Datová vrstva, kterou agentic commerce nemůže ignorovat

AI agenti se přesunuli z vyhledávacích asistentů na autonomní kupující. Největší platformy nyní závodí o to, aby vlastnily tu transakční vrstvu, a poslední krok Amazonu to činí konkrétním. Alexa pro nákup, vytvořená ze spojení Rufus a Alexa+, sleduje ceny a pamatuje si kontext napříč zařízeními. Poté, s funkcí Auto-Buy, dokončí nákup v okamžiku, kdy produkt dosáhne cílové ceny, bez potřeby recenze nákupního košíku nebo manuálního dokončení.

Agentic nákup je trh, který by měl dosáhnout výše 5 bilionů dolarů v globálním obchodním objemu do roku 2030. Amazon není sám, kdo se snaží získat část tohoto sektoru – Google, OpenAI a Perplexity také agresivně vstoupily do agentic nákupu. Tento tlak také zvyšuje spotřebitelskou důvěru v účast AI na jejich rozhodnutích o nákupu, s AI poháněným provozem na amerických maloobchodních webech, který se zvýšil o 393% meziročně v 1. čtvrtletí 2026.

Spotřebitelská zkušenost je snadno pochopitelná. Méně viditelná je infrastruktura, která to umožňuje. Když AI agent transakci provede autonomně, důvěřuje produktovým datům úplně. Žádný člověk neznačí špatnou variantu nebo nesprávně klasifikovaný produkt. To dělá datovou vrstvu nejvýznamnější částí agentic commerce.

Základ agentic commerce

Diskuze o agentic commerce je většinou o agentovi — modelu, rozhraní nebo zkušenosti. Ale skutečným určujícím faktorem úspěchu není agent sám, ale datová vrstva, která podporuje e-commerce.

Když spotřebitel požádá agenta, aby znovu objednal prací prášek nebo koupil nejlevější HDMI kabel, který může dorazit zítra, transakce vypadá jednoduše. Nicméně, agent musí učinit řadu rozhodnutí. Musí identifikovat přesně produkt, který je požadován, ověřit atributy a dostupnost produktu, porovnat možnosti napříč několika platformami a spojit nákup s pravou skladovou a dodavatelskou sítí.

Na rozdíl od lidského nakupujícího nemůže AI agent spoléhat na intuici, aby zaplnil mezery nebo vyřešil nesrovnalosti. Každý krok v transakci musí být poháněn daty, která jsou strukturována a konzistentní napříč systémy. Pokud je jakákoli část této základny chybějící nebo fragmentovaná, agent se nezastaví, aby to prošetřila. Místo toho pracuje s tím, co má, a transakci provede, nebo ji nedokončí vůbec, což vytváří nekonzistentní a často nespolehlivé uživatelské zkušenosti.

Kde se datová základna rozpadá

Podle Mirakl, méně než 1% e-commerce produktových stránek目前 splňuje minimální standardy pro doporučení AI agentů. Produktové identifikátory se liší mezi dodavatelskými systémy a interními systémy, zatímco stav inventáře zaostává za realitou. Lokální data také postrádají standardizaci napříč dodavatelskou sítí.

Když jsou lidé v smyčce, špatná data jsou zvládnutelná. Kupující si všimne špatné varianty, nebo manažer skladu ví, že systém inventáře běží pozadu. Lidé vyplňují mezery z vlastní zkušenosti; problém je, že AI agent nemá žádnou takovou instinkt. Čte data, která dostává, a transakci provede, nebo ji nedokončí vůbec.

Když jsou data špatná, transakce je také špatná. Dokončený nákup špatného produktu, směrovaný na špatné místo, za špatnou cenu. Agent provedl přesně podle návrhu, ale data pod ním nebyla správná.

Identifikační vrstva, na které každý agent závisí

Špatná kvalita dat stojí organizace průměrně 12,9 milionu dolarů ročně. Tato částka pochází z prostředí, kde jsou lidé stále ve smyčce. V agentic commerce tato částka pouze roste. Každá automatizovaná transakce, kterou agent provede špatně, zvyšuje náklady.

Pár běžeckých bot, označených jako “trail runners” na jedné platformě a “all-terrain sneakers” na druhé, je stejný produkt, ale AI agent nemůže potvrdit, že bez univerzálního identifikátoru.

To je to, co produktový identifikátor vložený do čárového kódu UPC pomáhá vyřešit. Tyto skenovatelné signály mohou nést GTIN (Globální obchodní položkový číslo), které jsou součástí globálního systému standardů používaných více než 2 miliony společnostmi pro jedinečnou identifikaci produktů v globálním dodavatelském řetězci. Skenovatelné GTIN poskytují produktům jedinečnou, ověřenou identitu napříč každým maloobchodníkem, skladem a platformou, která se jich dotýká. Když agent porovnává ceny na těch botách napříč Amazonem a Targetem, GTIN je to, co potvrzuje, že se skutečně porovnává stejný produkt.

Standardy, jako ty od GS1 US, poskytují společný jazyk pro identifikaci produktů, míst a entit, stejný jazyk, který AI agenti potřebují pro komunikaci, koordinaci a přesná rozhodnutí. Když více AI agentů vstoupí do dodavatelského řetězce — jeden, který spravuje nákup, další, který monitoruje sklad, třetí, který sleduje logistiku — potřebují sdílet data napříč systémy postavenými různými společnostmi. Standardizované identifikátory to umožňují.

GTIN je součástí toho širšího rámce. Pro AI agenty je společný jazyk, který poskytuje, rozdíl mezi transakcí, která se dokončí přesně, a tou, která se nedokončí.

Nedokončená produktová data mají potenciál odstranit produkt z úvahy agenta úplně. Pro menší značky je to existenční problém viditelnosti.

Agent-ready data vs. co mají většina společností

Dosažení agent-ready dat znamená zajistit, aby každý produkt v katalogu měl ověřený, globálně jedinečný identifikátor. Znamená to, že atributy jsou kompletní a konzistentní napříč každým systémem, který se dotýká obchodního partnera. Znamená to také, že data o inventáři a cenách jsou synchronizována v reálném čase, ne aktualizována v dávkách. Data postavená pro lidské prohlížení nesplňují tuto laťku.

Vkládání více AI na top fragmentovaných dat produkuje rychlejší, více jistá špatná odpovědi. Základna musí být správná jako první.

Gartner předpovídá, že více než 40% agentic AI projektů bude zrušeno do roku 2027, s odůvodněním, že se zvyšují náklady, nejasné ROI a nedostatečné kontroly rizik. Kvalita datové infrastruktury je přímým vstupem do všech tří. Společnosti, které budují agentic commerce bez auditu datové vrstvy, řeší špatný problém.

Kde by maloobchodníci a značky měly začít

1. Audit produktových identifikátorů napříč každým systémem. Každý produkt v katalogu potřebuje ověřený, globálně jedinečný identifikátor. Chybějící nebo duplikované identifikátory jsou nejčastějším důvodem, proč agenci přeskočí produkty úplně.
2. Standardizovat atributové označení. Velikost, hmotnost, varianta a dostupnost potřebují znamenat stejnou věc napříč každým systémem, který se dotýká obchodního partnera. Nesourodé označení je neviditelné pro lidi a fatální pro agenty.
3. Synchronizovat data napříč obchodními partnery v reálném čase. Většina společností aktualizuje inventář a ceny se zpožděním — hodinovým, nočním nebo manuálním. Agent, který provede nákup, nečeká na další aktualizaci.
4. Považovat připravenost dat jako předpoklad pro jakoukoli agentic AI investici. Společnosti, které budují agentic commerce bez auditu datové vrstvy, řeší špatný problém. Pamatujte, že agent je poslední věc, kterou je třeba optimalizovat; datová základna musí být první.

Maloobchodníci a značky, které investují do této základny nyní, budou více objevitelné a transakční pro agenty, kteří činí rozhodnutí o nákupu jménem spotřebitelů. Ti, kteří čekají, budou soutěžit o viditelnost v systému, který nebyl postaven tak, aby je našel. Agent je viditelná část. Více důležitá otázka je, zda jsou data pod ním připravena.