
Os experimentos indicaram que o enriquecimento pode melhorar recomendações, especialmente para catálogos com dados escassos ou fracos.
Qualidade e estrutura dos dados importam mais do que simplesmente adicionar texto; conteúdo excessivo ou irrelevante pode diluir o sinal e favorecer alucinações.

Capítulos

Início	Capítulo	Resumo
00:01	Comércio com agentes e a evolução das compras	Nixon Den apresenta a transição do comércio para canais com agentes de IA e explica por que os comerciantes precisam se preparar.
02:07	Da busca por palavras-chave à intenção	A palestra descreve a mudança de consultas curtas para pedidos em linguagem natural e a possível delegação de compras a agentes.
04:14	Oportunidade para o comércio com agentes	Den apresenta projeções e dados sobre o uso de IA nas compras e sobre o potencial de conversão das interações com agentes.
07:25	Por que os catálogos precisam mudar	Catálogos tradicionais podem não estar preparados para agentes, cujos modelos e critérios de recomendação também variam.
08:58	Busca por palavras-chave e busca semântica	A palestra compara os pontos fortes e as limitações de cada tipo de busca e defende uma abordagem híbrida.
11:03	Como enriquecer os dados de produtos	Den explica que o enriquecimento deve considerar o catálogo existente e mostra exemplos de atributos, descrições e avaliações.
13:08	Resultados dos experimentos e recomendações	Os experimentos indicam benefícios do enriquecimento, mas também mostram que excesso de conteúdo pode prejudicar as recomendações.

Citações

Esse modelo colocava sobre o comprador o peso de encontrar o que precisava. — 02:38

A busca por palavras-chave é bastante precisa. A busca semântica é inteligente, mas muito imprecisa. — 10:32

O enriquecimento não serve igualmente para todos. — 11:33

Mais texto não é melhor. — 15:16

Conceitos e entidades

PayPal (empresa): Empresa em que Nixon Den lidera iniciativas relacionadas ao comércio e aos pagamentos com agentes de IA.
Nixon Den (pessoa): Diretor de produto de comércio com agentes na PayPal e apresentador da palestra.
agentic commerce (conceito): Modelo de comércio em que agentes de IA ajudam consumidores a descobrir produtos e realizar tarefas de compra.
keyword search (conceito): Busca que compara termos literais da consulta com palavras presentes nos dados dos produtos.
semantic search (conceito): Busca que considera o significado e a intenção da consulta, em vez de depender apenas de correspondências literais.
hybrid search (conceito): Abordagem que combina a precisão da busca por palavras-chave com a compreensão de significado da busca semântica.
catalog enrichment (conceito): Processo de complementar os dados de produtos com atributos, descrições, contexto de compra e sinais de confiança relevantes.

Tradução completa (pt-BR)

00:01 [música] Olá, pessoal. Sejam bem-vindos. Eu sou Nixon Den. Sou diretor de produto de Aenticcommerce na PayPal. E, na prática, isso significa que lidero muitos dos nossos esforços para entender como os agents de IA estão remodelando as compras e os pagamentos. E, sabe, passei a maior parte da minha carreira trabalhando com comércio e pagamentos. E, neste momento, estou muito

00:32 animado para ajudar os comerciantes a navegar essa mudança rumo ao comércio impulsionado por agents. E, especificamente, o que vamos abordar hoje é a parte do catálogo, como deixá-lo pronto para agents e compartilhar alguns dos aprendizados dessa jornada. Então, acho muito importante alinharmos um pouco as expectativas ao analisarmos a evolução do comércio. Vimos a transformação das transações presenciais em lojas físicas para o surgimento do e-commerce, que começou de forma bastante

01:04 linear. Um usuário simplesmente pesquisava e comprava em sites de e-commerce e, depois, com a internet 2.0, vimos isso se transformar ainda mais em canais mais complexos, que envolvem e-mail, SMS e, agora, o comércio pelas redes sociais. Para nós, a IA é a próxima etapa dessa jornada e, com qualquer evolução, sabemos que duas coisas são verdadeiras. A primeira: como toda mudança, ela pode parecer uma ameaça para uma empresa. Mas, por outro lado, também pode ser vista

01:34 como uma grande oportunidade. E a segunda coisa que sabemos é que, sempre que vimos o comportamento do consumidor mudar por causa de uma nova tecnologia, o comércio tende a evoluir junto. E estamos começando a ver isso agora com o comércio agentic: não só este novo canal permite que os comerciantes interajam com os clientes de uma forma profundamente personalizada, como também a maneira como os clientes pesquisam e encontram produtos está mudando. E agora é realmente o momento

02:07 em que os comerciantes estão começando a buscar investir em como mudar junto com seus clientes e ter sucesso na era agentic. Antes, falei sobre como o comportamento do consumidor está começando a mudar. Mas quero me aprofundar um pouco mais nisso. Até hoje, quando pensamos no comportamento de compra do consumidor, estamos falando

02:38 do que chamamos de era da pesquisa. Ela passa por uma fase em que há palavras-chave, navegação por um catálogo e estratégias de SEO. É para isso que a maioria das empresas tem otimizado seus negócios na última década. E, embora isso tenha funcionado para muitas empresas, esse modelo deixava a cargo do comprador encontrar o que precisava. Agora, o que estamos vendo é a transição para uma fase chamada era da intenção. Então, em vez de digitar palavras-chave como “quero material escolar”, eu poderia

03:10 dizer algo como: “Sabe, minha filha começa a escola em setembro, está no quinto ano, e preciso comprar material para a volta às aulas”. E essa é uma interação completamente diferente. Agora você expressa suas necessidades com suas próprias palavras, e a IA deve atender você onde você está. Assim, as marcas vêm até você, em vez de você ter que ir procurá-las. E esse é um modelo de interação muito, muito diferente. E a maioria das empresas está começando

03:42 a perceber que precisa se preparar para esse modelo de interação. O que acreditamos que acontecerá em seguida, depois da era da intenção, é que os clientes precisarão começar a confiar nas recomendações que recebem dos agents. E, quando essa confiança começar a se estabelecer, acreditamos que eles passarão a delegar cada vez mais ações aos seus agents. E é também para isso que nós, na PayPal, estamos trabalhando: continuar construindo

04:14 essa confiança e avançar para um mundo em que as pessoas comecem a delegar cada vez mais tarefas de comércio e compras aos seus agents. Então, embora falemos dessa era da delegação e pareça algo tão distante no futuro, talvez você esteja se perguntando por que isso importa agora. Temos alguns dados bem importantes que queremos compartilhar para destacar por que isso importa. O primeiro vem de um estudo da Bay & Co.

04:46 Eles projetam que, até 2030, de 15% a 25% de todo o comércio será realizado por um agent. Além disso, prevê-se que, dentro de uma década, haverá mais agents do que pessoas online. Esses números não indicam apenas que isso já é relevante; trata-se de uma mudança muito significativa que as empresas não podem ignorar e de uma transformação estrutural que está acontecendo em todo o ecossistema de e-commerce

05:19 Para avançar, acho importante entender por que a PayPal acredita tanto nessa oportunidade. Como setor, esperamos oportunidades muito concretas pela frente. Esperamos que US$ 1,1 trilhão do comércio no varejo dos EUA seja agentic e que esse valor chegue a US$ 3 trilhões a US$ 5 trilhões no mundo todo. E o que vimos é que há mais de dois bilhões de usuários projetados para usar

05:51 IA para começar suas compras nos próximos anos. E, ao pensarmos nisso, o que isso realmente significa para empresas e comerciantes? Quando conversamos com nossos clientes e parceiros, o que vimos foi que seis… o que eles relataram foi mais de 693% de tráfego de referência vindo de mecanismos de IA. E, quando fizemos estudos com consumidores, descobrimos que 39% dos compradores dos EUA

06:22 já usam IA para fazer compras. E tenho certeza de que muitos de vocês provavelmente já adotaram esse padrão. Também descobrimos que, quando as pessoas começam e interagem primeiro com um agent, as empresas tendem a observar uma conversão até quatro vezes maior na conclusão de um pedido, porque agora podem obter dados mais ricos e detalhados sobre um produto. E, então,

06:53 com tudo isso acontecendo e o tráfego mudando, queremos explicar melhor o que isso realmente significa, em profundidade, para os comerciantes. Na era da pesquisa, tudo se baseava muito em SEO e você poderia otimizar para um vestido de verão. Na era da intenção, você precisa pensar em como ser descoberto quando um agent representa minha empresa. E, na era da delegação, precisamos pensar em como converter essa demanda

07:25 com segurança e de forma confiável. E o desafio passa a ser pensar: à medida que os consumidores migram para os agents de IA, como uma empresa pode ficar visível onde os consumidores interagem? O problema é que os catálogos não foram realmente criados para agents. Hoje, a maioria dos comerciantes talvez anuncie no Google. Eles têm um catálogo que distribuem por lá, ou talvez na Meta, no Facebook ou em outras plataformas de publicidade. Mas as especificações não foram criadas para agents.

07:55 Então, agora, os agents… Sabe, os produtos não são otimizados para serem descobertos por agents. Eles também não são tão legíveis para os agents. E esses catálogos foram criados pensando apenas na pesquisa feita por pessoas. Para piorar ainda mais, os modelos que os agents usam ainda são, em grande parte, uma caixa-preta. Os agents podem

08:26 usar diferentes modelos para tomar decisões. Modelos diferentes usam diferentes algoritmos de classificação e recomendação para determinar suas recomendações. A recuperação em bancos de dados vetoriais também nem sempre é determinística. E, diante de tudo isso, como uma empresa decide para qual modelo deve otimizar? No antigo mundo do SEO, havia uma estratégia clara. Neste novo mundo, as estratégias continuam, em grande parte, indefinidas.

08:58 Então, o que fazer quando você não sabe? Fazer experimentos. E nós fizemos alguns experimentos. Enriquecemos alguns dados de produtos de comerciantes. E fizemos experimentos para ver como os agents pesquisavam e recomendavam produtos. Antes de falar sobre os experimentos que fizemos, acho importante alinharmos as expectativas de todos sobre as diferenças entre a pesquisa por palavras-chave e a pesquisa semântica, e como isso se relaciona com os

09:30 temas que mencionei antes: a pesquisa por palavras-chave corresponde, sabe, exatamente à pesquisa que o usuário faz. Em uma pesquisa tradicional, ela pode corresponder às palavras literais. Por exemplo, se eu pesquisar “tênis de corrida azul”, só receberei resultados que contenham essas palavras. O lado bom é que é muito precisa, rápida e previsível. Mas o lado negativo é que não capta a intenção. Então, se você pesquisar calçados para correr, talvez nem receba esses

10:01 sapatos. E isso acontece simplesmente porque as palavras não correspondem. Já na busca semântica, a correspondência é feita com base no significado. O que ela faz é converter a consulta em vetores que representam significados de intenção. Então, você pode digitar algo como: “Estou procurando algo confortável para treinar para uma maratona”. E pode encontrar seus tênis de corrida mesmo que nenhuma dessas palavras apareça na consulta de busca. A vantagem disso é que ela

10:32 amplia o alcance da busca, mas a desvantagem é que, se você inserir significado demais, ela pode perder o foco e alucinar. Portanto, há um equilíbrio entre o quanto você quer enriquecer e o quanto quer inserir nesse enriquecimento. Resumindo: a busca por palavras-chave é bastante precisa. É muito literal. A busca semântica é inteligente, mas é muito imprecisa. E, na prática, a resposta não é escolher uma ou outra. É combinar as duas, que é exatamente o que nossa abordagem híbrida

11:03 faz. E é mais ou menos para isso que vamos seguir agora. Então, agora que entendemos o que é busca semântica, é importante destacar que não existe uma única maneira de enriquecer dados de produtos para a busca semântica. Acho muito importante que você, como empresa, entenda que tipo de dados de catálogo já tem. Seu catálogo tem poucos dados? Você tem um catálogo de produtos com muitas especificações? Dependendo de onde sua empresa está hoje, você deve pensar

11:33 no que talvez queira enriquecer. Para o experimento, analisamos diferentes padrões de enriquecimento. Não vou detalhar todos, mas eles incluem preencher atributos, garantir descrições mais completas, incluir contexto para compradores e sinais de confiança, além de alguns dados de identidade do produto. Acho que a principal conclusão deste slide é que o enriquecimento não segue uma fórmula única. A abordagem certa depende do catálogo com o qual você está começando, e é esse o ponto de partida para o que vamos abordar a seguir.

12:03 E aqui está um exemplo de enriquecimento em ação. Um exemplo do que temos como ponto de partida: temos o modelo 8543 de sapato masculino, azul, e a descrição é: “Tenho sapatos de corrida azuis”. Disponível em vários tamanhos. Há um atributo indicando que é azul; a busca por palavras-chave talvez encontre “azul”, “corrida” ou “sapato”. Já para a busca semântica, há muito pouco contexto. Quando você enriquece

12:34 os dados, o título pode passar a ser “sapato de corrida masculino leve”. A descrição fica mais completa, por exemplo: “acolchoado” e “respirável”. Também acrescentamos mais atributos, como o fato de que o tamanho corresponde ao esperado e de que o material é mesh. Incluímos algumas avaliações também, enriquecendo os dados com informações das avaliações. Agora, o que a busca reconhece é que há correspondência com corrida, treino e mesh. Há muito mais correspondências. Com a busca semântica, há muito mais significado contextual para aprimorar a busca.

13:08 E aqui estão alguns dos exemplos que usamos: preenchimento de atributos, contexto para compradores e até sinais de confiança presentes nas avaliações. No fim do experimento, nossa hipótese era, em termos gerais, se o enriquecimento ajuda a melhorar as recomendações. E, no essencial, sim, ajuda. O que observamos foi que uma linha de base sem enriquecimento, quando comparada diretamente, simplesmente

13:40 teve um desempenho muito inferior. Descobrimos que os comerciantes com os catálogos mais enxutos tendem a obter os maiores ganhos. Os comerciantes com dados fracos sobre os produtos também tinham mais espaço para melhorar. Mas acho que também precisávamos entender que os resultados dependem da qualidade do conteúdo, não do schema; e, na verdade, acrescentar dados não estruturados em excesso também pode diluir o sinal. E o que queremos dizer com dados não estruturados? Não queremos simplesmente encher o contexto

14:12 com quaisquer palavras. Não queremos incluir mensagens genéricas como “Boas-vindas à nossa loja” ou “Somos uma empresa familiar”. Às vezes, essas coisas são irrelevantes para um agent. Portanto, a forma como você enriquece e estrutura os dados realmente importa. De modo geral, o resumo do que aprendemos foi: o enriquecimento ajuda a busca por palavras-chave. A recuperação semântica exige estruturas de dados bem diferentes.

14:44 Mas há um equilíbrio na quantidade de enriquecimento necessária para melhorar a recuperação semântica. Embora este tenha sido apenas um conjunto de experimentos, descobrimos que enriquecer os dados melhorou as recomendações em todas as comparações diretas. Em alguns casos, quando enriquecíamos demais, o agent tendia a alucinar mais e tinha um desempenho inferior. Não temos uma recomendação concreta para todas as empresas, mas um bom ponto de partida é avaliar seu catálogo e, então, definir a estratégia certa para ele.

15:16 Para concluir: o enriquecimento funciona; avalie a estrutura do seu catálogo; e mais texto não significa algo melhor. Conteúdo de qualidade, estruturado e de qualidade — é isso que faz a diferença. A IA vai recompensar a qualidade do conteúdo, não as marcas. Mas ela também otimiza outros sinais de confiança. Obrigado a todos. Se quiser saber mais sobre os Agent Commerce Services do PayPal, visite nosso estande no P11.

Transcrição original

[00:01] [music] Hi everyone. Um, welcome. I I’m Nixon Den. I’m the director of product for Aenticcommerce at PayPal. And what that really means is I lead a lot of our efforts on how AI agents are reshaping shopping and payments. Um, and you know, most of my career has been on commerce and payments. And right now, I’m really

[00:32] excited about helping merchants navigate this shift uh towards like agent-driven commerce. And specifically, what we’re going to talk about today is um the catalog piece and it being agentic ready and sharing some of our learnings on this on this journey. So I think it’s very important we just kind of level set a little bit when we look at the evolution of commerce. We’ve seen it transform from you install brick and mortar transactions to the advent of e-commerce where this started off quite

[01:04] linear. Um a user would simply search and buy from e-commerce sites and then through like internet 2.0 O we’ve seen that transform further into more complex uh channels that involve email, SMS and like now social commerce for us like we see AI as the next evolution in that journey and with any evolution we know two things to be true. The first like all change it can seem like a threat to a business. Um but on the flip side of that can also be seen

[01:34] as a big opportunity. And the second thing that we know is that whenever we have seen consumer behavior change because of a new technology, commerce tends to evolve alongside with it. And so we are starting to see that now with Aentic where not only is the new this is a new channel that’s enabling uh merchants to engage with customers in a very deeply personalized way, but also how customers are searching and finding products is changing. And uh now is really the time

[02:07] that merchants are starting to look to invest on how to to change with with their customers and and uh succeed in the agentic era. So earlier I touched on how the consumer behavior is starting to change. Um but I just want to dive deeper a little bit on this. So we, you know, when we first uh when we think about consumer shopping, that behavior up to today has been now

[02:38] what we’re calling the search era. Um it goes through a phase where like it’s keywords, you’re navigating a catalog, there’s SEO strategies, and this is what most businesses have optimized towards over the last decade. And while for many businesses this worked, this model put the burden on the shopper to really find what they needed. Um, now what we’re seeing is that we’re moving into this phase called the intent error. So instead of typing keywords like I want school supplies, um, I might

[03:10] say something like, you know, my daughter’s starting school in September in fifth grade and I need uh to to shop back to school. And that’s a very completely different interaction. Um, so you’re now expressing your needs in your own words and AI is now asked to meet you where you are. And so the brands are coming to you instead of you having to go find them. And that’s a very very different interaction model. Um, and most businesses now are starting

[03:42] to find that they need to set themselves up for this interaction model. Um so what we believe will happen next is after we go through the intent error what will have to happen is customers need to start trusting the recommendations that they’re getting from the from the agents and once that trust starts to build we do start to believe that they will start delegating more and more actions to their agents and that’s also where as PayPal we’re building towards is um continue to build

[04:14] on that trust and moving to a world where humans start to delegate more and more of their task in commerce and shopping to their agents. So although we talk about this delegation era and we think it sounds like it’s so far into the future, you might be asking like why this matters now. And so we have couple pretty big data points that we want to share to really underscore why this matters. The first is uh through a study at Bay & Co.

[04:46] um they project that by 2030 15 to 25% of all commerce will be executed by an agent and furthermore within a decade agents are predicted to outnumber humans online and so these numbers don’t just indicate that this is like not meaningful now it is a very marginal shift that businesses can’t ignore and that this is a very structural transformation happening entire entire e-commerce ecosystem

[05:19] So to go further I think it’s very good to understand why PayPal feels like we are bullish on this opportunity. Um as a industry we expect uh to be some very tangible opportunities coming forward. We expect 1.1 trillion dollars of uh commerce to happen uh in US retail to be agentic and then we expect that to be 3 to 5 trillion globally and what we’ve have seen is that there are over two billion users um projected to use

[05:51] like AI to start their shopping journey over the next few years. And so when we think through this, what does this actually mean for businesses and merchants? When we talk to our customers and what we talk to our partners, what we’ve seen is six they what they’ve reported is that over 693% uh referral traffic from AI engines. And when we did consumer studies, we found that 39% of US shoppers are

[06:22] already using AI for shopping today. Um, and I’m sure many of you have probably defaulted to that pattern today. And what we have found also is that when you do start and interact with an agent first, businesses have tend to see up to four times higher conversion on a completion of an order because now they can get more rich and in-depth data on a product. And so

[06:53] with that all happening and the traffic moving, we want to break this down further onto like what this really means ac deeper for merchants. In the search era, this was very like SEO based and you might optimize for like a sum dress. In the intent era, you have to think through how do I be discoverable for where an agent is representing my my business. And then in the delegation era, we need to think through uh how I can convert that demand

[07:25] safely and trusted in a trusted way. And so the challenge becomes to think through is like as COVID moves to AI agents, how do you as a business be visible where the consumers interact? The issue with this is that cataloges weren’t really built for agents. Um most merchants today maybe advertise on Google. Um they have a catalog they

[07:55] syndicate to there or maybe to Meta or Facebook or other advertising platforms. But the spec wasn’t built for agents. And so agents now um you know if you it’s not optimized for agents to discover products. Um it’s not as readable for agents as well. And they’re really just built for humans search. And then to compound that even more, the models that agents use are still for the most part a black box. Agents can

[08:26] use different varying models to make their decisions. Um, different models use different ranking and recommendations and and and uh algorithms to to determine their recommendation. Uh, vector database retrieval is also not always deterministic. And because of all of this, how do you decide as a business what model do you do to you optimize for? In the old SEO world, there was a clear strategy. In this new world, the strategies are still remain largely unclear.

[08:58] And so what do you do when you don’t know? You run experiments. And so we we ran some experiments. We enriched uh some of our merchant product data. And we ran experiments to see how agents uh uh searched uh and and recommended products. And before I get into the experiments that we ran, um I think very good to level set with everyone how like the differences between keyword and semantic search and it it trickles through to the

[09:30] themes I talked through earlier with keyword search being you know very matching the the search that the user is entering in. So, in a classic search, it might match literal words. Um, for example, I’m searching for blue running shoes, and you only get results that contain those words. The good part about this, it’s very precise, it’s fast, it’s predictable. But the downside is it misses intent. And so, if you ever search footwear for jogging, it may not even return those

[10:01] shoes. Uh, and that’s only simply because the words don’t match. Whereas with semantic search, it matches based off meaning. Um, what it does is it converts the query into vectors that create uh meanings of intent. And so you might type something, oh, I’m searching for something comfortable for marathon training. And you might find your running shoes even though none of those words exist in the search query. Um so the good part about the that is it

[10:32] broadens and how it can search but the downside is if you inject too much meaning it can lose focus and hallucinate. So there is a balance of how much you want to enrich and how much you want to inject into your enrichment. So to sum it up keyword search is quite precise. It’s it’s very literal. Semantic search is just it’s smart but it’s very fuzzy. And realistically, the real answer isn’t an either or. It’s it’s combining both, which is exactly what our hybrid

[11:03] approach does. Um, and that’s kind of where we’re headed next. So, now that we understand what semantic search is, it’s important to highlight that there is no singular way to really enrich product data for semantic search. I think it’s really important for you as a business to understand the kind kind of catalog data you already have. um do you have a thin catalog? Do you have a catalog of products that are more spec heavy? Depending on where your business is today, you should think

[11:33] through what you might want to enrich. And so for the experiment though, we thought through different patterns of enrichment. Um and I won’t go through all of them in detail, but things around like filling attributes, making sure there’s description depth, um make sure there’s buyer context and trust signals, and even some product identity. I think the main take away from this slide is that enrichment isn’t one sizefits-all. The right approach really depends on the catalog you’re starting with and that’s the framing we’ll build on next.

[12:03] And so here’s just an example of enrichment in action for us. Um example on we’re starting with we have men’s uh men’s shoe model 8543 that’s blue and then the description will be I have blue running shoes. um available multiple sizes. there’s an attribute that’s blue keyword matches maybe blue running or shoe and then um the semant for semantic there’s you know very little context for that when you enrich

[12:34] there now we might have the title as a men’s lightweight running shoe um the description is now more enriched like it’s cushion it’s breathable uh there are further attributes we’ve pumped into that as well so there’s like true to size it’s it’s the the material is mesh um we also put in some reviews here as well so enrich that with some review data and now what the search sees is um it matches running, it matches training, it matches meshes. There’s a lot more that it matches. So with semantic there’s a lot of rich meaning that’s put there uh to kind of enhance the search.

[13:08] And so here the the some of the examples we use was attribute filling or bio context or even uh the trust signals around the reviews as well. And so ultimately at the end of the experiment um you know our thesis was generally speaking does enrichment help boost uh recommendations and at its core yes it does. Um what we saw was an unenriched baseline like when it went headto-head um it just

[13:40] completely underperformed. We found that merchants with the thinnest cataloges tend to gain the most. Uh merchants with weak product data also had the most room to improve. Um but I think what we needed to also understand is that it’s all about content quality that drives the results and it’s not the schema that actually and actually piling on you unstructured data can actually dilute the signal as well. And so what do we mean by like unstructured data? like we just don’t want to stuff the the context

[14:12] of anything any words we want. We don’t want to put any boilerplate messaging around um potential like you know welcome to our store. We’re familyowned business. Those things are irrelevant to an agent at times. And so how you enrich what you structure into the data really really matters as well. And so just generally speaking a sum up of our learnings was enrichment helps keyword search. Semantic retrieval requires a very different set of data structures.

[14:44] But there is a balance to how much you want to enrich uh to improve semantic retrieval. And while this was only one set of experiments, we did find that enriching just yeah head-to-head always improved recommendations. Um what we had found in some cases when we overenriched the agent tended to hallucinate more and it underperformed. Um and we don’t have a concrete recommendation for every business but a good place to start is just assess your catalog and then figure out the right strategy for that.

[15:16] Um and so just to wrap up you know enrichment works assess your catalog structure and more text isn’t better. um structured quality content, structured quality content is the one thing that wins out and AI will reward content quality and not brands. Um but it does optimize for other trust signals as well. So thank you everyone. Uh if you want to learn more about PayPal’s Agent Commerce Services, please visit our booth at P11.