Tradotto dall'originale inglese. Dati e fonti restano invariati. Leggi l'originale in inglese
JD.com
JD.com usa CogSearch, una ricerca IA multi-agente basata su piccoli modelli Qwen3
I ricercatori di JD.com descrivono CogSearch, una modalità di ricerca IA su JD.com che aiuta gli acquirenti a decidere acquisti complessi, basata su modelli Qwen3 a pesi aperti. In un test di due settimane sul 10% del traffico reale, JD riferisce un calo del 5% del costo decisionale e un aumento dello 0,41% della conversione.
Dati chiave
Copiati esattamente dalle fonti. Copiate qualsiasi dato insieme alla sua citazione.
5%
Riduzione del costo decisionale (numero medio di ricerche più clic per transazione) in un test A/B online di due settimane sul 10% del traffico reale; l'articolo non dice se sia relativa o assoluta1
0,41%
Aumento medio del tasso di conversione degli utenti (ordini completati per visitatore unico) nello stesso test A/B; l'articolo non dice se sia relativo o assoluto1
oltre il 30%
Aumento del tasso di conversione per le intenzioni ad alta decisione, come interpretazione del prodotto, scelta del regalo e confronto funzionale, nello stesso test; relativo o assoluto non indicato1
Cosa è servito
Le fonti non rendono noti costi, dimensioni del team e tempi.
Il problema
La ricerca dei negozi online è pensata per recuperare e ordinare prodotti. Gli acquirenti con una domanda più difficile, come quale regalo scegliere o in cosa differiscono due prodotti, finiscono per fare molte ricerche e clic. Il team di JD.com voleva che la ricerca aiutasse gli acquirenti a decidere, non solo a trovare.
Cosa hanno costruito
CogSearch è un gruppo di agenti IA che cooperano all'interno della ricerca di JD.com. Un Planner scompone l'esigenza dell'acquirente in compiti, un Executor raccoglie informazioni su prodotti e web, un Guider pone domande di approfondimento per restringere la scelta e un Decider produce una raccomandazione d'acquisto strutturata. Gli acquirenti vi accedono tramite un ingresso facoltativo «AI Search».
Come ci sono riusciti
Il Planner e il Guider girano su Qwen3-4B e il Decider su Qwen3-8B. Entrambi sono modelli a pesi aperti (open-weight), cioè con i file pubblicati in modo che un'azienda possa adattarli ed eseguirli. JD ha addestrato questi piccoli modelli per distillazione, cioè insegnando loro a imitare un modello più grande, qui DeepSeek-R1. Per rispettare i limiti di velocità ha anche usato la compressione dei modelli a 8 bit, la cache e la pianificazione parallela. L'articolo non riporta costi né dimensione del team.
Risultati
In un test A/B online di due settimane sul 10% del traffico reale, gli acquirenti con accesso a CogSearch hanno avuto bisogno del 5% di ricerche e clic in meno per transazione (il costo decisionale). Il loro tasso di conversione complessivo è salito in media dello 0,41%. Per le intenzioni ad alta decisione, la conversione è salita di oltre il 30%. L'articolo non dice se si tratti di variazioni relative o assolute. La latenza media è stata di 1,3 s, contro gli 800 ms della ricerca tradizionale. L'articolo dice che CogSearch da allora è stato distribuito completamente.
Lezioni per il vostro progetto
Puntare una modalità IA sulle ricerche in cui gli acquirenti faticano. L'aumento riferito si è concentrato sulle intenzioni ad alta decisione, non su tutto il traffico.
Misurare lo sforzo oltre alle vendite. JD ha monitorato il costo decisionale, cioè le ricerche e i clic necessari per acquisto, accanto alla conversione.
Usare modelli piccoli dove conta la velocità. JD ha scelto modelli da 4 e 8 miliardi di parametri per rispettare i limiti di latenza, ed è comunque risultato più lento della ricerca ordinaria.
Leggere con cautela i test su adesione volontaria. Gli utenti hanno scelto di usare la nuova modalità, e questo può falsare il confronto.
Avvertenze
- I dati provengono da un articolo scritto dal personale di JD.com stessa e non sono confermati in modo indipendente.
- L'articolo non dice se le variazioni del 5%, dello 0,41% e di «oltre il 30%» siano relative o assolute. Non fornisce nemmeno intervalli di confidenza o date del test.
- L'accesso avveniva tramite un ingresso facoltativo «AI Search», quindi gli utenti che l'hanno provato possono differire da quelli che non l'hanno fatto. L'articolo non ne parla.
- CogSearch è più lento della ricerca ordinaria: 1,3 s contro 800 ms in media, attenuato dall'output in streaming.
- L'articolo non indica una data di rilascio. Dice che CogSearch «has since been fully deployed» (traduzione: «da allora è stato distribuito completamente»). La data di rilascio mostrata è quella di invio dell'articolo, il 12 marzo 2026 (la data dell'annuncio); l'entrata in produzione effettiva è precedente o sconosciuta.
- Costo dell'addestramento, dimensione del team e portata del rilascio oltre il test sul 10% non sono indicati.
Fonti
- CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search
arXiv (authors from JD.com) · 2026-03-12 · Articolo di ricerca · arxiv.org
Riassunto con parole nostre a partire dalle fonti sopra indicate. Avete notato un errore? Consultate le rettifiche.