Trzydzieści lat badań naukowych nad sztuczną inteligencją w e-commerce wytworzyło obszerny, lecz głęboko sfragmentowany dorobek. Poszczególne przeglądy skupiały się na wybranych platformach, konkretnych aspektach technicznych lub wąskich niszach tematycznych, nie oferując syntetycznego obrazu całego pola. Badanie Chugh i Jain¹ jest pierwszym, które systematycznie mapuje ten dorobek przy użyciu analizy bibliometrycznej 1 458 artykułów ze Scopus (1995-2024) z zastosowaniem narzędzi R Studio i VOS viewer. Wyniki ujawniają dwa równoległe fenomeny. Pierwszy to strukturalna koncentracja kapitału badawczego wokół technicznych zastosowań AI, przede wszystkim systemów rekomendacyjnych i zaawansowanej analityki, przy wyraźnym niedoinwestowaniu tematów o najwyższej przyszłej wartości regulacyjnej: zaufania konsumentów, przejrzystości algorytmów i etycznego projektowania systemów rekomendacji. Drugi fenomen to globalna asymetria cytowań: Chiny generują 1 309 artykułów i dominują wolumenowo, lecz średnia liczba cytowań na artykuł wynosi tam zaledwie 7,10, podczas gdy Stany Zjednoczone z 506 artykułami osiągają 37,20 cytowań na publikację. Ta asymetria nie jest dziełem przypadku, lecz odzwierciedla architekturę globalnego wyznaczania kierunków intelektualnych w polu, które praktykujący e-commerce traktują jako coraz bardziej strategiczne.
Ewolucja tematyczna badań AI w e-commerce przebiega w trzech wyraźnych falach, które analiza bibliometryczna Chugh i Jain¹ odczytuje ze struktury słów kluczowych i rocznych trendów publikacji. Pierwsza fala, trwająca od 1995 do około 2006 roku, charakteryzuje się niskim wolumenem (średnio 10,6 artykułów rocznie) i dominacją technik takich jak logika rozmyta, eksploracja danych i wczesne systemy agentów. Badania tego okresu były silnie inżynierskie i akademickie, oderwane od skali komercyjnej. Około 2007 roku nastąpił przełom technologiczny powiązany z ekspansją mediów społecznościowych, który uruchomił drugą falę: machine learning, uczenie nadzorowane i chmura obliczeniowa stały się głównymi słowami kluczowymi, a liczba publikacji wzrosła do 74 rocznie w całym przedziale 2007-2024. Trzecia fala, wyraźna od 2017 roku, to głębokie uczenie, przetwarzanie języka naturalnego (NLP), chatboty i wirtualna rzeczywistość, napędzane przez popularyzację dużych modeli językowych i pandemiczny wzrost e-commerce. Każda z tych fal pozostawiła po sobie trwałe sedymentacje tematyczne w strukturze siedmiu klastrów badawczych, które analiza co-occurrence wyodrębnia jako osobne skupiska pojęciowe.
Analiza co-occurrence 107 słów kluczowych z co najmniej pięcioma wystąpieniami ujawnia siedem klastrów tematycznych, które nie są równe pod względem siły połączeń ani badawczego zainteresowania¹. Najsilniejszy klaster to zaawansowana analityka e-commerce, skupiający słowa kluczowe "big data" (43 wystąpienia, łączna siła połączeń TLS 82), "deep learning" (60 wystąpień, TLS 98) i "text mining", co sygnalizuje, że przetwarzanie masowych zbiorów danych konsumenckich stanowi rdzeń akademickiej uwagi. Klaster systemów rekomendacji gromadzi pojęcia "recommender system" (37 wystąpień, TLS 62) i "collaborative filtering", odzwierciedlając komercyjne znaczenie personalizacji. Klastry dotyczące operacji biznesowych i transformacji handlu przez technologie są z kolei zdominowane przez terminologię inżynieryjną: "supply chain management", "blockchain", "IoT", "cloud computing". Jeśli zmierzyć łączną siłę połączeń kluczowych słów, "artificial intelligence" osiąga TLS 396, a "e-commerce" 364: oba są węzłami centralnymi, lecz wokół nich skupia się przede wszystkim terminologia techniczna, a nie behawioralna ani etyczna.
Na tle siedmiu identyfikowanych klastrów szczególnie widoczna jest nieobecność tematów, które zbliżająca się regulacja uczyni obligatoryjnymi dla platform e-commerce¹. Klaster dotyczący obsługi klienta przez AI koncentruje się na chatbotach i automatyzacji rozwiązywania zgłoszeń, lecz niemal pomija mechanizmy odbudowy zaufania po incydentach algorytmicznych. Żaden z siedmiu klastrów nie zawiera w swoim rdzeniu pojęć "ethical AI", "transparency", "algorithmic bias" ani "explainability", choć badanie wskazuje je jako priorytety przyszłych badań. Autorzy stosują framework TCCM (teoria, kontekst, cechy, metodologia) do systematyzacji luk: w wymiarze teorii brakuje badań opartych na teorii obciążenia poznawczego i etycznej AI; w wymiarze kontekstu niemal nie istnieją prace porównawcze między kulturami i regionami; w wymiarze cech brakuje empirycznej analizy wpływu przejrzystości algorytmów na zaufanie konsumentów; wreszcie w wymiarze metodologii dominują analizy przekrojowe, podczas gdy badania longitudinalne, mogące śledzić zmiany zaufania do AI w czasie, są rzadkością.
Globalna geografia badań AI w e-commerce dostarcza osobnego wymiaru analizy, który ma bezpośrednie konsekwencje dla tego, czyje definicje problemów i rozwiązań zdominują praktykę branżową¹. Chiny publikują 1 309 artykułów, co stanowi dominację wolumenową, a pięć z dziesięciu wiodących instytucji badawczych to chińskie uczelnie, z Zhejiang University na czele (27 artykułów). Indie zajmują drugie miejsce z 676 artykułami, Stany Zjednoczone trzecie z 506. Jednak gdy miarą jest średnia liczba cytowań na artykuł (AAC), hierarchia ulega odwróceniu: Niemcy osiągają AAC 45,70, Stany Zjednoczone 37,20, Wielka Brytania 18,40, podczas gdy Chiny 7,10, a Japonia zaledwie 1,60. Najbardziej cytowane prace w całym zbiorze, takie jak Leskovec i współpracownicy (2007) z 1 352 cytowaniami za analizę dynamiki marketingu wirusowego czy Sarker (2021) z 1 190 cytowaniami za przegląd algorytmów machine learning, pochodzą ze środowisk anglosaskich i zachodnioeuropejskich. Ta asymetria dowodzi, że to środowiska anglosaskie i zachodnioeuropejskie faktycznie wyznaczają ramy intelektualne, które następnie cytują i rozwijają badacze z całego świata.