Một nghiên cứu mới cho thấy những nguồn dữ liệu mà carousel sản phẩm trong ChatGPT có xu hướng ưu tiên khi hiển thị kết quả. Nghiên cứu tập trung phân tích hiện tượng shopping query fan-outs (QFOs) để xác định hệ thống đang lấy dữ liệu từ đâu và cách các nguồn này ảnh hưởng đến kết quả hiển thị.
Câu hỏi đặt ra là liệu việc OpenAI ngày càng giảm sự phụ thuộc vào Microsoft và hệ sinh thái Bing có đồng thời khiến hệ thống phụ thuộc nhiều hơn vào Google hay không.
Phân tích so sánh shopping query fan-outs (QFOs) trong ChatGPT giữa các carousel lấy dữ liệu từ Google và Bing đã cung cấp một phần lời giải cho vấn đề này. Kết quả nghiên cứu cho thấy cách dữ liệu được phân phối trong các truy vấn mua sắm và làm rõ những nguồn dữ liệu mà ChatGPT có xu hướng sử dụng nhiều hơn.
Bối cảnh về shopping fan-out và giải thích kỹ thuật
Tháng 11/2025, một số nhà nghiên cứu trong lĩnh vực AI, trong đó có tôi, phát hiện một trường dữ liệu khá lạ trong mã nguồn của ChatGPT có tên id_to_token_map. Khi tiến hành giải mã trường dữ liệu này, kết quả thu được cho thấy nhiều tín hiệu đáng chú ý.
Trường dữ liệu này được mã hóa theo chuẩn base64. Sau khi giải mã, dữ liệu hiển thị các tham số trông giống với tham số của Google Shopping, chẳng hạn như productid, offerid, cùng với các tham số liên quan đến ngôn ngữ và khu vực (language/locale). Một chi tiết đáng chú ý khác là dữ liệu còn chứa truy vấn tìm kiếm đã được sử dụng để tra cứu sản phẩm đó.
Để xác nhận một cách rõ ràng rằng đây thực sự là liên kết thuộc hệ thống Google Shopping, cần phải chứng minh rằng URL mua sắm có thể được tái tạo hoàn chỉnh chỉ từ các tham số đã trích xuất.
Một ví dụ minh họa có thể thấy trong product carousel của ChatGPT khi người dùng nhập truy vấn “best smartphones under $500”. Trường hợp này giúp quan sát cách các tham số được tạo ra và cách chúng liên kết với hệ thống dữ liệu sản phẩm.
Khi tiến hành giải mã trường dữ liệu liên quan, các tham số trích xuất cho phép tái tạo lại liên kết Google Shopping tương ứng.
Câu hỏi quan trọng đặt ra là liệu liên kết được tái tạo này có trùng khớp với chính sản phẩm đang hiển thị trong product carousel của ChatGPT hay không. Quá trình kiểm chứng cho thấy liên kết được tạo lại thực sự dẫn đến đúng sản phẩm xuất hiện trong carousel.
Tuy nhiên, riêng kỹ thuật giải mã này vẫn chưa thể trả lời một loạt câu hỏi quan trọng đối với những người làm SEO:
- Quy trình truy xuất dữ liệu này có diễn ra đồng nhất trên nhiều danh mục sản phẩm khác nhau hay không?
- ChatGPT lựa chọn sản phẩm từ bao nhiêu vị trí trong kết quả Google Shopping?
- Hệ thống có xu hướng ưu tiên các sản phẩm nằm ở vị trí cao trong Google Shopping hay không?
- Cơ chế này xuất hiện phổ biến đến mức nào khi phân tích trên quy mô lớn?
- Hiện tượng này chỉ là trường hợp ngẫu nhiên hay nếu sử dụng tập dữ liệu đủ lớn thì sản phẩm cũng có thể khớp với dữ liệu từ các nhà bán lẻ trực tuyến khác hoặc từ Bing Shopping?
Để làm rõ những vấn đề này, nhóm nghiên cứu đã sử dụng dữ liệu từ Peec AI nhằm kiểm chứng một cách hệ thống liệu ChatGPT có thực sự chủ yếu lấy dữ liệu từ Google Shopping hay không.
Phân tích được thực hiện trên hơn 40.000 sản phẩm xuất hiện trong carousel và khoảng 200.000 sản phẩm organic từ cả Google và Bing. Việc so sánh mức độ tương đồng giữa các sản phẩm đã giúp xác định khá rõ cơ chế nguồn dữ liệu mà ChatGPT đang sử dụng phía sau hệ thống.
Câu hỏi đặt ra là liệu shopping query fan-outs có thực sự khác với search query fan-outs thông thường hay không?
Để trả lời vấn đề này, nhóm nghiên cứu đã phân tích 1,1 triệu shopping query fan-outs từ dữ liệu của Peec AI và so sánh chúng với search query fan-outs thông thường được tạo ra từ cùng một prompt của người dùng. Kết quả cho thấy hai loại fan-out gần như luôn khác nhau:
- Shopping QFO chỉ xuất hiện trong truy vấn của người dùng: 99,70%
- Shopping QFO khác với search query fan-out thông thường: 98,31%
Phân tích tiếp tục được mở rộng bằng cách đo lường số lượng từ trung bình của hai loại query fan-out theo từng tuần trong năm. Kết quả cho thấy search query fan-outs thông thường dài hơn đáng kể, với trung bình 12 từ, trong khi shopping fan-outs chỉ khoảng 7 từ.
Sự khác biệt này có thể được giải thích từ mục đích truy xuất dữ liệu. Search query fan-outs được sử dụng để thu thập thông tin ngữ cảnh từ web, vì vậy truy vấn cần đủ dài để hệ thống tìm được các kết quả phù hợp với intent của người dùng. Các hệ thống tìm kiếm dựa trên vector hoặc so sánh embedding thường hoạt động hiệu quả hơn khi truy vấn chứa nhiều ngữ cảnh.
Shopping fan-outs lại phục vụ mục tiêu khác. Truy vấn này thường hướng trực tiếp đến một trang kết quả mua sắm cụ thể, vì vậy độ dài không cần quá lớn. Mục tiêu chính là truy xuất danh sách sản phẩm phù hợp với truy vấn mua sắm. Thay vì so sánh các đoạn văn bản dài, dữ liệu trong nghiên cứu cho thấy ChatGPT có xu hướng dựa nhiều vào kết quả Google organic shopping để tạo danh sách sản phẩm trong carousel.
Một dấu hiệu khác cho thấy sự khác biệt giữa hai loại fan-out xuất hiện khi phân tích số lượng fan-out được tạo ra cho mỗi prompt. Trung bình, mỗi prompt sử dụng khoảng 2,4 search fan-outs thông thường, trong khi shopping fan-outs chỉ khoảng 1,16.
Sự chênh lệch này phản ánh đúng bản chất của hai loại truy vấn. Việc truy xuất thông tin ngữ cảnh thường cần nhiều fan-out hơn để thu thập dữ liệu từ nhiều nguồn web khác nhau. Ngược lại, khi mục tiêu chỉ là truy xuất danh sách sản phẩm, một fan-out đôi khi đã đủ. Phân tích dữ liệu cho thấy để hiển thị carousel 8 sản phẩm trong ChatGPT, hệ thống thường chỉ cần dữ liệu từ một trang kết quả Google Shopping.
Mức độ tương đồng giữa sản phẩm trong ChatGPT Carousel và Google Shopping
Để đánh giá mức độ tương đồng một cách khách quan, nhóm nghiên cứu đã trích xuất khoảng 5.000 carousel trong ChatGPT, tương ứng với 43.000 sản phẩm từ bộ dữ liệu của Peec AI. Các prompt được lựa chọn với mức độ đa dạng cao nhằm phản ánh nhiều danh mục sản phẩm khác nhau.
Nhóm nghiên cứu tiếp tục thu thập dữ liệu từ các trang kết quả shopping organic và lấy 40 sản phẩm organic hàng đầu từ cả Google Shopping và Bing Shopping cho mỗi truy vấn. Các quảng cáo trả phí và sản phẩm được tài trợ đều bị loại khỏi quá trình phân tích để đảm bảo kết quả chỉ phản ánh dữ liệu organic.
Quy trình so khớp sử dụng thuật toán ba bước nhằm tính điểm tương đồng giữa tiêu đề sản phẩm trong ChatGPT và tiêu đề sản phẩm xuất hiện trong kết quả shopping organic. Phương pháp này cần thiết vì cả ChatGPT và Google Shopping đều có tính chất xác suất. Tiêu đề sản phẩm có thể được viết lại, thêm hoặc bớt một số đặc điểm sản phẩm, đồng thời kết quả cũng có thể thay đổi theo vị trí địa lý của proxy khi truy xuất dữ liệu.
Một sản phẩm được xem là trùng khớp khi đạt điểm tương đồng từ 0,8 trở lên. Ngưỡng này cho thấy sản phẩm có cùng thương hiệu, cùng tên sản phẩm và mức độ giống nhau rất cao.
Kết quả phân tích cho thấy trong 43.000 sản phẩm carousel của ChatGPT, khoảng 45,8% có tiêu đề trùng khớp chính xác với một sản phẩm trong top 40 kết quả Google Shopping organic cho cùng truy vấn shopping fan-out.
Tỷ lệ trùng khớp tương tự đối với Bing chỉ đạt 0,48%.
Khi tính tỷ lệ sản phẩm có mức tương đồng cao trong toàn bộ 8 vị trí của carousel, hơn 83% sản phẩm có thể được tìm thấy trong top 40 Google Shopping. Con số tương tự trên Bing chỉ đạt gần 11%. Kết quả này cung cấp bằng chứng mạnh mẽ cho thấy ChatGPT chủ yếu lấy dữ liệu sản phẩm từ Google Shopping.
Ngoài ra, Bing xuất hiện tỷ lệ lớn các trường hợp tương đồng yếu, vượt 62%. Điều này cho thấy danh sách 40 sản phẩm đầu tiên cho mỗi shopping fan-out giữa Google và Bing có sự khác biệt đáng kể. Sự khác biệt này hoàn toàn hợp lý vì kết quả shopping có thể hiển thị hàng nghìn tổ hợp sản phẩm và thương hiệu khác nhau.
Mức độ trùng lặp sản phẩm
Một câu hỏi khác cần làm rõ là trong số những sản phẩm mà Bing tìm thấy, có bao nhiêu sản phẩm chỉ xuất hiện trên Bing mà không có trên Google.
Trong toàn bộ 43.000 sản phẩm carousel, Bing chỉ tìm thấy 70 sản phẩm không xuất hiện trong Google Shopping, tương đương 0,16%. Điều này có nghĩa là gần như mọi trường hợp Bing có sản phẩm trùng khớp thì Google cũng đã trả về chính sản phẩm đó.
Kết quả này cho thấy khả năng ChatGPT lấy dữ liệu trực tiếp từ Bing Shopping trong phần lớn trường hợp là rất thấp.
Ảnh hưởng của vị trí carousel
Nghiên cứu tiếp tục phân tích mối liên hệ giữa vị trí sản phẩm trong carousel của ChatGPT và vị trí của sản phẩm đó trong Google Shopping.
Ví dụ, sản phẩm ở vị trí đầu tiên của carousel thường có vị trí trung bình khoảng 5 trong Google Shopping. Khi quan sát xu hướng tổng thể, các vị trí thấp hơn trong carousel thường tương ứng với các vị trí thấp hơn trong Google Shopping.
Xu hướng này cho thấy ChatGPT có xu hướng lấy các sản phẩm ở vị trí cao trong Google Shopping để hiển thị ở các vị trí đầu tiên trong carousel.
Một cách phân tích khác cho thấy 60% các sản phẩm có mức trùng khớp mạnh nằm trong top 10 kết quả Google Shopping. Khi mở rộng phạm vi đến top 20, tỷ lệ trùng khớp tăng lên gần 84%.
Điều này cho thấy ChatGPT có xu hướng ưu tiên mạnh các sản phẩm ở vị trí cao trong kết quả Google Shopping.
Ảnh hưởng của truy vấn thương hiệu
Nghiên cứu cũng so sánh sự khác biệt giữa prompt có thương hiệu và prompt không có thương hiệu.
Kết quả cho thấy mức độ trùng khớp sản phẩm trong Google Shopping đều cao ở cả hai loại truy vấn. Các truy vấn không chứa thương hiệu có tỷ lệ trùng khớp nhỉnh hơn một chút, nhưng sự khác biệt không đáng kể.
Tổng hợp kết quả
Nghiên cứu phân tích hơn 43.000 sản phẩm carousel của ChatGPT thuộc 10 ngành khác nhau và so sánh chúng với hơn 200.000 kết quả shopping organic từ Google và Bing. Kết quả cho thấy một bức tranh khá rõ về cách hệ thống truy xuất dữ liệu sản phẩm.
Nguồn dữ liệu sản phẩm
ChatGPT chủ yếu lấy dữ liệu sản phẩm từ Google Shopping thay vì Bing. Hơn 83% sản phẩm trong carousel trùng khớp với top 40 kết quả Google Shopping. Tỷ lệ này trên Bing chỉ đạt 11%, và chỉ 70 sản phẩm trong toàn bộ tập dữ liệu xuất hiện độc quyền trên Bing.
Quy trình truy xuất dữ liệu
Dữ liệu cho thấy quy trình truy xuất sản phẩm và truy xuất thông tin ngữ cảnh là hai cơ chế tách biệt. Shopping query fan-outs khác với search fan-outs thông thường trong 98,3% trường hợp. Độ dài truy vấn shopping fan-out trung bình 7 từ, trong khi search fan-out trung bình 12 từ. ChatGPT cũng tạo ít shopping fan-out hơn cho mỗi prompt, trung bình 1,16 so với 2,4 search fan-out.
Sự khác biệt này phản ánh bản chất của hai nhiệm vụ. Việc hiển thị carousel sản phẩm chủ yếu liên quan đến truy xuất dữ liệu có cấu trúc từ chỉ mục sản phẩm. Ngược lại, việc tạo câu trả lời văn bản cần truy xuất các trang web chứa nhiều ngữ cảnh để phục vụ vector search và quá trình xếp hạng lại.
Xu hướng ưu tiên vị trí cao
Dữ liệu cho thấy ChatGPT có xu hướng ưu tiên các sản phẩm nằm ở vị trí cao trong Google Shopping. Khoảng 60% sản phẩm trùng khớp nằm trong top 10 và gần 84% nằm trong top 20. Vị trí sản phẩm trong carousel có tương quan rõ ràng với thứ hạng của sản phẩm trong Google Shopping.
Hành vi mang tính hệ thống
Các mô hình này xuất hiện ổn định trên cả truy vấn có thương hiệu và không có thương hiệu, cũng như trên toàn bộ 10 ngành được phân tích. Điều này cho thấy đây là hành vi mang tính kiến trúc hệ thống, không phải hiện tượng chỉ xảy ra ở một ngành hoặc một loại truy vấn cụ thể.
Ý nghĩa đối với SEO và thương mại điện tử
Đối với thương hiệu và nhà bán lẻ, thứ hạng sản phẩm trên Google Shopping có ảnh hưởng trực tiếp đến khả năng sản phẩm xuất hiện trong carousel của ChatGPT. Tập sản phẩm mà ChatGPT lựa chọn trong nhiều trường hợp gần như tương đương với 40 kết quả Google Shopping organic đầu tiên cho truy vấn shopping fan-out tương ứng.
Tuy nhiên, thứ hạng sản phẩm không phải là yếu tố duy nhất. Các tín hiệu ngữ cảnh như mức độ nhắc đến sản phẩm và cảm nhận (sentiment) về sản phẩm trong các nguồn nội dung cũng có thể ảnh hưởng đến quá trình lựa chọn và xếp hạng cuối cùng trong carousel.
Việc hiểu rõ cách sản phẩm được nhắc đến trên các nguồn nội dung liên quan, đồng thời tối ưu sự hiện diện trên Google Shopping, có thể giúp thương hiệu cải thiện khả năng xuất hiện trong product carousel của ChatGPT.
Ý nghĩa đối với nghiên cứu AI
Kết quả nghiên cứu cung cấp bằng chứng quy mô lớn cho thấy carousel sản phẩm của ChatGPT vận hành như một pipeline truy xuất dữ liệu riêng biệt. Pipeline này chịu trách nhiệm chọn tập sản phẩm hiển thị và hoạt động tách biệt với cơ chế tìm kiếm web dùng để tạo nội dung văn bản trong câu trả lời.
Ở giai đoạn lựa chọn và xếp hạng cuối cùng, ChatGPT có khả năng sử dụng thêm các tín hiệu ngữ cảnh, chẳng hạn như cảm nhận về sản phẩm từ các nguồn nội dung được truy xuất bởi search fan-outs thông thường.
Kết quả nghiên cứu phản ánh hành vi hệ thống tại thời điểm hiện tại. OpenAI có thể thay đổi nguồn dữ liệu hoặc phương pháp truy xuất bất kỳ lúc nào, nhưng các mô hình này đã xuất hiện ổn định trong dữ liệu quan sát suốt 4 tháng gần đây.
