Den ökade användningen av stora språkmodeller (LLM:er) inom e-handel har förändrat kundinteraktionen i grunden och positionerat AI-baserade chatbotar som en central lösning för skalbar och automatiserad kundservice. Denna studie undersöker de tekniska utmaningar som uppstår vid implementering av sådana system, med särskilt fokus på fyra nyckelområden baserade på ett teoretiskt ramverk: språkförståelse, systemintegration, realtidsbearbetning samt datasäkerhet och integritet. Genom en kvalitativ metod baserad på semistrukturerade intervjuer med sju yrkesverksamma inom svensk e-handel och AI identifieras flera återkommande praktiska hinder. Dessa inkluderar svårigheter att anpassa LLM:er till nyanserat språkbruk, komplexa integrationsprocesser i varierande IT-miljöer, prestandaproblem vid trafiktoppar samt behovet av säker och transparent hantering av användardata. Studien visar även på organisatoriska faktorer som kunskapsbrister internt och strategisk användning av chatbotar i onboarding av nya kunder – aspekter som sällan behandlas i tidigare forskning. Genom att kombinera tekniska, organisatoriska och användarrelaterade perspektiv bidrar studien med praktiska insikter för utvecklare, beslutsfattare och forskare som vill förstå möjligheter och begränsningar med implementering av LLM-baserade chatbotar inom e-handel. 

The increasing adoption of large language models (LLMs) in e-commerce has reshaped customer interaction, positioning AI-based chatbots as a central solution for scalable and automated customer service. This study investigates the technical challenges associated with implementing such chatbot systems, with a specific focus on four key areas derived from a theoretical framework: language understanding, system integration, real-time processing, and data security and privacy. Using a qualitative method based on semi-structured interviews with seven professionals in the Swedish e-commerce and AI sector, the study identifies several recurring challenges in practice. These include difficulties in adapting LLMs to nuanced user expressions, complex system integration due to diverse IT environments, performance issues during peak traffic, and the need for secure, transparent data handling. The findings also highlight organizational factors such as internal knowledge gaps and the strategic use of chatbots in customer onboarding, which are rarely addressed in prior research. By combining technical, organizational, and user-related perspectives, this study provides practical insights for developers, decision-makers, and researchers aiming to understand the opportunities and limitations of LLM-based chatbot implementation in e-commerce environments.