Uber Eats spouští AI Cart Assistant: Co to znamená pro e-commerce týmy

Uber Eats Cart Assistant mění očekávání od AI v e-commerce

Dne 11. února 2026 Uber oznámil, že Uber Eats spouští nový AI-powered Cart Assistant v beta verzi pro grocery nákupy. Je to důležitá změna, protože AI se neposouvá jen do vyhledávání, ale přímo do košíku, kde zákazník porovnává velikosti balení, náhrady produktů a výslednou hodnotu objednávky.

Pro e-commerce tým je to klíčový moment. Košík je místo, kde se rozhoduje o marži, konverzi i průměrné hodnotě objednávky. Pokud asistent doporučí vhodnou alternativu, může zvýšit AOV i pravděpodobnost dokončení nákupu. Pokud doporučí špatně, dopad je okamžitý.

Stejný trend jsme už popsali v článku o AI shopping asistentech a připravenosti katalogu: asistenti se mění z informační vrstvy na transakční vrstvu.

Proč je tahle novinka větší než jedna funkce v aplikaci

Poslední roky se v AI retailu hodně mluvilo o generování textů, personalizaci nebo lepším discovery. Asistence přímo v košíku je ale jiná disciplína. Dotýká se totiž zákazníka ve chvíli, kdy už má nákupní úmysl.

Najednou neřešíte jen CTR na listingu. Potřebujete, aby AI dokázala správně odpovědět na otázky typu:

• Je tohle skutečně nejvýhodnější cena za jednotku?
• Je náhrada kompatibilní s dietním omezením zákazníka?
• Dává tato varianta smysl vzhledem k předchozím nákupům?
• Je dostupná lepší alternativa skladem právě teď?

Tyto dotazy vyžadují výrazně kvalitnější produktová data, než jaká má většina retail katalogů dnes. Kde chybí struktura atributů a konzistence názvů, bude AI doporučení nespolehlivé.

Jaká produktová data jsou pro AI košík klíčová

Pro většinu e-shopů není největší problém postavit další chat. Reálný problém je převést dodavatelské feedy na data připravená pro asistenta. Kritické jsou tři oblasti:

1. Porovnatelné atributy Normalizované jednotky (g, ml, ks), sjednocené názvy značek a správná logika balení jsou základ pro férové porovnání hodnoty.

2. Metadata pro bezpečné náhrady Při substituci musí být jasné alergeny, složení, účel produktu a rozdíly mezi variantami.

3. Aktuálnost ceny a dostupnosti U košíku se chyby neodpouští. Zastaralá cena nebo dostupnost okamžitě snižuje důvěru.

Dobrý první krok je zhodnotit kvalitu katalogu přes opakovatelný rámec, například tento checklist kvality produktových dat.

V této fázi může pomoci Lasso a jeho funkce, které automatizují mapování feedů, normalizaci atributů a obohacení katalogu, takže tým zvládne vyšší kvalitu bez skokového růstu manuální práce.

Co by měl e-commerce tým udělat během 30 dnů

Není potřeba měnit celý stack během jednoho kvartálu. Je ale potřeba mít jasný akční plán. Praktický 30denní sprint může udělat velký rozdíl:

1. Audit atributů důležitých pro košík Vyberte u top kategorií pole, která rozhodují o porovnání a náhradách (např. jednotková velikost, alergeny, dietní tagy, materiál, kompatibilita).

2. Měřte úplnost po kategoriích Globální KPI nestačí. Potřebujete vidět, kde přesně jsou mezery v konkrétních kategoriích.

3. Odstraňte nejasnosti ve variantách Když jsou varianty schované jen v názvu, AI dělá chyby. Přesuňte je do strukturovaných atributů.

4. Zpřísněte governance feedů Definujte validační pravidla před publikací. Praktický postup najdete v našem průvodci optimalizací produktových feedů.

5. Sjednoťte ownership mezi týmy Merchandising, data operations a marketing musí mít jasné role. Bez toho bude výsledek nekonzistentní.

Dobrá praxe je sledovat kvalitu AI košíku jako společný KPI podobně jako dostupnost nebo míru vratek.

Rizika, která je potřeba hlídat

Trend je silný, ale přináší i nové typy rizik:

• Nízká vysvětlitelnost doporučení Když zákazník neví, proč byl produkt doporučen, důvěra rychle klesá.

• Posun k promo logice místo zákaznické hodnoty Asistent může upřednostňovat přeprodané nebo tlačené položky. Je nutné nastavit mantinely.

• Compliance a reputační riziko U citlivých kategorií může chybná rada (např. alergeny) znamenat právní i značkový problém.

Strategický závěr je jasný: AI košík může zvýšit pohodlí zákazníka i výkon byznysu, ale jen pokud je katalog dostatečně přesný a aktuální.

V praxi se často podceňuje ještě jedno riziko: špatně nastavené měření dopadu. Týmy někdy sledují jen engagement (kolik lidí s asistentem interagovalo), ale to samo o sobě nic neříká o kvalitě výsledku. U AI košíku je potřeba měřit minimálně míru přijatých substitucí, dopad na marži po náhradách, změnu AOV a rozdíl v konverzi checkoutu mezi relacemi s asistentem a bez asistenta. Bez těchto metrik můžete vyhodnotit pilot jako úspěšný, i když ve skutečnosti klesá důvěra zákazníků nebo obchodní výsledek.

Stejně důležité je nastavit guardrails podle typu sortimentu. Chování v kategoriích jako dětská výživa, bezlepkové produkty nebo doplňky stravy se výrazně liší od běžného snack segmentu. U citlivějších kategorií se vyplatí mít přísnější pravidla, například nepouštět doporučení při nízké jistotě atributů, vyžadovat silnější validaci alergenů nebo omezit automatické substituce jen na jasně kompatibilní varianty. I jednoduchá pravidla dokážou v prvních měsících výrazně snížit počet chyb a reklamací.

Dlouhodobě se vyplatí spojit produktová data s provozními metrikami zákaznické podpory. Pokud po nasazení AI asistenta roste počet dotazů na nesprávné náhrady nebo nejasné složení, je to signál, že problém není v UX samotného asistenta, ale v kvalitě vstupních dat. E-commerce tým pak může řešit příčinu systematicky, místo aby hasí jen jednotlivé incidenty.

Z obchodního pohledu je užitečné zavést i pravidelný měsíční review mezi category manažery a datovým týmem. Cílem je porovnat, kde AI doporučení fungovalo nejlépe, které produktové řady měly nejvíc problémů a jaké konkrétní atributy je potřeba doplnit. Tento rytmus pomáhá držet zlepšování kvality dat jako kontinuální proces, ne jednorázový projekt.

Co to znamená pro zákazníky Lasso a další kroky

Spuštění Uber Eats Cart Assistant potvrzuje, že AI v e-commerce jde hlouběji do transakčních momentů. Týmy, které si teď vybudují kvalitní strukturovaný katalog, budou lépe připravené na to, že asistent bude rozhodovat mezi alternativami přímo při nákupu.

Pro roadmapu na rok 2026 doporučujeme začít baseline měřením kvality dat, spustit pilot v jedné kategorii a škálovat až po prokazatelném dopadu na substituce, AOV a konverzi v checkoutu.

Lasso může tento rollout podpořit přes čištění katalogu, enrichment a škálovatelnou tvorbu obsahu pro retail týmy. Další kroky najdete na ceníku, nebo si domluvte konzultaci přes kontakt.